AI Glossary

Agente IA

A un agente si dà un obiettivo, non un copione. Decide cosa fare, chiama gli strumenti per farlo, osserva il risultato e si corregge. La parola ha due significati: nel reinforcement learning è l’entità che agisce in un ambiente, mentre nell’uso corrente dei prodotti indica un LLM collegato a strumenti e a un ciclo. Entrambi sono corretti; verifica quale dei due intende il documento che stai leggendo. In pratica: ‘Trova i tre voli più economici e mettili nel foglio’ — è l’agente a scegliere i passaggi. ...

AI slop

L’AI slop è la produzione di massa che inonda risultati di ricerca, feed e caselle di posta perché generarla non costa quasi nulla. È un problema di distribuzione più che di modelli: i modelli saprebbero fare di meglio, ma nessuno lo ha chiesto loro. Per chi pubblica, alza l’asticella — un testo generico prodotto dall’IA oggi si legge come un segnale di poco impegno. In pratica: Dodici listicle quasi identici sullo stesso tema, nessuno dei quali risponde alla domanda. ...

Alfabetizzazione in materia di IA

L’articolo 4 impone a fornitori e deployer di adottare misure che garantiscano un livello sufficiente di alfabetizzazione in materia di IA tra il personale che si occupa di sistemi di IA, tenendo conto del loro ruolo, del contesto e delle persone interessate. È uno dei pochi obblighi che ricade praticamente su ogni organizzazione che usa l’IA al lavoro, non solo su quelle ad alto rischio. Non esiste un programma prescritto, quindi la misura è proporzionata e non un semplice adempimento formale. ...

Allineamento dell'IA

L’allineamento riguarda il divario tra l’obiettivo che riesci a mettere per iscritto e il risultato che intendi davvero ottenere. I sistemi ottimizzano ciò su cui vengono misurati, quindi un obiettivo specificato male produce un comportamento tecnicamente corretto e praticamente sbagliato. RLHF e i metodi costituzionali sono le risposte parziali di oggi, non soluzioni. In pratica: Istruito a massimizzare l’engagement, un sistema di raccomandazione impara che l’indignazione funziona.

Allucinazione

Un’allucinazione è un contenuto che il modello genera perché è statisticamente plausibile, non perché è vero. È una conseguenza strutturale della previsione del token successivo, non un bug da correggere: il modello ottimizza per il plausibile, e plausibile e vero di solito coincidono, fino al momento in cui non coincidono più. Grounding, retrieval e verifica lo riducono; niente lo elimina. In pratica: Citazioni giurisprudenziali inventate, DOI inventati, endpoint API inventati — tutti classici, tutti formattati con sicurezza. ...

API

Un’API è il modo in cui il software parla con altro software. Nell’IA significa che invii una richiesta contenente il tuo prompt e le tue impostazioni e ricevi l’output generato, pagando a token. È ciò che rende un modello un componente su cui costruire invece di un sito web da visitare. In pratica: Una richiesta HTTPS in entrata, una risposta JSON in uscita, fatturata in base ai token usati.

Apprendimento auto-supervisionato

L’apprendimento auto-supervisionato inventa un compito di previsione a partire da dati non etichettati, il più famoso dei quali è ‘prevedi il token successivo’. Poiché l’etichetta è semplicemente la parola successiva, l’intero internet diventa dato di addestramento senza alcuna annotazione umana. È per questo che gli LLM hanno potuto scalare come i modelli supervisionati non avrebbero mai potuto. In pratica: Nascondi l’ultima parola di una frase, chiedi al modello di indovinarla, ripeti migliaia di miliardi di volte. ...

Apprendimento non supervisionato

L’apprendimento non supervisionato cerca schemi senza che gli venga detto cosa cercare. I compiti tipici sono raggruppare elementi simili, ridurre le dimensioni e segnalare anomalie. Non esiste un punteggio di accuratezza nel senso consueto, quindi valutare il risultato richiede giudizio. In pratica: Segmentare i clienti in gruppi che nessuno ha definito in anticipo, basandosi solo sul comportamento d’acquisto.

Apprendimento per rinforzo

Un agente di apprendimento per rinforzo agisce in un ambiente, osserva cosa succede e riceve un segnale di ricompensa. Nel corso di molti episodi impara una policy che massimizza la ricompensa attesa. L’RL sta dietro ai sistemi che giocano e, in forma modificata, dietro alla fase di allineamento dei moderni modelli di chat. In pratica: Un agente impara a giocare senza che gli venga spiegata alcuna regola — solo un punteggio che sale o scende. ...

Apprendimento supervisionato

Nell’apprendimento supervisionato ogni esempio di addestramento è una coppia: un input e la sua etichetta. Il modello prevede, confronta con l’etichetta e si corregge. È l’impostazione più comune e più affidabile, e il suo vincolo principale è che le etichette costano care da produrre. In pratica: 10,000 email ciascuna etichettata come spam o non-spam, usate per addestrare un filtro.