Glossario AI, termini da sapere sull'intelligenza artificiale - Fastweb

L’intelligenza artificiale è sempre più diffusa nella vita quotidiana: motori di ricerca, app, smartphone e servizi di streaming utilizzano tecnologie basate sull’AI. Ma spesso capita che il linguaggio tecnico, pieno di sigle e termini complessi come algoritmi, prompt, LLM o token, possa risultare difficoltoso perfino ai non esperti. Proprio per questo, è importante comprendere i termini essenziali per capire a fondo come funziona l’intelligenza artificiale.

Quali sono i concetti base per capire l’intelligenza artificiale

La prima e più importante nozione da acquisire è la seguente: l’intelligenza artificiale è una famiglia di tecnologie progettate per permettere alle macchine di svolgere compiti che tradizionalmente richiedono capacità umane, come apprendimento, comprensione del linguaggio o riconoscimento di immagini. Questo non si limita a eseguire comandi fissi, ma mira a far sì che i sistemi imparino, adattandosi progressivamente ai nuovi input.

L’apprendimento che permette alla macchina di svolgere questi compiti è gestito da un modello AI, una sorta di cervello artificiale addestrato con informazioni di partenza simili a quelle che usiamo per insegnare ai bambini. Il modello osserva dati, cerca pattern, comprende relazioni fra gli elementi e, con più esperienza, genera risposte sempre più accurate.

I modelli AI si specializzano in ambiti diversi

I modelli AI esistono in diverse forme e specializzazioni:

• Modelli linguistici: addestrati per generare e comprendere testo, come ChatGPT, Claude o Gemini.
• Modelli per immagini: creano disegni e illustrazioni, esempi sono Midjourney e DALL-E.
• Modelli audio: generano voci sintetiche realistiche, ad esempio tramite ElevenLabs.
• Modelli video: come Sora di OpenAI o Veo di Google, in grado di produrre video da richieste testuali.

I modelli si evolvono sempre più verso la multimodalità, ovvero la capacità di gestire contemporaneamente testo, immagini, audio e video all’interno della stessa interazione.

Diamo un occhio ai termini tecnologici base

In questo campo, due termini fondamentali da conoscere sono algoritmo e machine learning.

• Algoritmo: una sequenza di istruzioni precise che permette al software di prendere decisioni, come avviene quando un motore di ricerca filtra i risultati.
• Machine learning: permette al sistema di non essere programmato in dettaglio su ogni situazione, ma di imparare osservando dati e adattandosi al contesto.

Deep learning, un tipo avanzato di machine learning, utilizza reti neurali ispirate al funzionamento del cervello umano. Si applica in compiti complessi come il riconoscimento vocale o la visione artificiale.

L’architettura Transformer e l'evoluzione degli AI

Vale la pena menzionare una tecnologia chiave per l’evoluzione dell’AI: l’architettura Transformer, sviluppata da Google nel 2017. A differenza dei sistemi precedenti, i Transformer non leggevano testi parola per parola, ma analizzavano l’intero messaggio in parallelo, permettendo di capire meglio come le parole interagiscono.

Proprio per questa tecnologia, oggi abbiamo assistenti AI molto più sofisticati in grado di comprendere contesti complessi.

I protocolli di integrazione con gli strumenti

Gli strumenti di intelligenza artificiale moderni, come gli agenti AI, sono in grado di interagire con strumenti esterni autonomamente, ad esempio aprendo file, inviando email o collaborando con applicazioni di ufficio.

• MCP (Model Context Protocol) è un protocollo aperto che permette a modelli AI di interagire con strumenti esterni, riducendo l’esigenza di codice personalizzato.

Prestazioni dell’AI generativa e termini correlati

L'AI generativa rappresenta l’evoluzione di sistemi che non si limitano ad analizzare informazioni, ma producono contenuti originali, come testo, immagini o codice.

Come interagiamo con l’AI?

Per richiedere un output a un sistema AI, l'utente deve fornire un prompt, un input che può essere una domanda, un comando o una descrizione. L’arte nel formulare domande ben pensate prende il nome di prompt engineering, una pratica che permette di migliorare notevolmente le risposte generate.

L’output invece rappresenta la risposta fornita dal modello. È importante però essere consapevoli del fenomeno delle allucinazioni, in cui l’AI genera informazioni plausibili ma non veritiere, senza rendersi conto del suo errore.

Come funziona il backend dei chatbot

Alla base dei chatbot moderni ci sono i Large Language Models (LLM), cioè modelli linguistici addestrati su enormi quantità di testi. GPT, Gemini e Claude sono esempi tipici di LLM.

Ruolo dei token

I LLM scompongono i testi in token, i componenti minimi di elaborazione. Non sempre un token corrisponde a una sillaba o una parola completa, ma può anche rappresentare un simbolo o una parte di parola.

Un aspetto importante è la finestra di contesto, ovvero l’ammontare massimo di token che un modello può elaborare al momento di una richiesta.

Addestramento e inferenza

• Addestramento: fase in cui il modello impara, analizzando dati per trovare pattern. Questo richiede enormi capacità di calcolo e può durare settimane o mesi.
• Inferenza: momento in cui il modello applica ciò che ha imparato per generare output, durante l'interazione con l'utente.

Teche e strumenti: RAG

Una tecnica popolare oggi è l’RAG (Retrieval-Augmented Generation). Permette al modello AI di integrare informazioni aggiornate, come database aziendali o documenti, al momento della risposta.

Questo processo riduce notevolmente l’incidenza delle allucinazioni, quando invece è critico fornire informazioni affidabili.

Con questo glossario, si spera di aver fornito un'ampia panoramica dei concetti chiave riguardo l'AI. Essendolo una tecnologia in rapida evoluzione, la conoscenza di questi termini aiuta a orientarsi e ad affrontare al meglio l