02) Come Funziona – Umanesimo Digitale https://umanesimodigitale.info Apprendimento continuato Tue, 14 Apr 2026 07:11:36 +0000 it-IT hourly 1 https://wordpress.org/?v=6.9.4 https://umanesimodigitale.info/wp-content/uploads/2023/06/cropped-Logo-Umanesimo-Digitale-32x32.png 02) Come Funziona – Umanesimo Digitale https://umanesimodigitale.info 32 32 Dati ed Addestramento https://umanesimodigitale.info/dati-ed-addestramento https://umanesimodigitale.info/dati-ed-addestramento#respond Sat, 14 Mar 2026 21:04:08 +0000 https://umanesimodigitale.info/?p=18879 Dal Caos dei Dati all’Intelligenza: La Roadmap Completa per Costruire un LLM Sottotitolo: Un viaggio empatico dentro la magia (e il sudore) della creazione di Large Language Models, spiegato per studenti che sognano di democratizzare l’AI con umanità. Immaginate di partire da un mare immenso di testi sparsi – libri, articoli, chat online – e […]]]>

Dati ed Addestramento


L’Architettura dell’Apprendimento:
Dati e Addestramento degli LLM

L’articolo svela il meccanismo interno che trasforma un semplice software in un assistente intelligente, analizzando i due pilastri fondamentali degli LLM: i dataset e le modalità di addestramento. Vengono esplorate le diverse fonti dei dati – dal web aperto ai codici sorgente – evidenziando come la qualità e la pulizia delle informazioni siano spesso più decisive della sola quantità. Il testo guida il lettore attraverso le tre fasi cruciali del ciclo di vita di un modello: il pretraining, dove si apprendono le basi del linguaggio, l’instruction tuning per affinare le competenze, e l’allineamento (RLHF) per garantire risposte sicure e coerenti. Infine, vengono affrontati i temi critici dei bias, del copyright e delle “allucinazioni”, dimostrando come l’AI non sia magia, ma il risultato di un rigoroso processo statistico e di raffinamento umano.

Dal Caos dei Dati all’Intelligenza: La Roadmap Completa per Costruire un LLM

Sottotitolo: Un viaggio empatico dentro la magia (e il sudore) della creazione di Large Language Models, spiegato per studenti che sognano di democratizzare l’AI con umanità.

Immaginate di partire da un mare immenso di testi sparsi – libri, articoli, chat online – e arrivare a un modello che non solo capisce il linguaggio umano, ma lo genera con creatività e profondità. Questo diagramma non è solo uno schema tecnico: è una mappa esistenziale per chi, come voi studenti, vuole smontare il “mito” dell’AI magica e ricostruirla con le proprie mani. Io, Franco Bagaglia, ingegnere informatico e umanista digitale, vi guido in questo percorso perché credo che comprendere come nascono gli LLM sia il primo passo per usarli con coscienza, evitando di diventare schiavi di scatole nere create da giganti tech.

Ho visto troppi studenti affascinati da ChatGPT o Gemini, ma terrorizzati dall’idea di “addestrarli”. Eppure, questo flusso – dal dato grezzo al deployment scalabile – è alla portata di chi ha curiosità e un laptop decente. Usiamo esempi concreti: pensate a un progetto universitario dove addestrate un mini-LLM su testi di letteratura italiana per analizzare poesie di Dante. Dati reali mostrano che modelli open-source come Llama o Mistral, addestrati su dataset pubblici (es. Common Crawl, con miliardi di token), raggiungono performance vicine ai top-proprietary con risorse accessibili.

1. Raccolta e Preparazione dei Dati: Le Fondamenta Umanistiche

Tutto inizia qui, nel “livello zero” che molti saltano, ma che definisce l’etica dell’AI.

  • Testo e Dati Collection: Radunate corpora enormi da fonti aperte (Wikipedia, libri pubblici, forum). Esempio: per un LLM italiano, usate OSCAR o mC4, filtrando per qualità per evitare bias culturali.
  • Data Cleaning e Labeling: Pulite rumori (errori, duplicati), annotate per task specifici (es. sentiment analysis). Tool gratuiti: Hugging Face Datasets, Pandas per preprocessing. Dati reali: un dataset pulito riduce le allucinazioni del 30-50% .
  • Data Augmentation: Espandete con sinonimi, parafrasi o synthetic data generate da modelli più piccoli.
  • Tokenization e Preprocessing: Convertite testo in token (subword via BPE). Esempio: “umanesimo digitale” diventa ~4 token, ottimizzando il vocabolario per efficienza.

Riflessione personale: Qui entra l’umanesimo digitale – chi seleziona i dati? Scegliete fonti etiche per un AI che rifletta valori inclusivi, non solo profitti.

2. Design e Addestramento: Il Cuore Pulsante del Modello

Passiamo al “cervello”: architetture Transformer-based, eredi di GPT e BERT.

  • Learning Objectives: Prevedete next-token (causal LM) o masked token (bidirezionale). Loss function: cross-entropy.
  • Model Architecture: Stack di layer Transformer con attention multi-head. Esempio: GPT-3 ha 96 layer, 175B parametri; iniziate con 7B come Phi-3.
  • Training Strategies: Supervised Fine-Tuning (SFT), Reinforcement Learning from Human Feedback (RLHF). Dati: RLHF su 10k esempi umani migliora l’allineamento del 20% .
  • Self-Supervised e Transfer Learning: Pre-addestrate su task generali, poi fine-tunate su specifici (es. Q&A per studenti).

Esempio concreto: Su Colab, addestate LoRA (Low-Rank Adaptation) su un dataset di 1M token di testi scientifici – tempo: 2 ore su GPU gratuita, risultato: modello personalizzato per riassunti accademici.

3. Deployment e Integrazione: Dall’Algoritmo al Mondo Reale

Ora il modello esce dal laboratorio e incontra l’utente.

  • Model Serving e API: Usate Hugging Face Inference, vLLM per serving veloce. Esempio: endpoint REST per query in 100ms.
  • Scalabilità e Infra: Kubernetes per orchestrazione, quantization (8-bit) per ridurre memoria del 75%.
  • Compliance, Sicurezza, Privacy: GDPR-compliant, watermarking per tracciare output generati, filtri per contenuti tossici.

4. Applicazioni, Monitoraggio e Ciclo Virtuoso

L’AI non è fine a se stessa: si integra e si evolve.

  • Use Cases e Integrazioni: Chatbot educativi, generatori di codice, analizzatori di testo. Esempio: LLM per tutoraggio personalizzato in corsi universitari.
  • Model Monitoring: Tracciate drift (cambiamenti nei dati input), performance (BLEU, ROUGE score).
  • Performance Tuning: A/B testing, pruning per efficienza.
  • Safety, Security, Feedback: Audit per bias, loop di miglioramento con human-in-the-loop.

Dati a supporto: Secondo report Stanford 2025, il 70% dei fallimenti LLM deriva da dati poveri; un ciclo MLOps riduce questo rischio del 40% .

La Visione Umanista: AI per l’Apprendimento Continuo

Come umanista digitale, vedo in questo flusso non solo tecnica, ma opportunità: studenti, usate questi step per creare AI etiche, accessibili. Iniziate con Hugging Face, scalate con cloud gratuiti (Google Colab, Kaggle). Il mio blog umanesimodigitale.info ha guide pratiche – democratizziamo questo sapere!

ATTENZIONE: Corso in fase di allestimento.
UmanesimoDigitale
Corso Dati e Addestramento

Dati e Addestramento:
Il Motore degli LLM

Come i modelli linguistici imparano: dalle biblioteche digitali alle raffinazioni umane.

Gli LLM (Large Language Models) sono sistemi di intelligenza artificiale addestrati a comprendere e generare testo. Dietro la loro apparente “intelligenza” ci sono due elementi fondamentali: i dataset (l’enorme quantità di dati testuali) e le modalità di addestramento (i processi di apprendimento).

Un punto importante: Il modello non memorizza il testo come un database. Impara pattern statistici: quali parole tendono a comparire insieme, quali strutture sintattiche sono comuni e quali sequenze sono probabili. Per questo si dice che un LLM è un sistema di predizione del token successivo.

1. Cosa sono i Dataset

Un dataset è la “biblioteca” da cui il modello apprende. I dati provengono da:

  • Pagine web e blog
  • Libri e romanzi
  • Articoli scientifici
  • Codice sorgente
  • Dialoghi e trascrizioni
  • Enciclopedie

La qualità conta più della quantità

Un modello addestrato su dati enormi ma sporchi si comporterà peggio di uno addestrato su meno dati ma meglio selezionati. Un buon dataset deve essere pulito, deduplicato, bilanciato e sicuro.

2. Le Fasi dell’Addestramento

Fase 1: Pretraining

Il modello “legge” miliardi di pagine per imparare la grammatica e i fatti. È un apprendimento auto-supervisionato: il testo stesso fornisce il segnale (indovinare la parola successiva).

Fase 2: Instruction Tuning (SFT)

Il modello impara a seguire istruzioni specifiche. Si usano esempi del tipo “istruzione -> risposta desiderata” per passare da completatesto ad assistente.

Fase 3: Allineamento (RLHF)

Tramite il Reinforcement Learning from Human Feedback, gli umani valutano le risposte del modello. Il modello impara non solo la risposta corretta, ma quale risposta è più utile, sicura e gradita all’utente.

3. Tecniche Avanzate e Problemi

Fine-tuning efficiente (LoRA)

Invece di riaddestrare tutto il modello, tecniche come LoRA permettono di modificare solo piccole parti, rendendo l’addestramento accessibile anche con budget limitati.

Le “Allucinazioni”

Le allucinazioni (risposte plausibili ma false) accadono perché il modello genera la sequenza più probabile, non necessariamente quella vera. Questo dipende spesso da dati errati nel dataset originale.

Il problema dei Bias e del Copyright

I dataset non sono neutrali: riflettono stereotipi culturali e pregiudizi presenti nel web. Inoltre, l’uso di testi protetti da diritto d’autore è una delle questioni legali più dibattute oggi.

Come “Impara” un LLM: Una Metafora Visiva

1. Lo Studente Curioso (Pre-addestramento)

Immagina uno studente con accesso all’intera biblioteca digitale del mondo. Non ha compiti specifici, ma un obiettivo: leggere tutto e capire come funziona la lingua. Impara assorbendo conoscenza grezza.

2. L’Allievo Specializzato (Fine-tuning)

Ora lo studente deve prepararsi per compiti specifici. Un insegnante fornisce esercizi mirati: “Se ti chiedo X, rispondi Y”. Impara a dare la risposta giusta a un compito preciso.

3. Il Revisore Esigente (Allineamento RLHF)

Lo studente sa fare i compiti, ma deve imparare a interagire nel modo “giusto”. Dei revisori valutano le sue risposte indicando quale è più educata, sicura o utile. Impara a comportarsi bene.

Sintesi del Processo

  1. Raccolta e pulizia dei testi.
  2. Tokenizzazione (testo trasformato in numeri).
  3. Pretraining (imparare a prevedere la parola successiva).
  4. Fine-tuning su istruzioni.
  5. Allineamento con valori umani (RLHF/DPO).

Risorse e Approfondimenti

Culture Digitali Come vengono addestrati gli LLM: dati, tecniche e sfide. Ranktracker Come funzionano gli LLM: guida completa. DinoGeek Pre-formazione e perfezionamento degli LLM.

Video Lezioni Consigliate

Come funziona l’addestramento di un LLM

Tech Insights

Panoramica tecnica sulle fasi di training dei modelli linguistici.

Guarda il video →

Dataset e Bias nell’AI

AI Ethics

Come i dati influenzano il comportamento e i pregiudizi dei modelli.

Guarda il video →

Instruction Tuning spiegato semplice

Deep Learning Academy

Il passaggio fondamentale da modello grezzo ad assistente.

Guarda il video →

RLHF: Il tocco umano

AI Explained

Come il feedback umano allinea i modelli ai nostri valori.

Guarda il video →
Home Corso

© 2026 Umanesimo Digitale – Corso di Alfabetizzazione sull’AI

YouTube player

YouTube player

Umanesimo Digitale

Esplora il Cuore Digitale: Iscriviti alla Mia Newsletter e Coltiva l’Umanesimo Online!

Immergiti in un flusso di ispirazione, conoscenza e connessione umana digitale.

👉👉Iscrizione newsetter
image 7

Accedi alla mia rivista digitale sull’Umanesimo digitale

☝☝☝☝☝☝☝☝☝☝☝

image 6

Da informatico a cercatore di senso

Unisciti al mio mondo di conoscenza e iscriviti al mio canale WhatsApp.

Sarai parte di una comunità appassionata, sempre aggiornata con i miei pensieri e le mie idee più emozionanti.

Non perderti l’opportunità di essere ispirato ogni giorno, iscriviti ora e condividi questa straordinaria avventura con me!

iscriviti al canale whatsapp

Nota di trasparenza sull’uso dell’AI nel blog

In questo spazio digitale, dedicato alla comprensione critica dell’innovazione tecnologica, desidero condividere con chiarezza due aspetti importanti del lavoro che porto avanti.

Immagini generate con l’AI

La quasi totalità delle immagini presenti nel blog è generata tramite strumenti di intelligenza artificiale. Le utilizzo sia come supporto visivo sia come modo per sperimentare nuove forme di comunicazione creativa, coerenti con i temi trattati.

Un blog nato dalla scrittura… e trasformato dalla velocità dell’AI

Scrivere è sempre stata una mia passione. Dopo anni di appunti, riflessioni e sperimentazioni, tre anni fa è nato questo blog. Fin da subito, però, ho dovuto confrontarmi con una sfida evidente: l’incredibile accelerazione dell’evoluzione scientifica legata all’intelligenza artificiale rende complesso mantenere aggiornato un progetto di divulgazione che ambisce alla qualità e alla precisione.

Per questo, in coerenza con la mia missione di promuovere consapevolezza, oggi più che mai un elemento vitale, ho scelto di farmi affiancare da piattaforme di AI in molte fasi del lavoro editoriale. In particolare, l’AI mi supporta in:

  • ricerca e verifica preliminare delle notizie
  • organizzazione e strutturazione degli articoli
  • creazione di sezioni HTML per FAQ e link alle fonti
  • ideazione di infografiche
  • esplorazione di titoli efficaci e pertinenti

L’obiettivo non è delegare il pensiero, ma amplificare la capacità di analisi e di sintesi, così da offrire contenuti sempre più chiari, accurati e utili.

]]> https://umanesimodigitale.info/dati-ed-addestramento/feed 0 Open Source vs Closed Source https://umanesimodigitale.info/open-source-vs-closed-source https://umanesimodigitale.info/open-source-vs-closed-source#respond Sat, 14 Mar 2026 21:03:41 +0000 https://umanesimodigitale.info/?p=18882 Open Source vs Closed Source: Chi Controlla l'Intelligenza?]]>

Open Source vs Closed Source


Open Source vs Closed Source: Chi Controlla l’Intelligenza?

L’articolo esplora la dicotomia fondamentale nell’ecosistema attuale dell’Intelligenza Artificiale: lo scontro tra modelli proprietari, accessibili solo tramite API (“giardini murati”), e l’universo emergente dei modelli open source. Vengono analizzati i principali attori globali, dal ruolo pionieristico di Llama (Meta) all’efficienza europea di Mistral, fino alla rapida ascesa delle piattaforme orientali come Qwen e DeepSeek. Il testo offre una distinzione critica tra i vari livelli di apertura, pesi, codice e dataset, per demistificare il concetto stesso di “open source” applicato agli LLM. Infine, l’analisi si estende alle implicazioni geopolitiche, illustrando come la scelta tra software aperto e chiuso stia ridisegnando gli equilibri di potere tra Stati Uniti, Europa e Asia, influenzando la sovranità digitale, la privacy e l’accessibilità tecnologica.

ATTENZIONE: Corso in fase di allestimento.
UmanesimoDigitale
Corso Open Source vs Closed Source

Open Source vs Closed Source:
Chi Possiede l’Intelligenza?

La grande dicotomia dell’AI moderna: giardini murati contro libertà di accesso.

Negli ultimi due anni il mondo open source degli LLM ha conosciuto una crescita rapidissima, diventando una vera alternativa ai modelli proprietari sviluppati dalle grandi aziende americane. In questo scenario, alcuni nomi sono diventati centrali: Mistral, Gemma e Llama. Accanto a questi, stanno emergendo anche diverse piattaforme e famiglie di modelli provenienti dall’Asia, in particolare da Cina e Medio Oriente, che stanno contribuendo a ridefinire l’equilibrio globale dell’intelligenza artificiale.

Il significato di “open source” nel mondo LLM

Prima di confrontare i modelli, è importante chiarire che nel settore degli LLM il termine open source viene spesso usato in modo ambiguo. In molti casi, infatti, i modelli non sono completamente open source nel senso classico del software libero: spesso vengono resi disponibili i pesi del modello e talvolta il codice di inferenza, ma non sempre i dataset di addestramento, i dettagli completi del training o licenze pienamente permissive.

Per questo motivo, sarebbe più corretto parlare spesso di open weights piuttosto che di open source puro. Questa distinzione è importante perché incide sulla possibilità di audit, replica, modifica e uso commerciale.

Llama: il modello che ha aperto il mercato

La famiglia Llama di Meta ha avuto un ruolo fondamentale nel democratizzare l’accesso agli LLM. Con LLaMA 1, Meta aveva distribuito il modello in modo relativamente limitato alla ricerca, ma con Llama 2 e soprattutto Llama 3, l’azienda ha favorito una diffusione molto più ampia.

Punti di forza di Llama

  • Ecosistema enorme: Llama è probabilmente il modello con il maggior numero di fine-tuning, fork, quantizzazioni e integrazioni.
  • Supporto della community: strumenti come Ollama, vLLM, Hugging Face Transformers e llama.cpp hanno reso molto semplice eseguire versioni di Llama anche in locale.
  • Buon equilibrio: I modelli sono abbastanza potenti per applicazioni reali, ma leggeri abbastanza per hardware non estremo.

Limiti di Llama

  • Licenza non completamente libera: Meta impone alcune limitazioni, soprattutto per le grandi aziende.
  • Trasparenza parziale: Non tutti gli aspetti del training sono completamente documentati.
  • Dipendenza strategica: Resta un progetto guidato da una big tech con finalità strategiche.

Mistral: efficienza europea e qualità tecnica

Mistral AI, startup francese, si è imposta molto rapidamente come uno degli attori più credibili nel panorama open degli LLM. Modelli come Mistral 7B, Mixtral 8x7B e successivi sviluppi hanno mostrato che è possibile ottenere prestazioni molto elevate con architetture più efficienti.

Punti di forza di Mistral

  • Efficienza architetturale: Modelli compatti ma molto performanti.
  • Architetture MoE: Con Mixtral, ha dimostrato come aumentare la qualità mantenendo costi computazionali contenuti.
  • Posizionamento europeo: Rappresenta una risposta strategica europea al dominio USA e Cina.
  • Ottime performance: Risultati competitivi in coding e ragionamento generale.

Limiti di Mistral

  • Ecosistema più piccolo: La community è inferiore rispetto a quella di Llama.
  • Strategia mista: Pubblica modelli aperti ma tiene altri di punta come prodotti commerciali.
  • Licenze da valutare: Non tutti i modelli hanno lo stesso grado di apertura.

Gemma: l’approccio “aperto ma controllato” di Google

Gemma è la famiglia di modelli “aperti” di Google, derivata in parte dalla ricerca e dall’esperienza accumulata con Gemini. Google ha presentato Gemma come una soluzione per sviluppatori e ricercatori che vogliono utilizzare modelli relativamente moderni senza dipendere esclusivamente dalle API chiuse.

  • Punti di forza: Qualità del training eccellente, buona integrazione con l’ecosistema Google, versioni leggere e accessibili.
  • Limiti: Meno “community-driven” di Llama, licenze più restrittive, minore centralità nel dibattito open source.

Le piattaforme orientali: il nuovo fronte competitivo

Accanto ai modelli occidentali, il panorama asiatico sta diventando sempre più rilevante. In particolare, la Cina sta investendo enormemente negli LLM, sia per ragioni economiche sia per autonomia tecnologica rispetto agli Stati Uniti.

Qwen (Alibaba)

Una delle famiglie più interessanti, con ottime capacità in linguaggio, coding e multilinguismo.

Limiti: Minore diffusione in Occidente e possibili vincoli geopolitici.

DeepSeek & Yi

DeepSeek: Focalizzato su coding e ragionamento, ha raggiunto risultati competitivi nei benchmark.
Yi (01.AI): Ha attirato attenzione per le buone performance, competendo direttamente con i modelli occidentali.

Altri attori (Moonshot AI / Kimi)

Piattaforme molto note nel mercato cinese, che si stanno distinguendo per contesto lungo, integrazione con servizi digitali e forte orientamento al mercato locale.

Caratteristiche distintive dei modelli orientali

  • Fortemente supportati da stato o industria.
  • Grande attenzione al multilinguismo asiatico.
  • Integrazione con ecosistemi locali (super-app, cloud nazionali).
  • Vincoli più forti su censura, moderazione e governance dei contenuti.

Il confronto geopolitico

Il mondo open degli LLM non è solo una questione tecnica, ma anche geopolitica.

  • Stati Uniti: Mantengono la leadership tramite Big Tech (Meta, Google).
  • Europa: Tenta di ritagliarsi spazio con Mistral, puntando su regolazione e sovranità digitale.
  • Cina: Costruisce un ecosistema parallelo capace di servire il proprio mercato e espandersi nei paesi emergenti.

Tendenze future

Guardando avanti, si possono individuare alcune tendenze:

  1. I modelli aperti continueranno a migliorare, riducendo il gap con quelli proprietari.
  2. L’efficienza conterà sempre di più: non vince solo chi ha più parametri.
  3. La distinzione tra open e closed resterà sfumata con strategie ibride.
  4. L’Asia avrà un ruolo crescente.
  5. Il deployment locale diventerà cruciale per privacy e compliance.

Conclusione

Il panorama open source degli LLM è oggi uno dei campi più dinamici dell’innovazione tecnologica. Llama ha aperto il mercato, Mistral si distingue per efficienza europea, Gemma rappresenta l’apertura controllata di Google, mentre i modelli orientali dimostrano che il futuro dell’AI non sarà monopolizzato dall’Occidente. Analizzare questi modelli significa osservare come si stia ridisegnando il rapporto tra tecnologia, mercato e potere globale.

Risorse e Video Approfondimenti

Mistral AI Sito ufficiale del campione europeo dell’AI Open. Ollama Lo strumento più semplice per eseguire LLM in locale.

Video Lezioni Consigliate

Open Source AI Explained

Tech Insights

Analisi approfondita sul significato e l’impatto dell’AI open source.

Guarda il video →

Mistral AI Overview

AI Explained

Come Mistral sta cambiando le regole del gioco.

Guarda il video →

Llama 3 Analysis

AI Search

Approfondimento sull’ultima generazione di modelli Meta.

Guarda il video →

Local LLM Guide

NetworkChuck

Come installare e far girare modelli sul proprio PC.

Guarda il video →

Gemma: Google’s Open Model

Google Developers

Introduzione alla famiglia di modelli aperti di Google.

Guarda il video →

Chinese AI Models Rising

AI Grid

L’ascesa di DeepSeek, Qwen e altri modelli orientali.

Guarda il video →

DeepSeek R1 vs OpenAI

AI Coffee Break

Confronto tecnico tra il nuovo modello cinese e GPT.

Guarda il video →

Qwen 2.5 Review

Prompt Engineering

Recensione del potente modello open source di Alibaba.

Guarda il video →

Yi Model Analysis

AI News

Analisi delle capacità del modello Yi di 01.AI.

Guarda il video →

Open Weights vs Closed

Lex Fridman

Discussione filosofica e tecnica sulla proprietà dei modelli.

Guarda il video →

Future of Open Source AI

a16z

Le prospettive future per l’ecosistema open source.

Guarda il video →

Geopolitics of AI

Foreign Affairs

Come l’AI open source influenza gli equilibri globali.

Guarda il video →
Home Corso

© 2024 Umanesimo Digitale – Corso di Alfabetizzazione sull’AI

YouTube player

HuggingFace

YouTube player
Umanesimo Digitale

Esplora il Cuore Digitale: Iscriviti alla Mia Newsletter e Coltiva l’Umanesimo Online!

Immergiti in un flusso di ispirazione, conoscenza e connessione umana digitale.

👉👉Iscrizione newsetter
image 7

Accedi alla mia rivista digitale sull’Umanesimo digitale

☝☝☝☝☝☝☝☝☝☝☝

image 6

Da informatico a cercatore di senso

Unisciti al mio mondo di conoscenza e iscriviti al mio canale WhatsApp.

Sarai parte di una comunità appassionata, sempre aggiornata con i miei pensieri e le mie idee più emozionanti.

Non perderti l’opportunità di essere ispirato ogni giorno, iscriviti ora e condividi questa straordinaria avventura con me!

iscriviti al canale whatsapp

Nota di trasparenza sull’uso dell’AI nel blog

In questo spazio digitale, dedicato alla comprensione critica dell’innovazione tecnologica, desidero condividere con chiarezza due aspetti importanti del lavoro che porto avanti.

Immagini generate con l’AI

La quasi totalità delle immagini presenti nel blog è generata tramite strumenti di intelligenza artificiale. Le utilizzo sia come supporto visivo sia come modo per sperimentare nuove forme di comunicazione creativa, coerenti con i temi trattati.

Un blog nato dalla scrittura… e trasformato dalla velocità dell’AI

Scrivere è sempre stata una mia passione. Dopo anni di appunti, riflessioni e sperimentazioni, tre anni fa è nato questo blog. Fin da subito, però, ho dovuto confrontarmi con una sfida evidente: l’incredibile accelerazione dell’evoluzione scientifica legata all’intelligenza artificiale rende complesso mantenere aggiornato un progetto di divulgazione che ambisce alla qualità e alla precisione.

Per questo, in coerenza con la mia missione di promuovere consapevolezza, oggi più che mai un elemento vitale, ho scelto di farmi affiancare da piattaforme di AI in molte fasi del lavoro editoriale. In particolare, l’AI mi supporta in:

  • ricerca e verifica preliminare delle notizie
  • organizzazione e strutturazione degli articoli
  • creazione di sezioni HTML per FAQ e link alle fonti
  • ideazione di infografiche
  • esplorazione di titoli efficaci e pertinenti

L’obiettivo non è delegare il pensiero, ma amplificare la capacità di analisi e di sintesi, così da offrire contenuti sempre più chiari, accurati e utili.

]]> https://umanesimodigitale.info/open-source-vs-closed-source/feed 0 Come Funziona l’AI: Dai Neural Networks agli LLM https://umanesimodigitale.info/come-funziona https://umanesimodigitale.info/come-funziona#respond Thu, 12 Mar 2026 10:43:51 +0000 https://umanesimodigitale.info/?p=18753 ATTENZIONE: Corso in fase di allestimento. UmanesimoDigitale Home Corso Open Source vs Closed Source Dati e Addestramento Corso Come Funziona Come Funziona l’AI: Neural Networks e LLM Entrare nel motore dell’intelligenza artificiale: dai neuroni artificiali alla previsione del linguaggio. Oggi sentiamo parlare quotidianamente di AI, ChatGPT, Deep Learning e Machine Learning, spesso usati come sinonimi, […]]]>

Come Funziona l'AI: Dai Neural Networks agli LLM


L’Architettura dell’Intelligenza: Dai Sistemi a Regole all’AI Generativa

Questo articolo apre il “cofano” dell’Intelligenza Artificiale per svelarne il funzionamento tecnico, tracciando un percorso evolutivo fondamentale: il passaggio dai sistemi deterministici basati su regole rigide (come ELIZA o Deep Blue) ai moderni paradigmi dell’apprendimento automatico. Vengono approfonditi i pilastri dell’AI contemporanea, dal Machine Learning alle Reti Neurali profonde (Deep Learning), illustrando come queste ultime imitino la struttura biologica per riconoscere pattern complessi, come distinguere un gatto in una foto, senza istruzioni esplicite. Infine, il testo demistifica i Large Language Models (LLM) e l’AI Generativa, spiegando come tecnologie come ChatGPT non “sappiano” nulla, ma calcolino probabilità statistiche per generare contenuti nuovi e coerenti

ATTENZIONE: Corso in fase di allestimento.
UmanesimoDigitale
Corso Come Funziona

Come Funziona l’AI:
Neural Networks e LLM

Entrare nel motore dell’intelligenza artificiale: dai neuroni artificiali alla previsione del linguaggio.

Oggi sentiamo parlare quotidianamente di AI, ChatGPT, Deep Learning e Machine Learning, spesso usati come sinonimi, creando una grande confusione. Facciamo chiarezza: quando si parla di Intelligenza Artificiale, non dobbiamo immaginare per forza robot umanoidi o cervelli elettronici super-intelligenti. Possiamo definirla più semplicemente come una disciplina che studia come realizzare sistemi capaci di simulare un comportamento intelligente, come il riconoscimento facciale, i consigli di Netflix o le previsioni del meteo.

1. L’Evoluzione: Da Sistemi a Regole all’Apprendimento

Per capire come funzionano i modelli moderni, dobbiamo guardare al passato.

  • L’approccio “congelato” (anni ’60-’90): I primi sistemi, come ELIZA (1966) o Deep Blue (1997), erano basati su regole rigide. ELIZA simulava uno psicoterapeuta usando il pattern matching (se trovi la parola “triste”, rispondi “perché sei triste?”). Deep Blue batteva Kasparov calcolando milioni di mosse al secondo. Erano incredibilmente veloci, ma “stupidi”: non imparavano nulla. Il loro comportamento era “congelato” nelle righe di codice scritte dai programmatori.
  • La svolta del Machine Learning: Il vero cambiamento avviene quando si inverte il paradigma: non siamo noi a dire al modello “come comportarsi”, ma è il modello a imparare da solo osservando gli esempi. È come un bambino che impara a distinguere un gatto da un cane guardando migliaia di foto, senza leggere un manuale di istruzioni biologiche.

2. Neural Networks: Imitare la Biologia

Al cuore di questa rivoluzione ci sono le Reti Neurali (Neural Networks), ispirate al nostro cervello. Immagina un sistema composto da strati (layers) di “neuroni” artificiali.

  • Come riconoscere un gatto: Se dovessimo scrivere le regole per riconoscere un gatto (forma delle orecchie, colore del pelo, sfondo, angolazione), il codice sarebbe infinito. Una rete neurale, invece, impara autonomamente. I primi strati riconoscono forme e colori semplici; gli strati successivi combinano queste informazioni per riconoscere profili più complessi (come le orecchie); gli strati finali identificano l’oggetto completo. Nessuno ha insegnato alla macchina “cos’è un orecchio”, l’ha capito da sola analizzando i dati.

Deep Learning vs Machine Learning

Il Machine Learning è l’insieme delle tecniche per far imparare le macchine. Quando usiamo reti neurali con molti strati (“profonde”), entriamo nel ambito del Deep Learning. Maggiore è la profondità, più complessi sono i problemi che il sistema può risolvere.

3. LLM (Large Language Models): Il Salto Qualitativo

Gli LLM, come GPT-4, rappresentano l’apice attuale del Deep Learning applicato al linguaggio. Ma come fanno a “capire”?

Tokenizzazione: Il Linguaggio come Matematica

Il primo passaggio è trasformare le parole in numeri. Il testo viene spezzettato in “token” (pezzi di parole). Un LLM vede il linguaggio non come significato umano, ma come una lunga sequenza numerica.

Il Meccanismo “Attention”

Il vero segreto dei moderni LLM è l’architettura Transformer, basata sul meccanismo di “Attenzione”. Permette al modello di capire quali parole in una frase sono più importanti rispetto alle altre per prevedere la successiva.

AI Generativa: Creare, non solo Classificare

La differenza fondamentale tra i sistemi passati e quelli attuali (AI Generativa) è la capacità di creare. Non si limitano a classificare un’immagine o a seguire una regola, ma generano testo, immagini, codice e musica inediti. ChatGPT, ad esempio, non “sa” cosa sta dicendo, ma calcola la probabilità statistica che una certa sequenza di parole segua un’altra, basandosi su miliardi di parametri appresi durante l’addestramento.

Risorse e Approfondimenti

IBM Cosa sono le reti neurali? Una guida completa. Cloudflare Che cos’è un Large Language Model (LLM)?

Video Lezioni Consigliate

AI, Machine Learning e Deep Learning spiegati facile

Datapizza

Un video chiaro che spiega le differenze tra i concetti fondamentali e l’evoluzione dai sistemi a regole all’AI generativa.

Guarda il video →

Intelligenza Artificiale: cos’è e come funziona

Datapizza

Approfondimento sui meccanismi base dell’intelligenza artificiale.

Guarda il video →

Reti Neurali: Come funzionano?

Tech Insights

Spiegazione tecnica ma accessibile sulle reti neurali artificiali.

Guarda il video →

Machine Learning: Introduzione

Corso AI

I principi fondamentali dell’apprendimento automatico.

Guarda il video →

Deep Learning: Il cuore dell’AI moderna

Educazione Digitale

Perché il Deep Learning ha cambiato tutto nel campo dell’intelligenza artificiale.

Guarda il video →

I diversi tipi di AI

Deeplearning.ai

Andrew Ng spiega le differenze fondamentali tra i vari approcci e capacità dei modelli.

Guarda il video →

Introduzione all’AI Generativa

Tech Academy

Come funzionano i modelli che creano contenuti come testo e immagini.

Guarda il video →
Home Corso

© 2026 Umanesimo Digitale – Corso di Alfabetizzazione sull’AI

Intelligenza Artificiale
Intelligenza Artificiale

YouTube player

Risorse Video Aggiornate

Esplora i nuovi orizzonti e le basi fondamentali dell’intelligenza artificiale.

Gli LLM che generano testo: come funzionano, come si sono evoluti e quali differenze ci sono oggi tra le principali piattaforme

Siamo arrivati a un punto centrale di ogni percorso di alfabetizzazione sull’intelligenza artificiale: capire come funzionano gli LLM che generano testo, perché scrivono in un certo modo, quali tecniche usano, come si sono evoluti negli ultimi anni e in che cosa differiscono le principali piattaforme oggi disponibili.

Quando un utente vede un sistema come ChatGPT, Claude, Gemini o Grok scrivere un testo coerente, spesso ha l’impressione di trovarsi davanti a una forma di intelligenza simile a quella umana. In realtà, alla base di questi sistemi c’è un principio ancora profondamente statistico e probabilistico: il modello genera testo scegliendo, passo dopo passo, il token più probabile o più adatto in base al contesto.

Questo, però, non significa che gli LLM siano “semplici”. Negli ultimi tre anni si è assistito a un’evoluzione rapidissima: i modelli non si limitano più a completare frasi, ma possono seguire istruzioni, mantenere uno stile, ricordare preferenze dell’utente, leggere documenti, generare file, usare internet, collegarsi a strumenti esterni, lavorare dentro progetti persistenti e persino essere configurati come entità verticali specializzate.

Questo articolo vuole offrire una visione chiara ma approfondita di tutto questo, con una parte finale dedicata a una comparazione tra i principali LLM occidentali e alcune piattaforme orientali.

1. Come generano testo gli LLM: il principio statistico

Alla base di un LLM c’è un’idea relativamente semplice da enunciare, anche se molto complessa da realizzare tecnicamente: il modello impara a prevedere il token successivo in una sequenza.

1.1 Che cosa significa “prevedere il token successivo”

Se il modello riceve un testo come:

“Oggi il cielo è molto…”

deve stimare quale token abbia la probabilità più alta di venire dopo. Potrebbe scegliere:

  • “nuvoloso”
  • “sereno”
  • “bello”
  • “coperto”

La scelta non è casuale: dipende dai pattern statistici appresi durante l’addestramento su enormi quantità di testo.

1.2 Il token non è sempre una parola

Gli LLM non lavorano direttamente con parole intere, ma con token, cioè unità di testo che possono essere:

  • parole complete,
  • parti di parola,
  • punteggiatura,
  • sequenze frequenti di caratteri.

Quindi il modello non “pensa” come un essere umano: elabora sequenze numeriche e calcola quali token sono più probabili dato il contesto precedente.

1.3 Perché il risultato sembra intelligente

Anche se il meccanismo di base è statistico, la scala dell’addestramento è talmente grande che il modello finisce per apprendere:

  • grammatica,
  • sintassi,
  • stile,
  • relazioni semantiche,
  • strutture argomentative,
  • schemi di ragionamento,
  • associazioni concettuali,
  • forme di dialogo.

In pratica, prevedendo miliardi di volte il token successivo, il modello costruisce una rappresentazione molto sofisticata del linguaggio.

2. Dalla statistica classica agli LLM moderni

Per capire l’evoluzione recente, bisogna ricordare che la generazione statistica del testo non nasce con ChatGPT.

2.1 I modelli statistici tradizionali

Prima dei transformer, esistevano già modelli linguistici basati su probabilità:

  • n-grammi,
  • modelli di Markov,
  • language model probabilistici classici.

Questi sistemi stimavano la probabilità di una parola in base a poche parole precedenti. Erano utili, ma avevano limiti enormi:

  • contesto molto corto,
  • scarsa generalizzazione,
  • difficoltà con frasi complesse,
  • poca coerenza a lungo raggio.

2.2 L’arrivo delle reti neurali

Le reti neurali hanno migliorato molto la capacità di modellare il linguaggio, introducendo rappresentazioni distribuite delle parole (word embeddings) e poi architetture più evolute come RNN e LSTM.

2.3 Il salto dei transformer

Il vero punto di svolta è arrivato con l’architettura Transformer, che ha reso possibile:

  • gestire contesti più lunghi,
  • parallelizzare meglio l’addestramento,
  • apprendere relazioni più complesse tra parole e frasi,
  • scalare a dimensioni enormi.

Da qui nascono gli LLM moderni.

3. Come gli LLM sono migliorati negli ultimi 3 anni

Negli ultimi tre anni non è cambiata solo la dimensione dei modelli: sono cambiate soprattutto le funzionalità, il modo di interagire, la persistenza del contesto e la capacità di integrarsi con strumenti esterni.

Le principali innovazioni sono state queste:

  1. instruction following, cioè la capacità di seguire istruzioni;
  2. miglioramento dello stile di scrittura;
  3. finestre di contesto sempre più ampie;
  4. memoria breve e memoria persistente;
  5. lettura e produzione di documenti;
  6. accesso a internet e retrieval dinamico;
  7. uso di tool esterni via API o MCP;
  8. profili utente, prompt di sistema e personalizzazione;
  9. creazione di agenti o entità verticali autonome;
  10. multimodalità, cioè la capacità di lavorare non solo con testo.

Vediamole una per una.

4. Migliorare la scrittura: dalle risposte grezze agli stili controllabili

All’inizio, molti modelli linguistici erano bravi a completare testo, ma non necessariamente a scrivere bene per un utente reale. Negli ultimi anni si è lavorato moltissimo sulla qualità della scrittura.

4.1 Instruction tuning

Una delle tecniche decisive è stato l’instruction tuning: il modello viene addestrato su esempi in cui un utente chiede qualcosa e il sistema risponde nel modo desiderato.

Questo ha migliorato:

  • chiarezza,
  • struttura,
  • aderenza alla richiesta,
  • capacità di sintetizzare,
  • capacità di spiegare.

4.2 RLHF e tecniche di preferenza

Con il RLHF (Reinforcement Learning from Human Feedback) e poi con metodi più recenti come DPO, i modelli sono stati raffinati per produrre risposte più utili, leggibili e gradite agli utenti.

Questo ha portato a:

  • tono più naturale,
  • minore rigidità,
  • maggiore cortesia,
  • migliore organizzazione del testo,
  • maggiore attenzione alla forma.

4.3 Controllo dello stile

Oggi gli LLM possono scrivere in molti stili diversi:

  • formale,
  • accademico,
  • giornalistico,
  • divulgativo,
  • tecnico,
  • creativo,
  • sintetico,
  • promozionale,
  • burocratico,
  • colloquiale.

La capacità di cambiare registro dipende da:

  • addestramento,
  • prompt dell’utente,
  • system prompt,
  • memoria delle preferenze,
  • eventuale profilo o progetto attivo.

5. Gli stili possibili e la personalizzazione della scrittura

Uno degli aspetti più interessanti degli LLM moderni è che non generano solo “testo corretto”, ma possono adattarsi a stili, ruoli e contesti diversi.

5.1 Adattamento di tono

Un modello può essere istruito a comportarsi come:

  • tutor,
  • consulente,
  • copywriter,
  • tecnico,
  • editor,
  • insegnante,
  • avvocato virtuale,
  • assistente amministrativo.

5.2 Adattamento di struttura

Può anche seguire formati specifici:

  • elenco puntato,
  • tabella,
  • articolo,
  • relazione,
  • report,
  • mail,
  • abstract,
  • post social,
  • script,
  • FAQ.

5.3 Personalizzazione stabile

Negli ultimi anni le piattaforme più avanzate hanno introdotto sistemi che permettono di mantenere nel tempo:

  • tono preferito,
  • livello di dettaglio,
  • lingua abituale,
  • formato desiderato,
  • professione o ruolo dell’utente,
  • obiettivi ricorrenti.

Questa è una delle basi della cosiddetta memoria persistente.

6. Memoria a breve termine e memoria a lungo termine

Quando si parla di memoria negli LLM bisogna distinguere bene due livelli.

6.1 Memoria a breve termine: il contesto della conversazione

La memoria a breve termine è ciò che il modello riesce a “tenere in mente” nella sessione corrente. Dipende dalla finestra di contesto.

Se in una conversazione hai scritto:

  • chi sei,
  • cosa stai facendo,
  • quali vincoli vuoi imporre,
  • quale testo stai analizzando,

il modello può usare queste informazioni finché restano nel contesto attivo.

6.2 Memoria a lungo termine: preferenze e profilo

Negli ultimi anni alcune piattaforme hanno introdotto forme di memoria persistente, cioè la capacità di ricordare tra una sessione e l’altra:

  • preferenze di stile,
  • interessi,
  • progetti in corso,
  • abitudini di lavoro,
  • dati contestuali utili.

Questa memoria non è sempre automatica né sempre uguale in tutte le piattaforme. Può essere:

  • esplicita,
  • configurabile,
  • limitata,
  • mediata dal prodotto più che dal modello puro.

6.3 Limiti della memoria

È importante capire che questa memoria non equivale a una coscienza continua. È una combinazione di:

  • contesto salvato,
  • profilo utente,
  • istruzioni persistenti,
  • recupero di informazioni precedenti.

7. Le finestre di contesto: cosa sono e perché contano

La finestra di contesto indica quanti token il modello può considerare in una singola interazione.

7.1 Perché è importante

Una finestra di contesto ampia permette di:

  • leggere documenti lunghi,
  • seguire conversazioni complesse,
  • analizzare codice esteso,
  • confrontare più testi,
  • mantenere coerenza in task articolati.

7.2 Evoluzione recente

Negli ultimi tre anni si è passati da contesti relativamente limitati a finestre molto più grandi, in alcuni casi enormi. Questo ha cambiato radicalmente l’uso pratico degli LLM:

  • da chatbot brevi a strumenti di lavoro documentale;
  • da risposte isolate a flussi complessi;
  • da assistenza generica a analisi su grandi basi testuali.

7.3 Limiti pratici

Avere una finestra grande non significa automaticamente:

  • capire tutto perfettamente,
  • ricordare tutto con la stessa precisione,
  • ragionare meglio su ogni parte del testo.

Spesso le prestazioni degradano verso le parti più lontane del contesto, e la qualità dipende anche dall’architettura e dall’ottimizzazione.

8. Leggere documenti e produrre documenti

Una delle trasformazioni più importanti degli LLM moderni è il passaggio dal semplice input testuale alla gestione di documenti completi.

8.1 Lettura di documenti

Oggi molte piattaforme possono leggere:

  • PDF,
  • Word,
  • fogli di calcolo,
  • presentazioni,
  • immagini con testo,
  • documenti lunghi e strutturati.

Questo permette usi come:

  • riassunto di report,
  • analisi contrattuale,
  • revisione di tesi,
  • estrazione di dati,
  • confronto tra versioni di documenti.

8.2 Produzione di documenti

Molti sistemi possono anche generare:

  • report strutturati,
  • PDF,
  • documenti testuali,
  • presentazioni,
  • tabelle,
  • contenuti esportabili.

Qui va fatta una distinzione:

  • il modello genera il contenuto;
  • la piattaforma spesso fornisce la funzione di esportazione o conversione in PDF, DOCX o altri formati.

Quindi la capacità di “produrre un PDF” spesso non è una proprietà del modello in sé, ma dell’ambiente che lo circonda.

9. Accesso a internet

Un’altra grande evoluzione è la possibilità di accedere al web.

9.1 Perché è importante

I modelli base sono addestrati su dati che hanno un taglio temporale: non sanno automaticamente tutto ciò che è accaduto dopo il training. L’accesso a internet serve per:

  • aggiornare informazioni,
  • cercare fonti recenti,
  • verificare dati,
  • navigare pagine,
  • raccogliere contenuti in tempo reale.

9.2 Differenza tra modello e browsing

Anche qui bisogna distinguere:

  • il modello linguistico genera e interpreta testo;
  • il browser tool o il sistema di retrieval recupera contenuti dal web.

L’utente spesso percepisce tutto come un’unica intelligenza, ma tecnicamente si tratta di un’integrazione tra modello e strumenti esterni.

10. Accesso a tool esterni e MCP

Negli ultimi tempi è diventato sempre più importante il collegamento tra LLM e strumenti esterni.

10.1 Tool use

Un LLM può essere messo in grado di usare:

  • database,
  • motori di ricerca,
  • file system,
  • CRM,
  • strumenti di calcolo,
  • servizi cloud,
  • API aziendali.

10.2 MCP

Il riferimento all’MCP (Model Context Protocol) riguarda un approccio standardizzato che consente ai modelli di collegarsi in modo più ordinato a fonti e strumenti esterni.

Questo è importante perché trasforma il modello da semplice generatore di testo a orchestratore di azioni.

10.3 Cosa cambia

Con i tool esterni un LLM non si limita più a “dire”:

  • può cercare,
  • recuperare,
  • confrontare,
  • compilare,
  • aggiornare,
  • eseguire workflow.

Questa è una delle basi dell’AI agentica contemporanea.

11. Profili utente, prompt di sistema e personalizzazione

Un LLM non risponde solo in base alla richiesta immediata. Sempre più spesso opera dentro una struttura composta da diversi livelli di istruzioni.

11.1 Prompt utente

È ciò che scrive direttamente l’utente.

11.2 Prompt di sistema

È l’insieme di istruzioni che definiscono:

  • ruolo del modello,
  • tono,
  • limiti,
  • priorità,
  • policy di comportamento.

Il prompt di sistema è fondamentale perché orienta il comportamento in modo stabile.

11.3 Profilo utente

Le piattaforme più evolute permettono di associare all’utente un profilo con:

  • preferenze,
  • stile,
  • obiettivi,
  • contesto ricorrente,
  • istruzioni permanenti.

Questo rende l’interazione più efficiente e personalizzata.

12. GPTs, Gems, Projects e altre entità verticali

Una delle innovazioni più interessanti è la possibilità di creare entità specializzate costruite sopra un LLM generalista.

12.1 Cosa sono

Sono configurazioni autonome o semi-autonome che combinano:

  • prompt di sistema,
  • istruzioni permanenti,
  • file di riferimento,
  • tool specifici,
  • memoria dedicata,
  • obiettivi verticali.

12.2 Esempi

  • GPTs in ChatGPT,
  • Gems in Gemini,
  • Projects o spazi persistenti in altre piattaforme,
  • agenti configurati in ambienti enterprise,
  • assistenti verticali custom.

12.3 A cosa servono

Servono a creare funzionalità specializzate, ad esempio:

  • assistente legale,
  • tutor didattico,
  • revisore di testi,
  • analista di bilanci,
  • generatore di preventivi,
  • supporto customer care,
  • copilota per programmazione.

Queste entità non sono nuovi modelli addestrati da zero: sono configurazioni applicative che rendono il modello più utile in un dominio specifico.

13. Analisi comparativa: i principali LLM in questo ambito

Passiamo ora al confronto tra i principali attori: ChatGPT, Gemini, Claude, Grok, Meta/Llama, Mistral e alcune piattaforme orientali.

Va fatta una precisazione importante: Meta è l’azienda, mentre Llama è la famiglia di modelli. Quindi, in senso stretto, non sono due entità separate sul piano del modello, ma si può parlare di Meta come piattaforma/strategia e di Llama come famiglia tecnica.

14. ChatGPT

14.1 Punti di forza

ChatGPT è probabilmente la piattaforma più completa dal punto di vista dell’esperienza utente. Negli ultimi anni ha integrato in modo molto efficace:

  • generazione testuale di alta qualità,
  • stili diversi,
  • memoria utente,
  • gestione file,
  • accesso al web,
  • strumenti avanzati,
  • creazione di GPTs personalizzati.

14.2 Scrittura e stile

È molto forte nella scrittura:

  • naturale,
  • fluida,
  • adattabile,
  • ben strutturata.

Sa passare bene tra tono accademico, giornalistico, tecnico e divulgativo.

14.3 Memoria

È una delle piattaforme che hanno lavorato di più sulla memoria persistente lato prodotto.

14.4 Documenti e tool

Legge documenti, li analizza, produce contenuti strutturati e può essere esteso con GPTs e strumenti esterni.

14.5 Limiti

  • forte dipendenza dall’ecosistema proprietario;
  • scarsa trasparenza tecnica;
  • non eseguibile in locale.

15. Gemini

15.1 Punti di forza

Gemini è particolarmente forte in:

  • multimodalità,
  • contesto ampio,
  • integrazione con l’ecosistema Google,
  • gestione di documenti e workflow.

15.2 Scrittura

La qualità della scrittura è elevata, anche se spesso viene percepita come meno “calda” o meno rifinita di ChatGPT in alcuni usi creativi, mentre è molto forte in compiti analitici e integrati con strumenti.

15.3 Gems e personalizzazione

La possibilità di creare Gems va proprio nella direzione delle entità verticali personalizzate.

15.4 Documenti e internet

Qui Gemini è fortissimo, soprattutto se integrato con Drive, Workspace e strumenti Google.

15.5 Limiti

  • esperienza utente talvolta meno uniforme;
  • ecosistema meno “iconico” rispetto a ChatGPT per il grande pubblico.

16. Claude

16.1 Punti di forza

Claude è spesso considerato eccellente in:

  • analisi di testi lunghi,
  • scrittura ordinata e professionale,
  • ragionamento documentale,
  • gestione di grandi contesti.

16.2 Scrittura

Claude tende a produrre testi molto chiari, ben organizzati, spesso sobri e professionali. È molto forte in:

  • report,
  • analisi,
  • sintesi,
  • documenti strutturati.

16.3 Memoria e contesto

Più che sulla memoria personale, Claude eccelle nella memoria contestuale e nella finestra di contesto ampia.

16.4 Tool e progetti

Sta evolvendo verso maggiore integrazione con strumenti e ambienti di lavoro, ma il suo marchio distintivo resta la qualità sul testo lungo.

16.5 Limiti

  • minore centralità consumer;
  • meno orientato alla costruzione di un ecosistema “di massa” rispetto a OpenAI e Google.

17. Grok

17.1 Punti di forza

Grok si distingue soprattutto per:

  • accesso a informazioni aggiornate,
  • integrazione con il mondo X,
  • stile più diretto e meno istituzionale.

17.2 Scrittura

Può risultare efficace in contesti dinamici, ma non è sempre percepito come il più raffinato sul piano della scrittura strutturata rispetto a ChatGPT o Claude.

17.3 Internet e attualità

Qui ha un vantaggio competitivo importante: la connessione con flussi informativi in tempo reale.

17.4 Limiti

  • ecosistema meno maturo;
  • minore standardizzazione per uso enterprise;
  • qualità da valutare molto in base al caso d’uso.

18. Meta / Llama

18.1 Punti di forza

Llama è il riferimento principale nel mondo open weight occidentale. È fondamentale per:

  • deployment locale,
  • privacy,
  • personalizzazione,
  • fine-tuning,
  • creazione di assistenti verticali indipendenti.

18.2 Scrittura

La qualità della scrittura può essere molto buona, ma spesso dipende dal fine-tuning, dal wrapper applicativo e dalla configurazione. “Out of the box” può essere meno rifinito dei migliori modelli chiusi.

18.3 Memoria e tool

Non offre nativamente la stessa esperienza prodotto di ChatGPT o Gemini, ma permette agli sviluppatori di costruire:

  • memoria personalizzata,
  • profili,
  • tool use,
  • agenti,
  • sistemi documentali.

18.4 Limiti

  • richiede competenze tecniche;
  • l’esperienza finale dipende molto dall’implementazione;
  • non sempre raggiunge il top closed-source in qualità immediata.

19. Mistral

19.1 Punti di forza

Mistral è uno degli attori più interessanti per efficienza, qualità e valore strategico europeo.

19.2 Scrittura

I modelli Mistral sono spesso molto validi nella scrittura tecnica e professionale, con un buon rapporto tra qualità e leggerezza.

19.3 Verticalizzazione

Come Llama, Mistral è molto interessante per creare soluzioni verticali, soprattutto in contesti aziendali che vogliono:

  • controllo,
  • costi prevedibili,
  • deployment personalizzato.

19.4 Limiti

  • ecosistema più piccolo;
  • minore forza consumer;
  • alcune funzionalità avanzate dipendono più dalla piattaforma che dal modello.

20. Le piattaforme orientali

Accanto ai modelli occidentali, stanno crescendo molto anche le piattaforme orientali, soprattutto cinesi.

20.1 Attori principali

Tra i più rilevanti:

  • Qwen (Alibaba),
  • DeepSeek,
  • Yi,
  • Baichuan,
  • Kimi/Moonshot.

20.2 Punti di forza

Questi modelli sono spesso molto competitivi in:

  • coding,
  • efficienza,
  • contesti lunghi,
  • multilinguismo asiatico,
  • integrazione con ecosistemi locali.

20.3 Verticalizzazione e tool

Molte piattaforme orientali stanno sviluppando funzioni molto avanzate anche su:

  • documenti,
  • agenti,
  • retrieval,
  • workflow produttivi.

20.4 Limiti

  • minore diffusione in Occidente;
  • questioni geopolitiche;
  • filtri normativi e di governance più forti;
  • ecosistemi meno familiari al pubblico europeo.

21. Confronto sintetico per area funzionale

21.1 Migliore scrittura generalista

  • ChatGPT: molto forte per equilibrio tra naturalezza, adattabilità e completezza.
  • Claude: eccellente per scrittura ordinata e professionale.
  • Gemini: molto forte, soprattutto in workflow integrati.

21.2 Testi lunghi e documenti

  • Claude e Gemini sono particolarmente forti.
  • ChatGPT è molto competitivo grazie all’integrazione di strumenti.
  • Llama e Mistral dipendono dall’implementazione.

21.3 Memoria e personalizzazione

  • ChatGPT è oggi tra i più avanzati come prodotto.
  • Gemini si muove bene con Gems e integrazione ecosistemica.
  • Claude è forte sul contesto ma meno centrato sulla memoria personale.
  • Llama/Mistral permettono memoria custom costruita dagli sviluppatori.

21.4 Tool esterni e agenti

  • ChatGPT e Gemini sono molto evoluti lato piattaforma.
  • Claude cresce rapidamente.
  • Llama e Mistral sono fortissimi per chi vuole costruire architetture personalizzate.
  • Le piattaforme orientali stanno accelerando molto.

21.5 Apertura e controllo

  • Llama e Mistral vincono per controllo e deployment.
  • ChatGPT, Gemini, Claude, Grok restano ecosistemi proprietari.
  • Qwen e DeepSeek sono molto interessanti come alternative open-weight orientali.

22. Conclusione

Gli LLM che generano testo restano, nella loro essenza, sistemi statistici che prevedono sequenze di token. Ma negli ultimi tre anni questi sistemi si sono evoluti enormemente, trasformandosi da semplici modelli di completamento a vere e proprie piattaforme di lavoro cognitivo.

Oggi non conta solo la capacità di generare testo corretto. Contano anche:

  • la qualità della scrittura,
  • la varietà degli stili,
  • la memoria breve e lunga,
  • la finestra di contesto,
  • la lettura e produzione di documenti,
  • l’accesso a internet,
  • l’uso di tool esterni,
  • i profili utente,
  • i prompt di sistema,
  • la possibilità di creare entità verticali autonome.

In questo scenario:

  • ChatGPT è probabilmente la piattaforma più completa e versatile;
  • Gemini è fortissimo nella multimodalità e nell’integrazione con l’ecosistema Google;
  • Claude eccelle nel testo lungo e nella scrittura professionale;
  • Grok si distingue per aggiornamento e integrazione con flussi live;
  • Llama e Mistral sono fondamentali per chi cerca apertura, controllo e personalizzazione;
  • le piattaforme orientali stanno diventando sempre più competitive e non possono più essere considerate marginali.

La vera alfabetizzazione sugli LLM, quindi, non consiste solo nel saperli usare, ma nel capire che cosa fanno davvero, come lo fanno, quali strumenti li potenziano e quali differenze esistono tra i vari ecosistemi.

Se vuoi, nel messaggio successivo posso anche:

  1. trasformare questo testo in una lezione più didattica da corso, con paragrafi più brevi e tono da docente;
  2. aggiungere una tabella comparativa finale tra ChatGPT, Gemini, Claude, Grok, Llama, Mistral, Qwen e DeepSeek;
  3. renderlo più accademico, come testo per dispensa o manuale;
  4. dividere il contenuto in slid

1. Le 10 innovazioni principali negli LLM moderni

Quando si confrontano i modelli più recenti, le innovazioni più rilevanti sono generalmente queste:

  1. finestre di contesto molto più ampie
  2. multimodalità nativa o avanzata
  3. memoria e personalizzazione dell’interazione
  4. miglioramento del ragionamento multi-step
  5. tool use e agentic behavior
  6. coding più robusto e strutturato
  7. maggiore efficienza inferenziale
  8. maggiore sicurezza e allineamento
  9. deployment flessibile e scalabilità enterprise
  10. specializzazione e adattabilità tramite fine-tuning o modularità

Per sostenere queste innovazioni, non basta “ingrandire” il modello: servono cambiamenti nell’architettura, nel training, nell’infrastruttura e nella gestione del contesto.

2. Le principali leve architetturali usate dagli LLM

Prima di entrare nei singoli modelli, conviene capire quali tipi di innovazione architetturale vengono usati in generale.

2.1 Transformer ottimizzato

La base resta quasi sempre il Transformer, ma con molte ottimizzazioni:

  • attenzione più efficiente;
  • gestione migliore delle sequenze lunghe;
  • parallelizzazione più spinta;
  • inferenza più rapida.

2.2 Positional encoding migliorati

Per aumentare la finestra di contesto, i modelli hanno dovuto migliorare il modo in cui rappresentano la posizione dei token:

  • RoPE e varianti;
  • scaling delle positional embeddings;
  • tecniche di extrapolazione del contesto.

2.3 KV cache ottimizzata

Per gestire conversazioni lunghe e inferenza efficiente, si potenzia la key-value cache, che evita di ricalcolare tutto da zero a ogni token generato.

2.4 Mixture of Experts (MoE)

Alcuni modelli usano architetture MoE, in cui non tutti i parametri vengono attivati per ogni token. Questo consente:

  • più capacità totale;
  • costo inferenziale più basso rispetto a un modello denso equivalente;
  • maggiore specializzazione interna.

2.5 Moduli multimodali

Per supportare immagini, audio o video, servono:

  • encoder visivi;
  • bridge tra rappresentazioni visive e linguistiche;
  • fusion layers;
  • addestramento cross-modale.

2.6 Fine-tuning e allineamento avanzato

Per migliorare il comportamento reale si rafforzano:

  • supervised fine-tuning;
  • RLHF;
  • DPO;
  • preference tuning;
  • constitutional AI.

2.7 Retrieval e tool integration

Molte capacità moderne non dipendono solo dalla rete neurale pura, ma da architetture di sistema che integrano:

  • retrieval;
  • strumenti esterni;
  • API;
  • code execution;
  • browsing.

2.8 Quantizzazione e ottimizzazione hardware

Soprattutto negli open model, si lavora su:

  • quantizzazione 8-bit, 4-bit;
  • pruning;
  • kernel ottimizzati;
  • inferenza distribuita.

3. ChatGPT / GPT: cosa è stato introdotto o potenziato

3.1 Contesto lungo

Per supportare finestre di contesto più ampie, nei modelli GPT moderni sono stati probabilmente potenziati:

  • meccanismi di attenzione più efficienti;
  • gestione della KV cache;
  • positional encoding scalabili;
  • strategie di training su sequenze più lunghe.

Perché serve

Questo permette a ChatGPT di:

  • leggere documenti lunghi;
  • mantenere coerenza in dialoghi complessi;
  • lavorare su codice esteso;
  • fare analisi articolate.

3.2 Multimodalità

OpenAI ha chiaramente rafforzato l’architettura multimodale introducendo:

  • moduli per input visivo;
  • allineamento tra immagini e testo;
  • pipeline per voce e audio;
  • integrazione di più modalità in un’unica esperienza utente.

Significato architetturale

Qui non basta il transformer testuale: servono componenti che traducano immagini e audio in rappresentazioni compatibili con il backbone linguistico.

3.3 Memoria

La memoria persistente in ChatGPT non è tanto una caratteristica del modello base, quanto del sistema prodotto. Architetturalmente, significa integrare:

  • layer applicativi di memoria esterna;
  • profili utente;
  • recupero selettivo di informazioni precedenti;
  • orchestrazione tra memoria e contesto corrente.

3.4 Ragionamento

Per migliorare il reasoning, OpenAI ha probabilmente potenziato:

  • dataset di training più orientati al problem solving;
  • instruction tuning più sofisticato;
  • preference optimization;
  • architetture o policy di inferenza più adatte a compiti multi-step.

3.5 Tool use

L’uso di strumenti richiede un’architettura di sistema capace di:

  • riconoscere quando chiamare un tool;
  • generare output strutturati;
  • integrare risultati esterni nel contesto;
  • mantenere coerenza tra reasoning e azione.

In pratica, ChatGPT non è solo un modello, ma un orchestratore di strumenti.

4. Claude: cosa è stato introdotto o potenziato

4.1 Estensione della finestra di contesto

Claude è uno dei modelli più noti per il contesto lungo. Per supportarlo sono stati probabilmente potenziati:

  • positional encoding robusti su sequenze lunghe;
  • training specifico su long-context;
  • attenzione ottimizzata;
  • meccanismi di stabilizzazione della coerenza su molti token.

4.2 Constitutional AI e allineamento

Anthropic ha introdotto come tratto distintivo la Constitutional AI, cioè una forma di allineamento basata su principi espliciti.

A livello architetturale/sistemico

Questo non significa cambiare il transformer in sé, ma rafforzare:

  • pipeline di training con feedback strutturato;
  • self-critique;
  • preference optimization;
  • filtri e policy integrate.

4.3 Ragionamento documentale

Per eccellere su documenti lunghi, Claude ha probabilmente potenziato:

  • robustezza della rappresentazione del contesto;
  • capacità di mantenere riferimenti interni su lunghe sequenze;
  • addestramento su task di sintesi, confronto e analisi multi-documento.

4.4 Coding e structured output

Per migliorare coding e task professionali, sono stati rafforzati:

  • training su codice;
  • pattern di output strutturato;
  • capacità di seguire istruzioni complesse senza deragliare.

Claude, più che puntare su una “personalità tecnologica spettacolare”, ha potenziato l’architettura per coerenza, affidabilità e profondità testuale.

5. Gemini: cosa è stato introdotto o potenziato

5.1 Multimodalità nativa

Gemini è probabilmente il caso più evidente di modello progettato con forte vocazione multimodale. Per supportare questo sono stati introdotti o rafforzati:

  • encoder per immagini, audio e video;
  • spazi di rappresentazione condivisi tra modalità;
  • fusion mechanisms;
  • training congiunto cross-modale.

Impatto

Il modello non “aggiunge” semplicemente immagini a posteriori, ma lavora per integrare più tipi di input in modo coerente.

5.2 Contesto molto ampio

Per gestire grandi quantità di dati e documenti, Gemini ha dovuto potenziare:

  • attenzione efficiente;
  • caching;
  • positional strategies;
  • addestramento su contesti molto lunghi.

5.3 Integrazione con ecosistema Google

Questa non è solo una caratteristica di prodotto, ma anche di architettura di sistema:

  • connessione a servizi cloud;
  • retrieval integrato;
  • accesso a documenti, workspace e strumenti;
  • orchestrazione distribuita.

5.4 Efficienza su scala

Google ha probabilmente investito molto su:

  • parallelismo massivo;
  • ottimizzazione TPU;
  • serving distribuito;
  • bilanciamento tra costo e prestazioni.

Gemini si distingue quindi per il potenziamento della multimodalità strutturale e della scalabilità infrastrutturale.

6. Grok: cosa è stato introdotto o potenziato

6.1 Accesso a informazione aggiornata

La vera innovazione di Grok non è solo il modello in sé, ma la sua connessione con flussi informativi live. Per supportarla sono stati potenziati:

  • retrieval in tempo reale;
  • integrazione con fonti dinamiche;
  • orchestrazione tra modello e dati esterni.

6.2 Tono e flessibilità conversazionale

Grok ha cercato di differenziarsi anche nello stile. Questo implica:

  • tuning particolare del comportamento;
  • preference modeling meno conservativo;
  • policy di risposta diverse dai concorrenti più istituzionali.

6.3 Efficienza e aggiornamento rapido

Per sostenere un uso connesso a flussi sociali e attualità, servono:

  • pipeline di aggiornamento;
  • sistemi rapidi di retrieval;
  • gestione del contesto orientata a contenuti dinamici.

Grok, più che innovare radicalmente il backbone architetturale in modo pubblico, ha potenziato soprattutto la connessione tra modello e ambiente informativo esterno.

7. Llama: cosa è stato introdotto o potenziato

7.1 Efficienza del backbone

La famiglia Llama ha potenziato il transformer in modo molto pragmatico:

  • architettura ottimizzata per training scalabile;
  • uso di tecniche come RoPE;
  • maggiore efficienza rispetto a modelli precedenti;
  • migliore rapporto prestazioni/dimensione.

7.2 Apertura e adattabilità

Qui l’innovazione non è solo interna al modello, ma nel modo in cui l’architettura è resa utilizzabile:

  • pesi accessibili;
  • supporto a fine-tuning;
  • compatibilità con quantizzazione;
  • facilità di deployment locale.

7.3 Supporto a contesti più ampi

Le versioni più recenti hanno potenziato:

  • gestione del contesto;
  • scaling delle positional embeddings;
  • ottimizzazioni inferenziali.

7.4 Ecosistema di adattamento

Llama ha favorito una grande innovazione indiretta: la possibilità di costruire sopra il modello:

  • LoRA;
  • QLoRA;
  • adapter;
  • RAG;
  • agenti;
  • tool use.

In questo senso, Llama ha potenziato non solo il modello, ma la sua programmabilità architetturale.

8. Mistral: cosa è stato introdotto o potenziato

8.1 Architetture efficienti

Mistral ha costruito la sua identità soprattutto sull’efficienza. Ha potenziato:

  • attenzione ottimizzata;
  • uso intelligente delle risorse;
  • design compatto ma performante.

8.2 Mixture of Experts

Con Mixtral, Mistral ha introdotto o reso centrale l’uso del MoE.

Perché è importante

Il MoE permette di avere:

  • molti parametri totali;
  • solo una parte attiva per token;
  • inferenza più efficiente;
  • specializzazione di sotto-moduli.

Questa è una delle innovazioni architetturali più significative tra gli open model occidentali.

8.3 Contesto e throughput

Mistral ha lavorato anche su:

  • gestione del contesto;
  • velocità inferenziale;
  • deployment aziendale più sostenibile.

8.4 Adattabilità

Come Llama, anche Mistral beneficia di:

  • fine-tuning efficiente;
  • quantizzazione;
  • integrazione in sistemi custom;
  • uso on-premise.

La differenza è che Mistral enfatizza molto di più l’efficienza architetturale pura.

Tabella concettuale: innovazione e caratteristica architetturale

1. Finestre di contesto più ampie

Caratteristiche introdotte o potenziate:

  • RoPE e varianti
  • positional scaling
  • attenzione efficiente
  • KV cache migliorata
  • training su sequenze lunghe

Modelli più associati:

  • Claude
  • Gemini
  • GPT
  • anche Llama e Mistral nelle versioni recenti

2. Multimodalità

Caratteristiche:

  • encoder visivi/audio
  • fusion layers
  • allineamento cross-modale
  • rappresentazioni condivise

Modelli più associati:

  • Gemini
  • GPT
  • in parte Claude e Grok

3. Memoria

Caratteristiche:

  • memoria esterna
  • retrieval di profilo utente
  • orchestrazione applicativa
  • contesto persistente

Modelli più associati:

  • ChatGPT come prodotto
  • sistemi enterprise su Gemini
  • implementazioni custom su Llama/Mistral

4. Ragionamento multi-step

Caratteristiche:

  • training specializzato
  • instruction tuning migliore
  • preference optimization
  • planning e structured prompting

Modelli più associati:

  • GPT
  • Claude
  • Gemini

5. Tool use e agentic behavior

Caratteristiche:

  • function calling
  • output strutturato
  • orchestrazione tool/model
  • pianificazione di azioni

Modelli più associati:

  • GPT
  • Gemini
  • Claude
  • implementazioni custom su Llama/Mistral

6. Coding

Caratteristiche:

  • training su repository di codice
  • structured generation
  • maggiore precisione sintattica
  • contesto lungo per file complessi

Modelli più associati:

  • Claude Sonnet
  • GPT
  • Mistral
  • Llama fine-tuned

7. Efficienza

Caratteristiche:

  • MoE
  • quantizzazione
  • kernel ottimizzati
  • inferenza distribuita
  • design compatto

Modelli più associati:

  • Mistral
  • Llama
  • anche Google a livello infrastrutturale

8. Sicurezza e allineamento

Caratteristiche:

  • RLHF
  • DPO
  • Constitutional AI
  • filtri e policy
  • self-critique

Modelli più associati:

  • Claude
  • GPT
  • Gemini

9. Scalabilità enterprise

Caratteristiche:

  • serving distribuito
  • integrazione cloud
  • orchestrazione con documenti e tool
  • gestione multiutente

Modelli più associati:

  • Gemini
  • GPT
  • Claude
  • Llama/Mistral in ambienti self-hosted

10. Specializzazione

Caratteristiche:

  • LoRA
  • PEFT
  • adapter
  • modularità
  • fine-tuning di dominio

Modelli più associati:

  • Llama
  • Mistral
  • anche modelli proprietari via versioni verticali o tuning interno

10. Conclusione

In sintesi, le innovazioni degli LLM moderni non derivano da una sola scoperta, ma da un insieme di potenziamenti architetturali e sistemici.

  • ChatGPT/GPT ha potenziato soprattutto multimodalità, tool use, memoria di prodotto e orchestrazione generale.
  • Claude ha rafforzato contesto lungo, coerenza documentale e allineamento tramite Constitutional AI.
  • Gemini ha spinto in modo molto forte sulla multimodalità nativa e sull’integrazione infrastrutturale su larga scala.
  • Grok ha puntato soprattutto sull’integrazione con informazione aggiornata e retrieval dinamico.
  • Llama ha reso centrale l’adattabilità architetturale, il deployment locale e l’ecosistema di personalizzazione.
  • Mistral ha innovato soprattutto sul fronte dell’efficienza, anche tramite architetture come il Mixture of Experts.

La cosa più importante da capire è che oggi un LLM non è più solo una rete neurale che genera testo: è un sistema composito, in cui architettura del modello, memoria esterna, retrieval, tool use, allineamento e infrastruttura lavorano insieme.

Grande Novita’ Architetturale in Google

Umanesimo Digitale

Esplora il Cuore Digitale: Iscriviti alla Mia Newsletter e Coltiva l’Umanesimo Online!

Immergiti in un flusso di ispirazione, conoscenza e connessione umana digitale.

👉👉Iscrizione newsetter
image 7

Accedi alla mia rivista digitale sull’Umanesimo digitale

☝☝☝☝☝☝☝☝☝☝☝

image 6

Da informatico a cercatore di senso

Unisciti al mio mondo di conoscenza e iscriviti al mio canale WhatsApp.

Sarai parte di una comunità appassionata, sempre aggiornata con i miei pensieri e le mie idee più emozionanti.

Non perderti l’opportunità di essere ispirato ogni giorno, iscriviti ora e condividi questa straordinaria avventura con me!

iscriviti al canale whatsapp

Nota di trasparenza sull’uso dell’AI nel blog

In questo spazio digitale, dedicato alla comprensione critica dell’innovazione tecnologica, desidero condividere con chiarezza due aspetti importanti del lavoro che porto avanti.

Immagini generate con l’AI

La quasi totalità delle immagini presenti nel blog è generata tramite strumenti di intelligenza artificiale. Le utilizzo sia come supporto visivo sia come modo per sperimentare nuove forme di comunicazione creativa, coerenti con i temi trattati.

Un blog nato dalla scrittura… e trasformato dalla velocità dell’AI

Scrivere è sempre stata una mia passione. Dopo anni di appunti, riflessioni e sperimentazioni, tre anni fa è nato questo blog. Fin da subito, però, ho dovuto confrontarmi con una sfida evidente: l’incredibile accelerazione dell’evoluzione scientifica legata all’intelligenza artificiale rende complesso mantenere aggiornato un progetto di divulgazione che ambisce alla qualità e alla precisione.

Per questo, in coerenza con la mia missione di promuovere consapevolezza, oggi più che mai un elemento vitale, ho scelto di farmi affiancare da piattaforme di AI in molte fasi del lavoro editoriale. In particolare, l’AI mi supporta in:

  • ricerca e verifica preliminare delle notizie
  • organizzazione e strutturazione degli articoli
  • creazione di sezioni HTML per FAQ e link alle fonti
  • ideazione di infografiche
  • esplorazione di titoli efficaci e pertinenti

L’obiettivo non è delegare il pensiero, ma amplificare la capacità di analisi e di sintesi, così da offrire contenuti sempre più chiari, accurati e utili.

]]> https://umanesimodigitale.info/come-funziona/feed 0