Tutto quello che devi sapere sull'intelligenza artificiale, spiegato in modo semplice ma approfondito. 118 termini, dalla A alla Z.
Il coordinamento e la gestione di molteplici modelli, agenti e strumenti AI per eseguire flussi di lavoro complessi.
ASistemi di intelligenza artificiale capaci di pianificare, ragionare e agire in autonomia per raggiungere obiettivi complessi.
AIl ciclo iterativo percepisci-pianifica-agisci-verifica che permette a un agente AI di lavorare in autonomia su un compito fino al suo completamento.
AIl processo di garantire che gli obiettivi e il comportamento dell'AI siano in sintonia con i valori e gli interessi umani.
AAzienda statunitense di ricerca sull'intelligenza artificiale, fondata nel 2021 da ex membri di OpenAI, creatrice dei modelli Claude e pioniera nella ricerca sulla sicurezza AI.
AIDE agentico sviluppato da Google, costruito sui modelli Gemini, che permette a più agenti AI di lavorare in autonomia su editor, terminale e browser per completare interi task di sviluppo.
ALa fase dell'intelligenza artificiale capace di eguagliare o superare l'intelletto umano in ogni compito cognitivo.
AMeccanismo matematico alla base dei Transformer che permette ai modelli AI di pesare l'importanza di ogni parola nel contesto.
BLa famiglia di modelli multimodali di Google che ha sostituito Bard, integrando capacità di ragionamento avanzate.
BPregiudizi sistematici o distorsioni nei modelli AI derivanti da dati di addestramento non rappresentativi o algoritmi errati.
BInsiemi di dati massicci e complessi che richiedono tecnologie avanzate (come l'AI) per essere estratti, analizzati e interpretati.
BPratica di gestione aziendale che divide l'IT in due modalità: una focalizzata sulla stabilità e l'altra sull'innovazione rapida (AI).
CL'assistente conversazionale di OpenAI basato sui modelli GPT, il prodotto che ha portato l'AI generativa al grande pubblico a partire dal 2022.
CProgrammi software progettati per simulare conversazioni umane, evoluti dai sistemi basati su regole a quelli basati su LLM.
CTecnica di prompt che guida i LLM a ragionare passo-passo prima di rispondere, migliorando accuratezza e trasparenza.
CLa famiglia di modelli linguistici sviluppata da Anthropic, progettata per essere utile, onesta e sicura, con un forte focus su ragionamento, scrittura e uso di strumenti.
CCampo dell'AI che permette ai computer di interpretare e comprendere informazioni visive da immagini e video.
CApproccio allo sviluppo di AI che utilizza un set di principi o "costituzione" per auto-regolare il comportamento del modello.
CLa disciplina di progettare e organizzare tutte le informazioni (istruzioni, memoria, dati recuperati, strumenti) fornite a un modello AI per massimizzarne l'affidabilità in un compito.
CLa quantità massima di informazioni (token) che un modello AI può "tenere a mente" durante un'unica conversazione.
DDati che le organizzazioni raccolgono e archiviano, ma che non sono analizzati o utilizzati per generare valore commerciale.
DSottocampo del Machine Learning basato su reti neurali artificiali a più strati che imitano, in modo semplificato, il funzionamento del cervello umano.
DLaboratorio di AI cinese noto per modelli linguistici open-weight ad alte prestazioni, sviluppati con un'efficienza di calcolo che ha scosso il mercato globale.
DMedia sintetici (video, audio o foto) in cui l'immagine o la voce di una persona è sostituita da un'altra in modo iper-realistico tramite AI.
DClasse di modelli generativi che creano immagini partendo da rumore casuale e affinandolo progressivamente fino a ottenere un risultato nitido.
EL'esecuzione di algoritmi AI direttamente su dispositivi locali (sensori, smartphone) invece di inviare i dati a un cloud centrale.
ERappresentazione matematica di parole o concetti in uno spazio multidimensionale che cattura relazioni semantiche.
ECapacità impreviste che un modello AI sviluppa spontaneamente man mano che aumentano la sua scala e i dati di addestramento.
ESistemi AI progettati per fornire spiegazioni comprensibili sul loro processo decisionale, eliminando l'effetto "scatola nera".
FTecnica di addestramento decentralizzata in cui i dati rimangono sui dispositivi degli utenti e solo i "miglioramenti" del modello vengono condivisi.
FCapacità di un modello di imparare un nuovo compito ricevendo solo pochissimi esempi (solitamente tra 1 e 5).
FIl processo di specializzare un modello AI già addestrato su un set di dati specifico per migliorarne le prestazioni in un determinato dominio.
FModelli AI enormi addestrati su vasti set di dati che possono essere adattati a una vasta gamma di compiti diversi.
GArchitettura composta da due reti neurali che combattono tra loro: una crea (Generatore) e l'altra sventa i falsi (Discriminatore).
GUnità di elaborazione grafica con architettura massicciamente parallela, diventate l'hardware di riferimento per addestrare ed eseguire i modelli di intelligenza artificiale.
GLa famiglia di modelli AI multimodali di Google DeepMind, progettata nativamente per elaborare testo, immagini, audio e video in un unico sistema.
GSottocampo dell'AI focalizzato sulla creazione di nuovi contenuti originali — testo, immagini, audio, video, codice — a partire da un prompt, apprendendo pattern da enormi quantità di dati esistenti.
GLa tecnica di collegare un modello AI a fonti di verità esterne e verificate per prevenire invenzioni (allucinazioni).
HFenomeno in cui un modello AI genera informazioni false, imprecise o del tutto inventate presentandole con estrema sicurezza.
HTecnologia che permette all'AI di analizzare e processare dati mentre sono ancora criptati, garantendo una privacy assoluta.
HModello operativo in cui l'intelligenza umana interviene nel ciclo di apprendimento o decisione dell'AI per garantire qualità e sicurezza.
HParametri esterni impostati dai programmatori prima dell'addestramento che determinano come il modello imparerà dai dati.
ICapacità di un sistema AI di identificare e classificare oggetti, persone, luoghi o azioni all'interno di un'immagine.
ICapacità di un LLM di apprendere nuovi comportamenti o informazioni semplicemente leggendo le istruzioni fornite nel prompt.
ILa fase operativa in cui un modello AI già addestrato viene utilizzato per generare previsioni o risposte su dati reali.
ILa fusione tra Internet of Things (IoT) e AI, dove i dispositivi connessi analizzano i dati in tempo reale per agire in autonomia.
JLibreria di Google per il calcolo numerico ad alte prestazioni, ottimizzata per l'addestramento di modelli AI su larga scala.
JArchitettura proposta da Yann LeCun (Meta) per insegnare all'AI il senso comune tramite la previsione di rappresentazioni astratte.
JAmbiente di sviluppo interattivo web-based dove i data scientist scrivono codice, visualizzano grafici e documentano esperimenti AI.
JSistemi di intelligenza artificiale che generano risorse o soluzioni nel momento esatto in cui servono all'utente.
KSemplice algoritmo di Machine Learning che classifica un dato basandosi sui suoi vicini più simili nel set di dati.
KInsieme di algoritmi per l'analisi dei pattern, famosi per l'uso nelle Support Vector Machines (SVM).
KProcesso di addestramento di un modello piccolo (Studente) sotto la guida di un modello grande e potente (Insegnante).
KRappresentazione di reti di dati che cattura le relazioni tra entità del mondo reale in modo leggibile dalle macchine.
LModelli di intelligenza artificiale addestrati su trilioni di parole per comprendere e generare il linguaggio umano in modo naturale.
LFamiglia di modelli linguistici Open Source di Meta che ha democratizzato l'accesso all'AI di alto livello in tutto il mondo.
LRappresentazione matematica compressa dove l'AI memorizza le caratteristiche essenziali dei dati (concetti, stili, forme).
LMetodo ultra-efficiente per fare fine-tuning di modelli AI giganti intervenendo solo su una minima parte della loro struttura.
MSottoinsieme dell'AI focalizzato sullo sviluppo di algoritmi che permettono ai computer di imparare dai dati e migliorare le proprie prestazioni senza essere programmati esplicitamente per ogni singolo caso.
MArchitettura AI che divide un modello in "esperti" specializzati, attivando solo quelli necessari per ogni singola richiesta.
MFenomeno degenerativo che avviene quando i nuovi modelli AI vengono addestrati su dati generati da altre AI, perdendo qualità e diversità.
MStandard aperto per connettere modelli AI a fonti dati esterne, strumenti e API in modo sicuro e standardizzato.
MCapacità di un modello AI di elaborare e mettere in relazione diversi tipi di dati contemporaneamente, come testo, immagini e audio.
NCampo dell'AI che si occupa dell'interazione tra computer e linguaggio umano, permettendo alle macchine di leggere e parlare.
NMicroprocessore specializzato progettato specificamente per accelerare i calcoli delle reti neurali, rendendo l'AI locale più veloce.
NProcesso automatico in cui un'AI progetta l'architettura di un'altra AI, trovando la struttura più efficiente per un compito.
NModello computazionale ispirato vagamente alla struttura del cervello umano, composto da strati di "neuroni" interconnessi.
OIntelligenza artificiale che viene eseguita direttamente sull'hardware locale (smartphone, laptop) senza inviare dati al cloud.
OModelli e software AI il cui codice e pesi sono liberamente accessibili e modificabili da chiunque, promuovendo la trasparenza.
OOrganizzazione di ricerca AI famosa per aver creato ChatGPT e DALL-E, scatenando la rivoluzione dell'AI generativa.
OErrore comune in cui un modello AI "impara a memoria" i dati di addestramento ma fallisce nel gestire nuovi dati mai visti.
PVariabili interne di un modello AI che vengono regolate durante l'addestramento per memorizzare la conoscenza.
PLa massiccia fase iniziale di addestramento in cui un'AI legge enormi quantità di dati non etichettati per imparare le basi del mondo.
PL'arte e la scienza di scrivere istruzioni efficaci per ottenere i migliori risultati possibili da un modello AI.
PAttacco informatico in cui un utente cerca di ingannare l'AI fornendo istruzioni maliziose per farle ignorare i suoi limiti di sicurezza.
QAlgoritmo fondamentale dell'apprendimento per rinforzo che insegna a un'AI a prendere decisioni ottimali tramite un sistema di premi.
QUtilizzo dell'AI per automatizzare il test del software e dei processi industriali, trovando errori che sfuggono all'occhio umano.
QTecnica di compressione che riduce la precisione dei numeri in un modello AI per renderlo più piccolo e veloce senza perdere troppa intelligenza.
QIntegrazione tra calcolo quantistico e AI, con il potenziale di risolvere problemi impossibili per i computer attuali.
RTecnica che permette all'AI di consultare documenti esterni e privati prima di rispondere, eliminando le allucinazioni.
RMetodo per allineare l'AI ai valori umani, facendo valutare a persone reali la qualità delle risposte fornite dal modello.
RPattern per agenti AI che alterna ragionamento (Thought) e azione (Act) in un ciclo continuo, permettendo al modello di usare strumenti esterni.
RTipo di rete neurale progettata specificamente per gestire dati sequenziali, come audio o testi, dove l'ordine delle parole è fondamentale.
RModelli AI addestrati per ragionare a lungo prima di rispondere, risolvendo problemi complessi con chain-of-thought interna.
RAlgoritmi che prevedono gli interessi di un utente per suggerire contenuti personalizzati (film, prodotti, notizie).
SProcesso AI di identificazione delle emozioni (positive, negative, neutre) all'interno di un testo o di un audio.
SUtilizzo di strumenti di intelligenza artificiale da parte dei dipendenti senza l'autorizzazione o il controllo del dipartimento IT aziendale.
SPunto ipotetico nel futuro in cui il progresso tecnologico dell'AI diventerà irreversibile e fuori dal controllo umano.
SIl tipo di Machine Learning più comune, dove il modello impara da un set di dati già etichettati e corretti da umani.
SDati creati artificialmente da un'AI invece di essere raccolti dal mondo reale, usati per addestrare altri modelli in sicurezza.
TL'unità di base del testo (parola o parte di essa) che l'AI utilizza per elaborare il linguaggio naturale.
TTecnica in cui un'AI usa la conoscenza acquisita per un compito per impararne un altro simile molto più velocemente.
TArchitettura rivoluzionaria introdotta da Google nel 2017 che ha reso possibili i moderni modelli di linguaggio come ChatGPT.
TCriterio proposto da Alan Turing nel 1950 per determinare se una macchina può essere definita intelligente quanto un essere umano.
UProblema in cui un modello AI è troppo semplice per catturare la complessità dei dati, risultando impreciso sia sui test che nel mondo reale.
UTipo di Machine Learning dove l'AI analizza dati senza etichette per trovare pattern, gruppi o anomalie nascoste in autonomia.
UIntegrazione dell'AI nel design delle interfacce per creare esperienze utente dinamiche, predittive e altamente personalizzate.
UEquazione matematica che definisce gli obiettivi di un'AI, assegnando un "valore" a ogni possibile risultato per guidare le scelte del modello.
VParte dei dati utilizzata durante l'addestramento per testare periodicamente il modello e regolare i suoi parametri prima del test finale.
VTipo di database che memorizza dati come vettori matematici, permettendo ricerche basate sul significato e non solo sulle parole chiave.
VUn approccio allo sviluppo software in cui il programmatore descrive in linguaggio naturale il risultato desiderato e lascia che sia l'AI a scrivere e iterare sul codice.
VSoftware basato su AI capace di eseguire compiti o servizi per un individuo in base a comandi vocali o testuali.
VAdattamento della tecnologia dei Transformer per l'elaborazione di immagini, superando in molti casi le reti neurali tradizionali.
WIntelligenza artificiale progettata per risolvere un singolo compito specifico (es. giocare a scacchi o filtrare email).
WValore numerico che determina l'importanza di una connessione tra due neuroni artificiali in una rete neurale.
WModello di OpenAI per il riconoscimento vocale automatico (ASR) e la traduzione, capace di trascrivere l'audio in oltre 90 lingue.
WTecnica per trasformare le parole in liste di numeri (vettori) così che l'AI possa calcolare il significato logico tra di esse.
XMotore di inferenza specializzato per l'esecuzione di modelli AI su hardware estremo o non convenzionale.
XInsieme di tecniche che rendono i risultati dei modelli AI comprensibili e giustificabili per gli esseri umani.
XLegacy protocol spesso usato per far comunicare vecchi sistemi software con i nuovi servizi di intelligenza artificiale.
XInfrastruttura di calcolo ad alte prestazioni spesso associata a cluster di GPU per l'addestramento di modelli di larga scala.
YOttimizzazione della rappresentazione dei dati nelle dashboard AI per migliorare la leggibilità dei grafici predittivi.
YLinguaggio di configurazione leggibile dagli umani usato per definire i parametri e i workflow degli agenti AI.
YAlgoritmo ultra-veloce per il riconoscimento di oggetti in tempo reale, capace di analizzare intere immagini in un solo passaggio.
YLa scala di dati estrema (sestillioni di byte) verso cui si sta muovendo l'addestramento dei futuri modelli AI globali.
ZMetodologia di accelerazione hardware per l'esecuzione di modelli di linguaggio massivi con latenza vicina allo zero.
ZUtilizzo dell'intelligenza artificiale per scoprire o difendere vulnerabilità informatiche sconosciute prima che vengano sfruttate.
ZCapacità di un'AI di risolvere un compito o riconoscere un oggetto mai visto prima, affidandosi solo al ragionamento logico.
ZUnità di misura della potenza di calcolo pari a un sestillione di operazioni al secondo, l'obiettivo per i futuri supercomputer AI.