Glossario di Intelligenza Artificiale

Questo glossario raccoglie i termini più importanti dell’intelligenza artificiale, del machine learning e dei campi correlati. Ogni voce è pensata per essere breve ma esaustiva, con un linguaggio divulgativo che non rinuncia alla precisione tecnica.

A · B · C · D · E · F · G · H · I · L · M · N · O · P · Q · R · S · T · U · V

Accuracy

Percentuale di previsioni corrette su un dataset di test; utile ma insufficiente quando le classi sono sbilanciate.

Agent (Agente)

Entità software autonoma che osserva l’ambiente, prende decisioni e agisce per raggiungere un obiettivo definito.

Attention

Mecanismo introdotto per migliorare le reti neurali sequenziali: permette al modello di dare peso diverso a parti dell’input quando genera l’output.

Backpropagation

Algoritmo di ottimizzazione che calcola il gradiente degli errori consentendo di aggiornare i pesi in una rete neurale.

Benchmark

Insieme standardizzato di prove e metriche usato per confrontare le prestazioni di modelli diversi.

Bias

Distorsione sistematica nei dati o negli algoritmi che porta a risultati ingiusti o poco rappresentativi.

Chain‑of‑Thought

Tecnica di prompting che induce il modello a “ragionare a voce alta”, esplicitando i passaggi logici prima di fornire la risposta finale.

Clustering

Metodo di apprendimento non supervisionato che raggruppa dati simili secondo criteri di distanza o densità.

Dataset

Collezione di dati usata per addestrare o testare un modello di machine learning.

Deep Learning

Sottoinsieme del machine learning che utilizza reti neurali profonde con molti strati per apprendere rappresentazioni complesse.

Diffusion Model

Classe di modelli generativi che apprendono a ricreare dati invertendo un processo di diffusione del rumore.

Edge AI

Esecuzione di modelli di intelligenza artificiale direttamente sul dispositivo locale anziché nel cloud, per ridurre latenza e migliorare la privacy.

Embedding

Rappresentazione vettoriale densa di elementi discreti (parole, immagini) che cattura similarità semantiche.

Fine‑Tuning

Riaddestramento di un modello pre‑allenato su un dataset specifico per specializzarlo in un compito mirato.

FP16 / FP8

Formati a precisione ridotta per memorizzare i pesi di un modello, utili a diminuire memoria e consumi mantenendo prestazioni.

GAN (Generative Adversarial Network)

Architettura generativa formata da due reti (generatore e discriminatore) che competono tra loro migliorandosi a vicenda.

GPT (Generative Pre‑trained Transformer)

Famiglia di modelli linguistici basata su architettura Transformer, pre‑addestrata su grandi corpus testuali e poi adattata a compiti specifici.

Hallucination

Errore tipico dei Large Language Model in cui viene prodotto un output plausibile ma falso o non verificabile.

Inference

Fase di utilizzo del modello addestrato per generare previsioni o contenuti, distinta dal training.

Interpretability

Capacità di spiegare in termini umani come un modello arriva a una decisione; vitale in ambiti regolamentati.

Latent Space

Spazio vettoriale di dimensioni ridotte dove un modello rappresenta le caratteristiche astratte dei dati.

LLM (Large Language Model)

Modello linguistico con miliardi di parametri in grado di generare testo coerente e svolgere compiti linguistici complessi.

Machine Learning

Disciplina che permette ai computer di apprendere dai dati senza essere esplicitamente programmati per ogni compito.

Multimodale

Modello che elabora e integra input di tipo diverso, ad esempio testo, immagini e audio.

NLP (Natural Language Processing)

Campo che studia l’interazione fra computer e linguaggio umano, includendo compiti di comprensione, generazione e traduzione.

NPU (Neural Processing Unit)

Chip specializzato progettato per accelerare operazioni di intelligenza artificiale con efficienza energetica superiore a CPU e GPU.

Overfitting

Situazione in cui un modello memorizza i dati di training senza generalizzare, ottenendo buoni risultati in addestramento ma scarsi su dati nuovi.

Parameters (Parametri)

Valori numerici che il modello apprende durante il training e che determinano il comportamento in inferenza.

Prompt Engineering

Arte di formulare richieste e contesti ottimali per ottenere dal modello la risposta desiderata con la massima qualità.

Pruning

Tecnica di compressione che rimuove pesi o neuroni poco influenti, riducendo la complessità del modello.

Quantization

Conversione dei pesi del modello da precisione a 32 bit a formati più compatti (es. 8 bit), per diminuire memoria e migliorare la velocità di inferenza.

Reinforcement Learning (RL)

Paradigma di apprendimento in cui un agente impara massimizzando ricompense ricevute dall’ambiente in seguito alle sue azioni.

Retrieval Augmented Generation (RAG)

Architettura ibrida che combina un modello generativo con un sistema di recupero documenti, migliorando factualità e aggiornamento delle risposte.

Self‑supervised Learning

Metodo che usa segnali derivati dai dati stessi (invece di etichette manuali) per addestrare modelli, spesso su larga scala.

Supervised Learning

Forma di apprendimento dove il modello viene addestrato su dataset con etichette note, imitando la mapp