Il processo etico e tecnico volto a garantire che gli obiettivi dell’IA siano coerenti con i valori umani. È la sfida cruciale dell’Umanesimo Digitale: evitare che una macchina troppo potente agisca in modo dannoso o imprevisto.

Sistemi capaci di agire in autonomia per raggiungere un obiettivo, pianificando task intermedi e interagendo con strumenti esterni (come web search o software di calcolo).

Sottocampo dell’IA che permette ai computer di imparare dai dati senza essere esplicitamente programmati. Invece di regole rigide, il sistema scopre pattern e regolarità statistica.

Reti neurali che imparano a comprimere i dati (codifica) per poi ricostruirli (decodifica). Utili per pulire immagini disturbate o estrarre caratteristiche essenziali da grandi dataset.

L’algoritmo fondamentale per addestrare le reti neurali. “Torna indietro” attraverso i livelli della rete per correggere i pesi delle connessioni, riducendo l’errore tra la risposta data e quella corretta.

Errori sistematici in un modello di IA che portano a risultati discriminatori o parziali, spesso causati da dataset di addestramento non rappresentativi o distorti.

Interfaccia conversazionale programmata per simulare il dialogo umano. Dai primi modelli a regole (ELIZA) si è passati ai moderni assistenti basati su LLM capaci di comprendere il contesto.

Campo dell’IA che insegna alle macchine a interpretare e “capire” il contenuto visivo del mondo: dal riconoscimento facciale alla guida autonoma.

Evoluzione del Machine Learning basata su reti neurali a molti strati (“profonde”). È la tecnologia che ha permesso i grandi breakthrough recenti nel riconoscimento vocale e visivo.

Tecnica per aumentare artificialmente il numero di dati di addestramento creando variazioni (es. ruotando o scurendo una foto di un gatto) per rendere il modello più robusto.

Approcci che mirano a rendere le decisioni delle “scatole nere” algoritmiche comprensibili agli umani. Essenziale in ambiti critici come medicina o finanza.

Sistemi addestrati a riconoscere lo stato emotivo dell’utente analizzando il tono di voce, le espressioni facciali o la scelta delle parole.

Prendere un modello pre-addestrato (es. GPT-4) e “specializzarlo” su un dataset specifico per fargli imparare un linguaggio tecnico o un compito aziendale particolare.

Una singola proprietà misurabile dei dati usata dal modello per fare previsioni (es. la metratura in un’IA che stima i prezzi delle case).

Due reti neurali in competizione: una crea falsi (generatore), l’altra cerca di scoprirli (discriminatore). Questa lotta porta alla creazione di immagini sintetizzate iper-realistiche.

IA focalizzata sulla creazione di nuovi contenuti (testo, audio, immagini, video) invece che sulla sola classificazione di dati esistenti.

Quando un modello linguistico genera informazioni che sembrano plausibili ma sono fattualmente false o inventate, a causa della sua natura probabilistica e non deterministica.

Modello di interazione dove l’essere umano interviene nel processo decisionale dell’IA per convalidare, correggere o integrare i risultati della macchina.

La fase operativa dell’IA: quando un modello già addestrato riceve un nuovo input e produce una risposta o una classificazione.

Modelli linguistici giganti addestrati su quasi tutto il testo disponibile online. Sono capaci di tradurre, scrivere codice, riassumere e simulare ragionamenti logici.

Capacità di un’IA di processare e correlare diversi tipi di input simultaneamente (es. inquadrare un oggetto con la camera e parlarne col chatbot).

Disciplina che si occupa dell’interazione tra computer e linguaggio umano, permettendo alla macchina di leggere, decifrare e comprendere il senso delle parole.

Hardware progettato fisicamente per imitare la struttura del cervello umano (neuroni e sinapsi hardware) per massimizzare l’efficienza energetica.

Errore in cui un modello impara “a memoria” i dati di addestramento ma fallisce quando incontra dati nuovi, diventando troppo rigido e incapace di generalizzare.

L’arte di formulare istruzioni testuali precise per guidare un modello generativo verso il risultato desiderato. È la nuova interfaccia tra pensiero umano e calcolo sintetico.

Le variabili interne della rete neurale che vengono regolate durante l’addestramento. Più parametri non significano sempre un’IA migliore, ma spesso indicano una maggiore capacità di memorizzare sfumature complesse.

Tecnica per ridurre le dimensioni di un modello IA (es. da 16-bit a 4-bit) rendendolo eseguibile su dispositivi meno potenti come smartphone, perdendo pochissima precisione.

Metodo per addestrare modelli come ChatGPT usando feedback umani per premiare le risposte corrette e punire quelle tossiche o inutili.

Metodo in cui la macchina impara da dati “etichettati” (es. 10.000 foto con l’etichetta “cane” e 10.000 “gatto”). È la forma più comune di training.

Utilizzo dell’IA per determinare se un testo esprime un’opinione positiva, negativa o neutra (molto usato nel marketing e monitoraggio social).

L’architettura introdotta da Google nel 2017 che ha permesso la nascita degli LLM. Si basa sul meccanismo di “Attenzione”, che permette alla macchina di capire quali parole in una frase sono più importanti rispetto alle altre.

Il processo di scomposizione del testo in unità più piccole (token), che possono essere parole intere o frammenti di esse, per permettere al computer di elaborarle matematicamente.

Metodo dove la macchina analizza dati non etichettati cercando autonomamente strutture o raggruppamenti logici. Utile per scoprire segmenti di mercato o anomalie nei dati.

L’opposto dell’overfitting: il modello è troppo semplice per catturare la complessità dei dati e produce risultati mediocri sia sui dati noti che su quelli nuovi.

Un tipo di autoencoder “generativo” che introduce elementi di probabilità per creare nuovi dati simili a quelli originali invece di limitarsi a comprimerli.

La capacità di un modello di IA di eseguire un compito per il quale non è mai stato specificamente addestrato, basandosi solo sulla sua conoscenza generale del mondo.