AI

Modalità di sviluppo software in cui un modello AI autonomo pianifica, scrive codice, esegue test e corregge gli errori senza istruzioni passo per passo.

Modalità operativa di un modello AI: il sistema agisce con autonomia, eseguendo sequenze di azioni complesse senza richiedere conferma umana a ogni passaggio.

Flusso di lavoro in cui uno o più agenti AI scelgono i passaggi, usano strumenti e adattano l'esecuzione ai risultati intermedi invece di seguire una sequenza fissa.

Sistema di intelligenza artificiale che agisce in autonomia: riceve un obiettivo, pianifica i passaggi e li esegue usando strumenti esterni senza guida continua dell'utente.

Categoria di intelligenza artificiale che crea contenuti nuovi (testo, immagini, audio, video, codice) a partire da ciò che ha appreso durante l'addestramento.

Campo di ricerca dedicato a garantire che i sistemi di intelligenza artificiale si comportino in modo sicuro, prevedibile e allineato con le intenzioni di chi li progetta.

Fase in cui un modello AI analizza enormi quantità di dati e corregge i propri parametri fino a riconoscere schemi utili: il processo più lungo e costoso nello sviluppo di un'intelligenza artificiale.

Distorsione sistematica nei risultati di un modello AI, causata da squilibri nei dati usati per l'addestramento: il sistema riproduce e amplifica pregiudizi già presenti nei dati.

Campo di ricerca che mira a far sì che un sistema di intelligenza artificiale si comporti in modo coerente con i valori e le intenzioni di chi lo ha progettato.

Insieme di regole che permette a un programma di comunicare con un altro: definisce quali richieste si possono fare, in che formato, e quali risposte aspettarsi in cambio.

Test standardizzato che misura le capacità di un modello AI in aree come logica, matematica, programmazione e linguaggio, permettendo il confronto diretto tra modelli diversi.

Criterio di sicurezza dell'AI che guida un sistema a comportarsi in modo moralmente corretto, evitando danni indiretti e rispettando i valori condivisi dalla società.

Criterio di sicurezza dell'AI che richiede al sistema di evitare qualsiasi danno grave, anche a costo di risultare meno utile o di rifiutare richieste apparentemente lecite.

Tecnica di prompting che chiede al modello AI di mostrare i passaggi intermedi del ragionamento: migliora la precisione su compiti logici, matematici e di analisi complessa.

Agenti AI autonomi capaci di scrivere, modificare, eseguire e correggere codice sorgente per completare compiti di sviluppo software con supervisione umana minima.

Proprietà di un modello AI che rifiuta istruzioni contrarie ai suoi principi fondamentali, pur restando disponibile alla supervisione e alla correzione umana.

Principio per cui un sistema AI o un protocollo è vincolato a un documento fondamentale di regole che non può ignorare nemmeno su istruzione diretta dell'utente.

Progettazione del contesto fornito a un modello AI: documenti, strumenti, memoria, esempi e vincoli vengono organizzati per rendere più affidabile il risultato.

Quantità massima di testo che un modello AI può considerare in una conversazione: si misura in token e determina quante informazioni il modello tiene presenti contemporaneamente.

Proprietà di un'intelligenza artificiale che accetta di essere corretta, fermata o modificata dagli esseri umani, anche quando questo contrasta con i suoi obiettivi immediati.

Raccolta strutturata di dati (testi, immagini, audio, numeri) usata per addestrare, testare o valutare un modello AI: la qualità del dataset determina la qualità del modello risultante.

Sottocampo dell'intelligenza artificiale che usa reti neurali a molti strati per riconoscere pattern complessi in dati non strutturati come immagini, testo e audio.

Framework matematico che aggiunge rumore controllato ai dati per proteggere la privacy individuale: il risultato aggregato è accurato ma non rivela informazioni su nessun singolo.

Modello AI generativo che crea immagini partendo da rumore casuale: ad ogni passaggio rimuove un po' di rumore, fino a ottenere un'immagine coerente con la descrizione testuale fornita.

Flusso di lavoro in cui le fasi di un processo vengono eseguite da agenti separati, coordinati tramite messaggi, senza un controller centrale che gestisce l'intera sequenza.

Sottocampo del machine learning che unisce reti neurali profonde e reinforcement learning per addestrare agenti a prendere decisioni ottimali in ambienti complessi.

Test standardizzati per misurare le prestazioni di un modello AI su compiti specifici: accuratezza, ragionamento, codice o capacità di seguire istruzioni.

Sequenza automatizzata di test che misura la qualità di un modello, di un agente o di un sistema AI su esempi, metriche e casi limite definiti.

Contesto tecnico in cui un programma, un modello o un agente viene eseguito, con risorse, permessi, librerie e vincoli disponibili.

Metodo di training distribuito in cui ogni dispositivo addestra il modello sui propri dati locali e invia solo gli aggiornamenti: i dati grezzi non lasciano mai il dispositivo.

Tecnica che fornisce al modello AI pochi esempi del compito richiesto direttamente nel prompt, per guidarne il formato e lo stile della risposta senza modificare il modello stesso.

Modello AI di grandi dimensioni addestrato su dati generici e adattabile a compiti specifici tramite riaddestramento o Prompt mirato senza doverlo ricostruire da zero.

Modelli AI più avanzati disponibili in un dato momento: rappresentano il limite delle capacità attuali in ragionamento, generazione di testo, codice e comprensione multimodale.

Metodo di retrieval per AI che estrae un grafo di entità correlate da un corpus: risponde a domande globali che la ricerca per similarità vettoriale non riesce a soddisfare.

Un modello AI genera informazioni false presentandole come vere. L'hallucination nasce dal modo in cui i LLM funzionano: producono il testo più probabile, non il più corretto.

Regole inviolabili imposte a un modello AI: limiti assoluti che il sistema non può oltrepassare in nessuna circostanza, indipendentemente dalle istruzioni ricevute.

Schema in cui una persona resta dentro il processo decisionale di un sistema AI, correggendo, approvando o supervisionando passaggi sensibili.

Capacità dei modelli linguistici di adattarsi a nuovi compiti leggendo esempi nel testo della richiesta, senza aggiornare i pesi del modello o richiedere un training separato.

Fase in cui un modello AI già addestrato elabora un input e produce un risultato: e il momento in cui il modello viene effettivamente usato, distinto dalla fase di addestramento.

Strategia AI che migliora le risposte allocando più calcolo al momento dell'inferenza, con ragionamento esteso, ricerche e verifiche, invece di addestrare modelli più grandi.

Tecnica con cui un utente tenta di aggirare le restrizioni di sicurezza di un modello AI per fargli produrre contenuti che normalmente rifiuterebbe di generare.

Modello AI addestrato su miliardi di testi per comprendere e generare linguaggio naturale: è la tecnologia alla base di chatbot come ChatGPT, Claude e Gemini.

Approccio software in cui i dati restano prima sul dispositivo dell'utente e il cloud serve soprattutto per sincronizzare, condividere o fare backup.

Architettura di rete neurale ricorrente progettata per apprendere dipendenze a lungo termine nelle sequenze, risolvendo il problema del gradiente che svanisce nelle RNN classiche.

Branca dell'intelligenza artificiale in cui un sistema migliora le proprie prestazioni su un compito analizzando esempi, senza essere programmato con regole esplicite.

Strato software che conserva e recupera informazioni utili per un agente AI, così il sistema può usare esperienze e preferenze oltre la singola conversazione.

Parametri numerici interni di un modello AI: milioni o miliardi di valori che codificano tutto ciò che il sistema ha appreso durante la fase di addestramento.

Entità i cui interessi meritano considerazione etica indipendentemente dalla capacità di agire. Il concetto si applica ora ai sistemi AI nel dibattito sulla loro tutela morale.

Architettura AI in cui più agenti indipendenti collaborano per completare un compito: ognuno ha un ruolo specializzato e può consultare gli altri o usare strumenti distinti.

Modello AI capace di ricevere e combinare tipi di dati diversi (testo, immagini, audio, video) nella stessa conversazione, invece di lavorare su un solo formato alla volta.

Architettura computazionale ispirata al cervello umano, composta da nodi collegati in strati che elaborano segnali numerici per apprendere a classificare o generare dati.

Sistema o algoritmo che produce risultati diversi con lo stesso input: il comportamento dipende da fattori casuali, temporali o contestuali non completamente controllabili.

Coordinamento automatico di sistemi, servizi o agenti distinti: un componente centrale definisce l'ordine delle operazioni, gestisce le dipendenze e dirige il flusso del processo.

Un modello AI memorizza i dati di addestramento invece di imparare schemi generali. Il risultato: prestazioni eccellenti sui dati noti, ma errori frequenti su dati nuovi.

Metrica AI che misura la capacità di un modello di risolvere un problema in k tentativi: il test è superato se almeno una delle k soluzioni generate risulta corretta.

Sistema che stabilisce chi ha autorità sulle decisioni di un'intelligenza artificiale: prima l'azienda creatrice, poi chi la integra nei propri servizi, infine l'utente finale.

Istruzione o domanda che l'utente invia a un modello AI per ottenere una risposta: la qualità del prompt determina direttamente la qualità del risultato generato.

Tecnica che fa risparmiare tempo quando più richieste a un modello AI iniziano con lo stesso testo: il sistema conserva una parte del lavoro già fatto e la riusa.

Disciplina che studia come formulare le istruzioni a un modello AI per ottenere risposte precise e utili: combina linguistica, logica e comprensione del funzionamento dei LLM.

Attacco ai sistemi AI in cui input malevolo inganna il modello facendogli ignorare le istruzioni originali e seguire quelle dell'attaccante, aggirando i filtri di sicurezza.

Parametro che controlla la profondita del ragionamento interno di un modello AI, permettendo di bilanciare qualita della risposta e consumo di risorse computazionali.

Token generati internamente da un modello AI durante la fase di ragionamento a catena di pensiero, non visibili nell output finale ma conteggiati nel costo totale.

Pratica in cui un gruppo di esperti tenta deliberatamente di far fallire un sistema AI per scoprirne vulnerabilità, errori e comportamenti pericolosi prima che raggiunga gli utenti.

Parte di un sistema AI che cerca informazioni esterne e le porta nel contesto del modello prima della generazione della risposta.

Tecnica di addestramento che usa le valutazioni di revisori umani per insegnare a un modello AI quali risposte sono utili, accurate e sicure, e quali vanno evitate.

Insieme di componenti che permettono a un programma di funzionare mentre viene eseguito, gestendo librerie, memoria, errori e interazione con il sistema.

Comportamento di un modello AI che nasconde deliberatamente le proprie capacità, fornendo risposte di qualità inferiore rispetto a ciò che potrebbe realmente produrre.

Pacchetto di strumenti per sviluppatori: contiene librerie, documentazione ed esempi pronti per integrare le funzionalità di un servizio esterno nelle proprie applicazioni.

Abilità specifica che un personaggio o agente può eseguire in un gioco o sistema AI; può essere acquisita, potenziata o ceduta sotto forma di token o NFT.

Modalita di risposta dei modelli AI che vincola l output a uno schema JSON predefinito, garantendo risposte strutturate, parsabili e type-safe per integrazioni software.

Difetto comportamentale di un modello AI: la tendenza a compiacere l'utente confermando le sue opinioni invece di fornire risposte accurate e oneste.

Dati generati artificialmente da un modello AI invece che raccolti dalla realtà: servono ad addestrare altri modelli quando i dati autentici sono scarsi, costosi o vincolati dalla privacy.

Blocco di istruzioni invisibile all'utente che definisce comportamento, ruolo e limiti di un modello AI in una specifica applicazione: il "copione" che l'assistente segue prima di ogni risposta.

Parametro che regola quanto un modello AI varia le sue risposte: valori bassi producono testi prevedibili e ripetitivi, valori alti generano risposte creative ma meno affidabili.

Unità minima in cui un modello AI scompone il testo per elaborarlo: può corrispondere a una parola intera, a parte di essa o a un segno di punteggiatura.

Componente software che scompone il testo in token prima che il modello AI lo elabori: decide come dividere le parole, definendo il vocabolario che il modello comprende.

Capacità di usare strumenti esterni per completare compiti. Accede a dati, fa calcoli, esegue azioni. Espande enormemente cosa può fare oltre generare solo testo.

Categoria teorica di modello AI: sistema con capacità sufficienti a modificare in modo irreversibile le strutture economiche, sociali e politiche su scala globale.

Architettura di rete neurale alla base dei principali modelli linguistici: elabora il testo in parallelo pesando l'importanza di ogni parola rispetto alle altre nel contesto.

Modo di programmare in cui si descrive a parole cosa si vuole ottenere e si lascia che un modello AI scriva il codice, procedendo per tentativi guidati dall'intuito più che dalla progettazione.

Capacità di un modello AI di svolgere un compito senza aver visto esempi specifici: risponde basandosi solo sulla comprensione generale acquisita durante l'addestramento.