Lessico · 119 voci in 8 sezioni · aggiornato al 18/08/2026

Glossario dell’intelligenza artificiale in italiano

119 voci in otto sezioni: basi, apprendimento, dati e addestramento, metriche, modelli generativi e linguistici, linguaggio e visione, agenti e strumenti, etica e regole. Ogni definizione resta tra le 40 e le 60 parole.

Le voci sono rielaborazioni autonome di materiale divulgativo pubblico, riscritte in definizioni brevi e controllate una per una. I termini usati dal regolamento europeo sono indicati insieme agli altri: il lessico della norma fa parte del lessico dell’IA.

Sezione 01 · 10 voci

Le basi dell'intelligenza artificiale

Intelligenza artificiale (artificial intelligence, AI) #: Disciplina che costruisce sistemi capaci di svolgere compiti che, svolti da una persona, richiederebbero intelligenza: riconoscere immagini, comprendere il linguaggio, prendere decisioni, prevedere risultati. Non è una singola tecnologia ma una famiglia di approcci. Oggi, quando in azienda si parla di AI, quasi sempre si intende il machine learning e le sue diramazioni recenti.
AI ristretta (weak o narrow AI) #: L'intelligenza artificiale che esiste davvero, oggi: sistemi specializzati in un compito solo, come tradurre testi, suggerire un acquisto, riconoscere un volto o generare testo. Un sistema addestrato per una cosa non sa farne un'altra. Tutti gli strumenti in uso, compresi gli assistenti generativi più avanzati, rientrano in questa categoria.
AI generale (strong AI, AGI) #: Un'ipotetica intelligenza artificiale capace di comprendere, apprendere e applicare conoscenze in qualunque ambito, come una persona. Non esiste, e resta aperto il dibattito se e quando potrà esistere. Confonderla con l'AI ristretta, brava in un compito solo, è l'errore concettuale più diffuso quando si discute di rischi e capacità reali.
AI generativa (generative AI) #: La famiglia di modelli che produce contenuti nuovi: testo, immagini, audio, codice, video. Non si limita a classificare o prevedere, ma genera. È la tecnologia dietro gli assistenti di scrittura e i generatori di immagini. Si contrappone all'AI predittiva, che stima un valore o una categoria a partire dai dati.
AI predittiva (predictive AI) #: Sistemi che, a partire dai dati storici, stimano un risultato futuro o assegnano una categoria: probabilità di abbandono di un cliente, previsione della domanda, rilevamento di una transazione sospetta. Risponde a quale valore o quale classe, mentre la generativa crea qualcosa di nuovo. Molti progetti aziendali utili restano predittivi, lontano dai riflettori.
Algoritmo (algorithm) #: Una sequenza precisa di istruzioni per risolvere un problema o eseguire un compito. Nell'AI è la procedura che permette a un modello di apprendere dai dati. Attenzione a non usarlo come sinonimo di AI: ogni programma informatico è fatto di algoritmi, ma non ogni algoritmo è intelligenza artificiale.
Modello (model) #: Il risultato dell'addestramento: l'insieme di parametri appresi dai dati che permette al sistema di fare previsioni o generare contenuti. Se l'algoritmo è il metodo di apprendimento, il modello è ciò che si ottiene alla fine. Dire un modello di AI significa indicare questo oggetto già addestrato e pronto all'uso.
Euristica (heuristic) #: Una regola pratica che porta in fretta a una soluzione buona abbastanza, senza garanzia che sia la migliore. Le euristiche erano il cuore dell'AI prima del machine learning e restano utili ancora oggi: molti sistemi le combinano con i modelli appresi dai dati per gestire i casi limite in modo prevedibile.
Comportamento emergente (emergent behavior) #: Capacità che un modello mostra senza essere stato addestrato esplicitamente per averle, e che compaiono solo oltre una certa scala. I grandi modelli linguistici, per esempio, hanno iniziato a tradurre o a ragionare per passi senza esservi stati programmati. È un fenomeno osservato, non garantito, da trattare con prudenza.
Conoscenza di sfondo (common sense) #: Il senso comune: l'insieme di nozioni ovvie sul mondo che le persone danno per scontate, come il fatto che un oggetto lasciato cade. Resta uno dei limiti più ostinati dell'AI: i modelli producono testo brillante e poi sbagliano deduzioni che un bambino farebbe senza pensarci.

Sezione 02 · 22 voci

Apprendimento automatico e reti neurali

Apprendimento automatico (machine learning, ML) #: L'approccio in cui un sistema migliora le proprie prestazioni a partire dai dati, senza essere programmato con regole esplicite per ogni caso. Si mostrano molti esempi al modello, che ricava da solo i pattern ricorrenti. È il ramo dell'AI che ha reso possibile quasi tutto ciò di cui si parla oggi.
Apprendimento supervisionato (supervised learning) #: Il modello impara da esempi già etichettati, cioè coppie di input e risposta corretta: migliaia di email marcate come spam o non spam, foto con l'oggetto indicato. Dalle risposte note impara a rispondere su casi nuovi. È la modalità più usata nelle applicazioni pratiche del machine learning.
Apprendimento non supervisionato (unsupervised learning) #: Il modello riceve dati senza etichette e deve trovare da solo una struttura: raggruppare clienti simili, individuare anomalie, ridurre la complessità dei dati. Non gli si dice cosa cercare, gli si chiede di organizzare ciò che vede. Utile quando etichettare i dati a mano sarebbe troppo lento o costoso.
Apprendimento per rinforzo (reinforcement learning, RL) #: Il modello impara per tentativi ed errori, ricevendo premi o penalità in base alle azioni compiute in un ambiente. Con il tempo affina una strategia che massimizza il premio. È la tecnica dietro i sistemi che giocano a scacchi o a Go, e una componente dell'addestramento dei modelli linguistici.
Apprendimento nel contesto (in-context learning) #: La capacità di un grande modello linguistico di adattarsi a un compito guardando solo gli esempi inseriti nella richiesta, senza modificare i propri parametri. Bastano due o tre esempi nel prompt e il modello prosegue nello stesso stile. Non è addestramento vero e proprio, ma un adattamento momentaneo.
Reti neurali (neural networks) #: Modelli ispirati in modo molto libero al cervello: unità di calcolo, i neuroni, organizzate in strati e collegate da connessioni dotate di peso. I dati entrano da uno strato, attraversano quelli intermedi e producono un risultato. Aggiustando i pesi durante l'addestramento, la rete impara a trasformare gli input negli output desiderati.
Neurone (neuron) #: L'unità di base di una rete neurale. Riceve più valori in ingresso, ciascuno moltiplicato per un peso, li somma e applica una funzione di attivazione che decide il segnale da trasmettere allo strato successivo. Da soli i neuroni fanno calcoli banali; a milioni riconoscono volti e scrivono testi.
Peso (weight) #: Il numero che indica quanto conta un certo ingresso per un neurone. I pesi sono ciò che il modello regola durante l'addestramento: sono, di fatto, la conoscenza appresa. Un grande modello linguistico ne conta miliardi, e il loro insieme costituisce il modello stesso.
Funzione di attivazione (activation function) #: La funzione che, dentro un neurone, decide quanto segnale trasmettere allo strato successivo. Introduce la non linearità che permette alle reti di apprendere relazioni complesse, non solo proporzioni dirette. Senza di essa una rete profonda equivarrebbe a un semplice calcolo lineare. Le più usate sono ReLU, sigmoide, softmax e tanh.
ReLU (rectified linear unit) #: Funzione di attivazione che lascia passare i valori positivi e azzera i negativi. Semplice e veloce da calcolare, è la scelta predefinita negli strati intermedi delle reti profonde moderne. La sua forma elementare aiuta anche l'addestramento, perché rende più stabile la propagazione dell'errore lungo molti strati della rete.
Sigmoide (sigmoid) #: Funzione di attivazione che comprime ogni valore in un intervallo tra zero e uno. Per questo è adatta a esprimere una probabilità, ed è tipica dello strato finale di una classificazione binaria, dove il modello deve rispondere sì o no. Negli strati intermedi oggi si preferisce in genere la ReLU.
Softmax #: Funzione di attivazione che trasforma un insieme di valori in probabilità che sommano a uno. Si usa nello strato finale di una classificazione quando le classi possibili sono più di due: il modello assegna a ciascuna una probabilità e la risposta è la classe con il valore più alto.
Tanh (tangente iperbolica) #: Funzione di attivazione simile alla sigmoide, ma che comprime i valori tra meno uno e uno. Essendo centrata sullo zero, è stata a lungo comune nelle reti ricorrenti per il trattamento delle sequenze. Nelle architetture più recenti è meno frequente, superata in molti casi dalla ReLU e dalle sue varianti.
Deep learning (apprendimento profondo) #: Il machine learning basato su reti neurali con molti strati, dette per questo profonde. La profondità permette al modello di costruire rappresentazioni via via più astratte: dai bordi di un'immagine alle forme, fino agli oggetti. È la tecnica dietro la visione artificiale moderna e i modelli linguistici di oggi.
Backpropagation (retropropagazione dell'errore) #: L'algoritmo che permette a una rete neurale di imparare. Dopo ogni previsione calcola quanto ciascun peso ha contribuito all'errore e propaga questa informazione all'indietro, dallo strato finale verso l'inizio, indicando come correggere ogni peso. È il meccanismo che rende possibile l'addestramento delle reti profonde con milioni di parametri.
Discesa del gradiente (gradient descent) #: Il metodo con cui il modello aggiusta i pesi per ridurre l'errore. È come scendere una valle al buio a piccoli passi, seguendo sempre la massima pendenza verso il basso: il gradiente indica quella direzione. La variante stocastica, SGD, usa piccoli sottoinsiemi di dati a ogni passo per procedere più in fretta.
Overfitting (sovradattamento) #: Quando un modello impara troppo bene i dati di addestramento, memorizzandone anche il rumore, e poi fallisce sui dati nuovi. Come uno studente che impara le risposte a memoria invece dei concetti: brillante sull'esame già visto, perso davanti a una domanda diversa. È il nemico principale di chi addestra modelli.
Underfitting (sottoadattamento) #: Il problema opposto all'overfitting: il modello è troppo semplice per cogliere i pattern presenti nei dati e va male sia sugli esempi di addestramento sia su quelli nuovi. Si corregge scegliendo un modello più espressivo, aggiungendo informazioni in ingresso o allungando l'addestramento fino a catturare la struttura reale del problema.
Compromesso bias-varianza (bias-variance tradeoff) #: L'equilibrio tra due errori opposti. Un modello troppo rigido, con bias alto, semplifica la realtà e cade nell'underfitting; uno troppo sensibile, con varianza alta, insegue ogni dettaglio e cade nell'overfitting. Costruire un buon modello significa trovare il punto giusto tra i due estremi, misurandolo sui dati di validazione.
Albero decisionale (decision tree) #: Un modello che decide attraverso una sequenza di domande con risposta sì o no, come un diagramma di flusso. Facile da leggere e da spiegare, è apprezzato quando serve capire perché il sistema ha deciso in un certo modo. Molti alberi combinati insieme formano modelli più potenti ma meno trasparenti.
Classificazione e regressione (classification, regression) #: I due compiti tipici dell'apprendimento supervisionato. La classificazione assegna una categoria: spam o non spam, sano o malato. La regressione stima un valore numerico continuo, come il valore di mercato di una casa o la domanda futura. La differenza sta nel tipo di risposta attesa: una classe oppure un numero.
AutoML (automated machine learning) #: L'insieme di tecniche che automatizzano le parti ripetitive della costruzione di un modello: selezione dell'algoritmo, scelta delle impostazioni, valutazione dei risultati. Abbassa la barriera d'ingresso al machine learning, ma non sostituisce il giudizio di chi deve capire se il problema è ben posto e se i dati sono affidabili.

Sezione 03 · 21 voci

Dati, addestramento e ottimizzazione

Dati (data) #: La materia prima dell'AI: numeri, testo, immagini, suoni, registrazioni di eventi. Un modello non conosce il mondo, conosce solo i dati che ha visto durante l'addestramento. Per questo la loro qualità, quantità e rappresentatività contano più di quasi ogni altra scelta tecnica compiuta nel corso di un progetto.
Feature (caratteristica) #: Una singola proprietà misurabile usata come input dal modello. Per stimare il valore di una casa, le feature possono essere la superficie, il numero di stanze, il quartiere. Scegliere e costruire buone feature è storicamente una delle attività che più incidono sulla qualità del risultato finale di un progetto.
Etichetta (label) #: La risposta corretta associata a un esempio nell'apprendimento supervisionato: la categoria di una foto, il valore da prevedere. Il modello impara confrontando le proprie previsioni con le etichette e correggendosi a ogni passo. Etichettare bene i dati è spesso il lavoro più lungo e costoso di un progetto.
Set di addestramento (training set) #: I dati su cui il modello impara, regolando i propri pesi a ogni passaggio. È la parte più grande del dataset e va tenuta separata da validazione e test: solo così si può sapere se il modello funziona davvero o si è soltanto imparato a memoria gli esempi già visti.
Set di validazione (validation set) #: I dati tenuti da parte durante lo sviluppo per regolare le impostazioni e scegliere il modello migliore tra le varianti provate. Non servono all'apprendimento dei pesi: servono alle decisioni di chi costruisce il sistema. Si distinguono dal set di test, che resta intatto fino alla misurazione finale.
Set di test (test set) #: I dati mai visti dal modello, usati una sola volta alla fine per misurare le prestazioni reali su casi nuovi. Se entrano nelle scelte di sviluppo perdono il loro valore: la misura risulterebbe ottimista. Tenerli davvero da parte è la garanzia che i numeri dichiarati abbiano un significato.
Aumento del dataset (data augmentation) #: Tecniche per creare nuovi esempi a partire da quelli esistenti: ruotare o ritagliare un'immagine, riformulare una frase. Aumenta la varietà dei dati senza il costo di raccoglierne di nuovi e aiuta il modello a generalizzare invece di memorizzare, riducendo il rischio di overfitting sugli esempi di addestramento disponibili.
Dati sintetici (synthetic data) #: Dati generati artificialmente per imitare quelli reali. Utili quando i dati veri scarseggiano, sono sensibili o difficili da raccogliere, per esempio in ambito sanitario. Vanno usati con cautela: se non riproducono bene la realtà, trasmettono al modello una visione distorta del fenomeno che dovrebbe imparare a riconoscere.
Cinque V dei big data #: Le cinque dimensioni con cui si descrivono i grandi insiemi di dati: volume, la quantità disponibile; velocità, la rapidità con cui arrivano e vanno elaborati; varietà, i diversi formati e tipi; veridicità, l'affidabilità e la qualità; valore, l'utilità reale che se ne estrae. Non riguardano soltanto la quantità.
Token #: L'unità minima in cui un modello linguistico spezza il testo: una parola, parte di una parola o un singolo carattere. I modelli non leggono lettere o parole come noi, ma sequenze di token. Costi e limiti di lunghezza dei modelli si misurano in token, non in parole intere.
Embedding (rappresentazione vettoriale) #: La traduzione di una parola, una frase o un'immagine in una lista di numeri che ne cattura il significato. In questo spazio numerico gli elementi simili finiscono vicini: re e regina sono più vicini di re e bicicletta. È la base della ricerca semantica e dei sistemi di raccomandazione.
Database vettoriale (vector database) #: Un archivio progettato per conservare e cercare embedding. Invece di cercare parole identiche, trova gli elementi il cui significato è più vicino a quello richiesto. È il componente che permette a un sistema di recuperare i documenti pertinenti a una domanda, come avviene nelle applicazioni basate su RAG.
Pre-addestramento (pre-training) #: La prima e più costosa fase di costruzione di un grande modello: lo si espone a enormi quantità di testo perché apprenda la struttura del linguaggio e una vasta conoscenza generale. Il risultato è un modello di base, versatile ma non specializzato, da affinare poi con il fine-tuning.
Fine-tuning (affinamento) #: L'addestramento aggiuntivo di un modello già pre-addestrato su un insieme di dati specifico, per specializzarlo su un compito o un dominio: il linguaggio legale, lo stile di un'azienda, un tipo di classificazione. Costa molto meno che addestrare da zero e dà risultati mirati sul problema che interessa.
Distillazione (knowledge distillation) #: La tecnica con cui un modello grande e capace, detto insegnante, trasferisce ciò che sa a un modello più piccolo e veloce, detto studente. Il modello distillato mantiene gran parte delle prestazioni a una frazione del costo: utile per far girare l'AI su dispositivi con poche risorse.
Quantizzazione (quantization) #: La riduzione della precisione numerica con cui sono memorizzati i pesi di un modello, per renderlo più leggero e veloce. Si perde un po' di accuratezza in cambio di consumi e memoria molto minori. È una delle vie principali per portare modelli capienti su hardware modesto.
Iperparametro (hyperparameter) #: Un'impostazione scelta prima dell'addestramento, che governa come il modello impara e che il modello non apprende da solo: quanti strati, quanto è ampio ogni passo di apprendimento, quanti esempi per volta. La ricerca sistematica della combinazione migliore si chiama ottimizzazione degli iperparametri, in inglese hyperparameter tuning.
Tasso di apprendimento (learning rate) #: L'iperparametro che fissa l'ampiezza di ogni passo di correzione dei pesi durante l'addestramento. Se è troppo alto il modello diverge e non impara; se è troppo basso l'addestramento diventa lentissimo. Trovare il valore giusto è una delle regolazioni più delicate nella costruzione di un modello.
Epoche (epochs) #: Il numero di volte in cui il modello attraversa l'intero dataset di addestramento. Poche epoche possono lasciare l'apprendimento incompleto; troppe favoriscono l'overfitting, perché il modello inizia a memorizzare gli esempi. Si sceglie osservando l'andamento dell'errore sul set di validazione, fermandosi quando smette di migliorare.
Dimensione del batch (batch size) #: L'iperparametro che stabilisce quanti esempi il modello elabora prima di aggiornare i pesi. Valori piccoli danno aggiornamenti frequenti e rumorosi, valori grandi aggiornamenti più stabili ma costosi in memoria. Insieme al tasso di apprendimento, è una delle leve che più influenzano la velocità e la qualità dell'addestramento.
Ottimizzatore (optimizer) #: L'algoritmo che decide come aggiornare i pesi del modello a ogni passo dell'addestramento, a partire dal gradiente calcolato sull'errore. Ne esistono diversi, con strategie differenti per regolare i passi di correzione: Adam è oggi il più diffuso, per la sua stabilità su un'ampia gamma di problemi.

Sezione 04 · 8 voci

Metriche e valutazione dei modelli

Accuratezza (accuracy) #: La proporzione di previsioni corrette sul totale. È la metrica più intuitiva e anche la più ingannevole: se quasi tutti i casi appartengono a una sola classe, un modello che risponde sempre quella classe ottiene un'accuratezza altissima senza individuare nulla di utile. Da sola non basta quasi mai.
Precisione e richiamo (precision, recall) #: Due metriche complementari. La precisione misura quanti, tra i casi segnalati come positivi dal modello, lo erano davvero. Il richiamo misura quanti, tra tutti i positivi reali, il modello ne ha trovati. In un test medico: alta precisione, pochi falsi allarmi; alto richiamo, pochi malati mancati. Migliorarne una spesso peggiora l'altra.
F1-score #: Una misura unica che combina precisione e richiamo in un solo numero, premiando l'equilibrio tra le due. Utile quando serve un compromesso e quando le classi sono sbilanciate, situazione in cui la sola accuratezza inganna: un valore alto richiede che il modello sia buono su entrambi i fronti.
Matrice di confusione (confusion matrix) #: La tabella che incrocia ciò che il modello ha previsto con ciò che era vero, mostrando esattamente dove sbaglia. Dai suoi quattro quadranti, veri e falsi positivi e negativi, si calcolano accuratezza, precisione e richiamo. È il punto di partenza per capire il comportamento reale di un classificatore.
Veri e falsi positivi e negativi (TP, TN, FP, FN) #: I quattro esiti possibili di una classificazione binaria. Veri positivi e veri negativi: casi identificati correttamente. Falsi positivi: casi negativi segnalati per errore come positivi, i falsi allarmi. Falsi negativi: casi positivi non rilevati, i rilevamenti mancati. Quale errore pesi di più dipende dall'applicazione, e guida la scelta delle metriche.
Funzione di perdita (loss function) #: La formula che misura quanto le previsioni del modello si discostano dai valori reali. L'intero addestramento consiste nel ridurre questo errore: la discesa del gradiente cerca i pesi che rendono la perdita più piccola possibile. Più bassa è la perdita, meglio il modello si adatta ai dati.
Generalizzazione (generalization) #: La capacità di un modello di funzionare bene su dati nuovi, mai visti, e non solo su quelli di addestramento. È l'obiettivo vero di ogni progetto: un modello che generalizza è utile nel mondo reale, uno che ha solo memorizzato gli esempi è inservibile fuori dal laboratorio.
Inferenza (inference) #: La fase in cui un modello già addestrato viene usato per produrre previsioni o contenuti su dati reali: è il momento in cui lavora davvero. Può avvenire in tempo reale, una richiesta alla volta, oppure a blocchi su grandi quantità di dati, in modalità batch o offline.

Sezione 05 · 21 voci

AI generativa e modelli linguistici

Elaborazione del linguaggio naturale (NLP) #: Il campo dell'AI che si occupa di far comprendere e produrre il linguaggio umano alle macchine. Comprende traduzione, riassunto, analisi del sentimento, risposta a domande. Tutti gli assistenti testuali di oggi poggiano su decenni di ricerca in questo ambito, molto precedente all'arrivo dei grandi modelli linguistici.
Comprensione e generazione del linguaggio (NLU, NLG) #: Due facce dell'NLP. La comprensione del linguaggio naturale, NLU, estrae significato da un testo: coglie l'intento di una richiesta, individua le entità citate. La generazione del linguaggio naturale, NLG, produce testo coerente. Un assistente conversazionale le usa entrambe: prima capisce la domanda, poi costruisce la risposta.
Modello linguistico (language model) #: Un modello che stima quanto è probabile una sequenza di parole, e quindi sa prevedere la parola successiva a partire da quelle precedenti. Da questa capacità apparentemente modesta, portata su scala enorme, nascono gli assistenti che scrivono testi compiuti, traducono e rispondono a domande in linguaggio naturale.
Large language model (LLM) #: Un modello linguistico di dimensioni molto grandi, con miliardi di parametri, addestrato su enormi quantità di testo. Genera linguaggio fluente, risponde a domande, scrive codice. La sua forza è la versatilità; il suo limite è che produce ciò che è plausibile, non necessariamente ciò che è vero.
Architettura Transformer #: L'architettura di rete neurale, introdotta nel 2017, che ha reso possibili i modelli linguistici moderni. La sua novità è il meccanismo di attenzione, che permette al modello di pesare quali parole di un testo sono rilevanti tra loro, anche se distanti. Quasi tutti i grandi modelli attuali ne derivano.
Meccanismo di attenzione (attention) #: La componente che permette a un modello di concentrarsi sulle parti rilevanti dell'input mentre produce ogni elemento dell'output. Nel tradurre una frase, decide quali parole del testo originale contano di più per la parola che sta generando. È il cuore dell'architettura Transformer e dei modelli linguistici moderni.
Encoder e decoder (codificatore, decodificatore) #: Due blocchi ricorrenti nelle reti per il linguaggio. L'encoder trasforma l'input in una rappresentazione interna ricca di significato; il decoder genera l'output a partire da quella rappresentazione. Alcuni modelli usano solo l'encoder, per comprendere; altri solo il decoder, per generare; altri entrambi, per esempio nella traduzione.
GPT (generative pre-trained Transformer) #: Una famiglia di grandi modelli linguistici basati sulla parte decoder dell'architettura Transformer, specializzati nel generare testo. Il nome descrive la ricetta: generativo, pre-addestrato su enormi quantità di testo, basato su Transformer. È la famiglia di modelli che ha reso popolare l'AI generativa testuale presso il grande pubblico.
BERT (bidirectional encoder representations from Transformers) #: Un modello basato sulla parte encoder del Transformer, pensato per comprendere il testo leggendolo in entrambe le direzioni. Si addestra mascherando parole e chiedendo al modello di indovinarle, tecnica detta masked language model. È usato in ricerca, classificazione e comprensione dei testi, più che nella generazione.
Reti ricorrenti e LSTM (RNN, long short-term memory) #: Le architetture che hanno preceduto i Transformer nel trattamento del testo e delle sequenze. Le reti ricorrenti elaborano un elemento alla volta tenendo memoria del precedente; le LSTM aggiungono un meccanismo per ricordare informazioni a lungo. Oggi sono in gran parte superate, ma restano nella storia del settore.
Modello multimodale (multimodal model) #: Un modello che gestisce più tipi di dato insieme: testo, immagini, audio, video. Può descrivere una foto, rispondere a domande su un grafico, generare un'immagine a partire da una frase. È la direzione verso cui si muovono gli assistenti più recenti, non più limitati al solo testo.
Finestra di contesto (context window) #: La quantità massima di testo, misurata in token, che un modello può considerare in una volta sola: la richiesta più la risposta. Oltre quel limite il modello dimentica le parti più lontane. Una finestra ampia permette di analizzare documenti lunghi in un colpo solo, senza spezzarli.
Prompt e prompt engineering #: Il prompt è l'istruzione che si dà a un modello generativo. Il prompt engineering è l'arte di formularlo bene: contesto, compito chiaro, vincoli, esempi. La stessa richiesta scritta in due modi diversi può dare risultati molto distanti. È la competenza pratica più immediata da acquisire per chi usa questi strumenti.
Zero-shot e few-shot #: Due modi di chiedere a un modello di svolgere un compito. Zero-shot significa chiederlo senza fornire esempi; few-shot significa includere nella richiesta alcuni esempi del risultato voluto. Gli esempi orientano il modello e spesso migliorano nettamente la risposta, soprattutto sui compiti con un formato preciso da rispettare.
Temperatura (temperature) #: L'impostazione che regola quanto le risposte di un modello generativo sono prevedibili o varie. Una temperatura bassa produce risposte più conservative e ripetibili; una alta introduce più creatività e più imprevedibilità. Si abbassa per i compiti che richiedono precisione, si alza quando serve esplorare idee diverse.
Ragionamento a catena (chain-of-thought) #: La tecnica di chiedere a un modello di esporre i passaggi intermedi prima di arrivare alla risposta. Sui problemi a più passi, ragionare ad alta voce migliora spesso la correttezza. Non è un vero ragionamento come quello umano, ma una procedura che riduce gli errori di scorciatoia.
Rinforzo con feedback umano (RLHF) #: La tecnica con cui un modello viene affinato usando le preferenze di valutatori umani: tra due risposte, le persone indicano la migliore e il modello impara a produrre output più utili e appropriati. È uno dei passaggi che hanno reso gli assistenti generativi più allineati alle aspettative di chi li usa.
Allucinazione (hallucination) #: Quando un modello generativo produce informazioni false con tono sicuro: una citazione inesistente, una norma inventata, un dato sbagliato presentato come certo. Non è un malfunzionamento raro, ma una conseguenza di come i modelli generano testo plausibile: non hanno un concetto di verità. La verifica umana resta indispensabile.
Modelli a diffusione (diffusion models) #: Famiglia di modelli generativi per le immagini: partono da rumore casuale e lo ripuliscono passo dopo passo, fino a formare un'immagine coerente con la richiesta. Sono la tecnica dietro i generatori di immagini più recenti, apprezzati per la qualità e la varietà dei risultati che producono.
Reti generative avversarie (GAN) #: Modelli generativi che mettono in competizione due reti neurali: una crea contenuti finti, l'altra prova a distinguerli da quelli veri. Allenandosi l'una contro l'altra, la rete che genera diventa sempre più convincente. Sono state a lungo lo standard per la generazione di immagini, prima dei modelli a diffusione.
Autoencoder variazionali (VAE) #: Modelli generativi che imparano una rappresentazione compatta dei dati, dalla quale possono generare nuovi esempi simili a quelli visti. Comprimono l'informazione in uno spazio ridotto e la ricostruiscono, e da quello spazio si campionano variazioni inedite. Sono una delle tre famiglie classiche insieme a GAN e diffusione.

Sezione 06 · 14 voci

Linguaggio applicato e visione artificiale

Analisi del sentimento (sentiment analysis) #: Il compito di NLP che stabilisce se un testo esprime un'opinione positiva, negativa o neutra. Si usa per analizzare recensioni, commenti e conversazioni sui social, trasformando migliaia di giudizi scritti in un quadro misurabile. È una delle applicazioni più mature e diffuse dell'analisi automatica del linguaggio.
Riconoscimento di entità (named entity recognition, NER) #: Il compito di NLP che individua nel testo i nomi di persone, aziende, luoghi, date e importi. Serve a strutturare documenti e a estrarre informazioni: da un contratto, per esempio, ricava automaticamente le parti e le scadenze. È un mattone di base di molti sistemi di analisi documentale.
Riconoscimento dell'intento (intent recognition) #: Il compito di NLP che capisce cosa vuole ottenere chi scrive: una richiesta di rimborso, un'informazione su un ordine, una lamentela. È il cuore degli assistenti clienti automatici, che devono instradare ogni messaggio verso la risposta o l'operatore giusto a partire da come è formulato.
Analisi grammaticale (part-of-speech tagging) #: Il compito di NLP che etichetta ogni parola di un testo con la sua funzione grammaticale: nome, verbo, aggettivo, avverbio. È un passaggio preparatorio per molte analisi più complesse, perché sapere il ruolo di ogni parola aiuta a interpretare correttamente la struttura e il significato della frase.
Lemmatizzazione (lemmatization) #: Il compito di NLP che riconduce le parole alla loro forma base: andando diventa andare, migliori diventa buono. Serve a trattare come equivalenti le varianti di uno stesso termine, così che ricerche e analisi non si perdano dietro coniugazioni e declinazioni diverse della medesima parola.
Disambiguazione (word sense disambiguation) #: Il compito di NLP che sceglie il significato giusto di una parola ambigua in base al contesto: calcio come sport, come metallo o come colpo. Per le persone è automatico; per una macchina richiede di pesare gli indizi presenti nella frase e nel testo che la circonda.
Computer vision (visione artificiale) #: Il campo che insegna alle macchine a interpretare immagini e video: riconoscere oggetti, leggere testo, misurare scene. Alimenta la guida assistita, il controllo qualità in fabbrica, la diagnostica per immagini. Per le persone vedere è immediato; per una macchina è stato per decenni uno dei problemi più ardui.
Reti neurali convoluzionali (CNN) #: L'architettura che ha portato la visione artificiale al livello attuale. Analizza l'immagine per porzioni, riconoscendo prima i dettagli semplici, bordi e colori, e poi forme e oggetti via via più complessi. È stata per anni lo standard nel trattamento delle immagini, prima dell'arrivo di architetture più recenti.
Riconoscimento di immagini (image classification) #: Il compito di visione artificiale che assegna all'intera immagine un'etichetta: questo è un gatto, questo è un difetto di produzione. Dice cosa c'è nella scena, ma non dove si trova: per localizzare gli oggetti servono il rilevamento e la segmentazione, compiti distinti e più precisi.
Rilevamento di oggetti (object detection) #: Il compito di visione artificiale che individua e localizza più oggetti dentro un'immagine, racchiudendo ciascuno in un riquadro. Rispetto alla classificazione, che dice solo cosa c'è, il rilevamento dice anche dove: è la base di applicazioni come la guida assistita e il conteggio automatico di persone o prodotti.
Segmentazione semantica (semantic segmentation) #: Il compito di visione artificiale che classifica ogni singolo pixel di un'immagine, distinguendo con precisione i contorni di ciò che contiene. È il livello più fine di analisi: dove la classificazione dice cosa c'è e il rilevamento dice dove, la segmentazione traccia i confini esatti di ogni elemento.
Riconoscimento facciale (facial recognition) #: La tecnica di visione artificiale che identifica o verifica una persona a partire dal volto. Le applicazioni vanno dallo sblocco del telefono ai controlli di sicurezza, ma è soggetta a forti vincoli normativi ed etici: tocca dati biometrici, e in Europa l'AI Act ne limita severamente diversi usi.
Riconoscimento ottico dei caratteri (OCR) #: La tecnica che estrae testo leggibile e modificabile da immagini e documenti scansionati: moduli, targhe, pagine di libri, documenti amministrativi. È tra le applicazioni più antiche e consolidate della visione artificiale, e oggi si combina spesso con i modelli linguistici per interpretare anche il contenuto dei documenti.
Riduzione della rumorosità (denoising) #: La tecnica che rimuove il disturbo da un'immagine o da un segnale, recuperandone la qualità: foto scattate al buio, registrazioni audio sporche, scansioni degradate. È utile di per sé e come passaggio preparatorio: molti sistemi di visione lavorano meglio su dati ripuliti dal rumore.

Sezione 07 · 11 voci

Agenti, strumenti e automazione

Agente AI (AI agent) #: Un sistema che percepisce un ambiente, prende decisioni e compie azioni per raggiungere un obiettivo, con un certo grado di autonomia. A differenza di un modello che produce solo una risposta, può scomporre un compito, consultare fonti, usare strumenti. Gli agenti moderni usano spesso un LLM come motore decisionale.
AI agentica (agentic AI) #: L'approccio che costruisce sistemi capaci di agire in autonomia su compiti complessi, coordinando più passi e più strumenti senza un intervento umano a ogni passaggio. Un assistente risponde a una richiesta; un agente esegue un obiettivo, decidendo da sé i passi intermedi. Più autonomia richiede più regole e supervisione.
Ambiente (environment) #: Nel vocabolario degli agenti e dell'apprendimento per rinforzo, il contesto in cui l'agente opera e con cui interagisce: una scacchiera, un magazzino, un sistema informatico. L'ambiente fornisce all'agente le informazioni sullo stato corrente e reagisce alle sue azioni, determinando le conseguenze di ogni scelta compiuta.
Stato (state) #: La situazione dell'ambiente in un dato momento, così come l'agente la percepisce: la posizione dei pezzi sulla scacchiera, il contenuto del magazzino, i dati visibili in quel momento. Ogni azione dell'agente modifica lo stato, e dallo stato corrente dipende la scelta della mossa successiva.
Azione (action) #: Nel vocabolario degli agenti, una scelta che l'agente compie e che modifica lo stato dell'ambiente: muovere un pezzo, inviare una richiesta, ordinare un ricambio. L'insieme delle azioni possibili definisce cosa l'agente può fare; la strategia con cui le sceglie è la sua politica.
Ricompensa (reward) #: Il segnale che premia o penalizza un'azione dell'agente, guidandone l'apprendimento per rinforzo. Vincere una partita vale un premio, perderla una penalità: con il tempo l'agente impara a preferire le azioni che massimizzano la ricompensa complessiva. Definirla bene è decisivo, perché l'agente ottimizza esattamente ciò che viene premiato.
Politica (policy) #: Nel vocabolario dell'apprendimento per rinforzo, la strategia che lega ogni stato all'azione da scegliere: dato ciò che l'agente vede, cosa fa. È il risultato dell'addestramento: l'agente parte da scelte quasi casuali e affina la politica finché non massimizza la ricompensa che riceve dall'ambiente.
Strumenti (tools) #: Le funzioni esterne che un agente può richiamare per superare i limiti del solo modello: una ricerca sul web, una calcolatrice, una query a un database, l'invio di una email. Dare strumenti a un modello lo trasforma da generatore di testo in sistema capace di agire sul mondo.
Recupero aumentato della generazione (retrieval-augmented generation, RAG) #: La tecnica che collega un modello generativo a una base di conoscenza esterna: prima recupera i documenti pertinenti alla domanda, poi genera la risposta basandosi su quelli. Riduce le allucinazioni e permette di rispondere su dati aziendali aggiornati, mai visti in addestramento. È tra gli schemi più usati nelle applicazioni reali.
Model Context Protocol (MCP) #: Uno standard aperto, introdotto di recente, per collegare i modelli di AI a fonti di dati e strumenti esterni in modo uniforme. Invece di costruire un'integrazione su misura per ogni servizio, offre un modo comune di esporre dati e funzioni a un modello. Semplifica la costruzione di agenti che lavorano su sistemi diversi.
Orchestrazione (orchestration) #: Il coordinamento di più modelli, strumenti e passaggi in un flusso di lavoro coerente. In un sistema agentico è lo strato che decide l'ordine delle operazioni, gestisce gli errori e tiene insieme il processo. Più i compiti si fanno articolati, più l'orchestrazione diventa la parte davvero difficile.

Sezione 08 · 12 voci

Etica, rischi e regole

Bias #: Termine con due significati distinti in AI. Il primo è statistico: l'errore sistematico di un modello troppo semplice, che porta all'underfitting. Il secondo è sociale: il pregiudizio per cui un sistema produce risultati ingiusti verso certi gruppi di persone. Quando si parla di etica, conta quasi sempre il secondo.
Bias nei dati e bias algoritmico #: Le due vie principali per cui il pregiudizio entra in un sistema. Il bias nei dati nasce da dati di addestramento che riflettono disuguaglianze o rappresentano male la realtà: selezioni passate distorte trasmettono le stesse distorsioni. Il bias algoritmico nasce da come il modello è costruito e ottimizzato. Spesso si sommano.
Equità (fairness) #: L'obiettivo di trattare in modo giusto persone e gruppi quando un sistema di AI prende o supporta decisioni. Non ne esiste una sola definizione: l'equità di gruppo guarda alla parità tra categorie, quella individuale chiede che persone simili siano trattate in modo simile. A volte i criteri entrano in tensione.
Allineamento dei valori (value alignment) #: Il problema di far sì che un sistema di AI persegua obiettivi coerenti con i valori e le intenzioni umane, anche in situazioni non previste da chi lo ha costruito. Più un sistema è autonomo e capace, più l'allineamento smette di essere teoria e diventa una questione pratica quotidiana.
IA responsabile (responsible AI) #: L'insieme di principi e pratiche per progettare, sviluppare e usare l'AI in modo etico, sicuro e conforme alle norme: equità, trasparenza, sorveglianza umana, tutela dei dati. Non è un singolo strumento da adottare, ma un modo di lavorare che attraversa l'intero ciclo di vita di un sistema.
Responsabilità (accountability) #: Il principio per cui esiste sempre un soggetto umano responsabile di ciò che un sistema di AI fa. La macchina non risponde delle proprie decisioni: rispondono le persone e le organizzazioni che la scelgono, la configurano e la usano. Su questo principio si regge gran parte dell'impianto normativo europeo.
Trasparenza e spiegabilità (explainability) #: La capacità di capire e spiegare come un sistema è arrivato a una decisione. Molti modelli avanzati sono scatole nere difficili da interpretare: un problema serio quando la decisione incide su una persona, per esempio un rifiuto di credito. È tra le aree di ricerca più attive e tra i punti fermi della normativa europea.
Prompt injection (iniezione di istruzioni) #: Un attacco ai sistemi basati su modelli linguistici: si nascondono istruzioni malevole dentro un testo o un documento che il modello elaborerà, per fargli ignorare le sue regole o rivelare informazioni. È un rischio di sicurezza specifico dell'AI generativa, da considerare quando un modello accede a dati o strumenti sensibili.
Guardrail (misure di salvaguardia) #: I controlli posti attorno a un modello per limitarne i comportamenti indesiderati: filtri sui contenuti, regole su cosa può fare, limiti agli strumenti accessibili. Non rendono un sistema infallibile, ma riducono la probabilità e l'impatto degli usi scorretti, e sono ormai parte del progetto di ogni applicazione seria.
Watermarking (filigrana digitale) #: Le tecniche per marcare in modo riconoscibile i contenuti generati dall'AI, così da poterli identificare come artificiali. Servono a contrastare la disinformazione e a garantire la trasparenza richiesta in certi contesti normativi, anche se nessuna soluzione disponibile è ancora del tutto affidabile contro chi vuole rimuovere la marcatura.
AI Act (regolamento UE 2024/1689) #: Il primo quadro normativo organico europeo sull'intelligenza artificiale: l'AI Act è in vigore dal primo agosto 2024, con applicazione graduale. Classifica i sistemi per livello di rischio e impone obblighi proporzionati, dai divieti per le pratiche inaccettabili agli adempimenti per l'alto rischio, compresa l'alfabetizzazione del personale, già applicabile.
GDPR (regolamento UE 2016/679) #: Il regolamento europeo sulla protezione dei dati personali. Si applica in pieno quando un sistema di AI tratta dati di persone, e si intreccia con l'AI Act su decisioni automatizzate, trasparenza e sicurezza. Per molte organizzazioni è il punto di partenza già noto su cui innestare la conformità all'AI.

Nota

Come è fatto questo glossario

Le definizioni sono scritte per essere lette da chi non viene dal settore: niente rinvii promozionali, niente giri di parole. Quando un termine ha più nomi, la voce indica anche quello inglese tra parentesi.

Il glossario cresce con il tempo: i termini nuovi entrano quando c’è una definizione stabile da scrivere. Segnalazioni e refusi: info@cnia.it.