162 articoli
Esplora le guide
Un embedding trasforma un testo, un’immagine o un elemento in un vettore in uno spazio a molte dimensioni, organizzato in modo che la somiglianza semantica diventi vicinanza geometrica. Quella singola proprietà alimenta la ricerca semantica, le raccomandazioni, il clustering e la metà di recupero del RAG. In pratica: ‘auto’ e ‘automobile’ finiscono vicine tra loro; ‘auto’ e ‘autunno’ no, nonostante condividano le lettere.
L’addestramento richiede di norma molte epoche, perché guardare i dati una sola volta raramente basta. Troppo poche e il modello va in underfitting; troppe e inizia a memorizzare. I modelli molto grandi a volte si addestrano per meno di una singola epoca, semplicemente perché il set di dati è enorme. In pratica: Dieci epoche su 50,000 immagini significano che il modello ha visto ogni immagine dieci volte.
L’equità sembra una proprietà sola ma sono molte: accuratezza uguale tra i gruppi, tassi di falsi positivi uguali, esiti uguali. È matematicamente dimostrato che non si possono soddisfare tutte le definizioni ragionevoli contemporaneamente, se non in casi banali. Lavorare sull’equità significa quindi scegliere quale definizione richiede il tuo contesto e saper difendere quella scelta. In pratica: Pareggiare i tassi di errore tra i gruppi può imporre tassi di approvazione diversi, e viceversa. ...
Gli esempi avversari sfruttano il fatto che i confini decisionali di un modello non coincidono con la percezione umana. Modifiche minime e mirate ribaltano l’output con grande sicurezza. Sono un promemoria del fatto che un’accuratezza elevata nei benchmark non dice nulla sul comportamento sotto attacco. In pratica: Un segnale di stop con qualche adesivo che un modello di visione legge come un limite di velocità .
Un’etichetta è il bersaglio che un modello supervisionato cerca di riprodurre — la categoria, il numero, l’output giusto. La qualità delle etichette mette un tetto alla qualità del modello: se chi annota è in disaccordo o è sbrigativo, nessuna quantità di calcolo lo rimedia. In pratica: In un dataset di foto, ‘gatto’ è l’etichetta; i pixel sono le feature.
Una feature è una singola proprietà misurabile di un esempio — un prezzo, un pixel, il numero di parole. Il machine learning classico dipendeva da persone che progettavano buone feature; il deep learning invece le impara in gran parte dall’input grezzo, ed è una delle ragioni principali per cui si è imposto. In pratica: Per prevedere il prezzo di una casa: metri quadri, CAP, anno di costruzione — ognuno è una feature. ...
Il few-shot prompting insegna per dimostrazione dentro la finestra di contesto, senza alcun addestramento. È la tecnica di prompting con la resa più alta in termini di coerenza, soprattutto su classificazione e formattazione. Scegli esempi che coprano i casi limite, non solo quelli facili — il modello copierà tutto ciò che gli mostri, lacune comprese. In pratica: Cinque ticket etichettati nel prompt, e l’accuratezza di categoria sale senza alcun fine-tuning. ...
Il fine-tuning aggiorna i pesi di un modello pre-addestrato su un dataset più piccolo e mirato. È lo strumento giusto per insegnare la forma — tono, formato, uno schema di classificazione — e quello sbagliato per insegnare i fatti, che la RAG gestisce meglio e a minor costo. Molti team provano il fine-tuning troppo presto; il lavoro sul prompt e il retrieval risolvono più problemi di quanto ci si aspetti. ...
La finestra di contesto è la memoria di lavoro del modello per una singola richiesta. Deve starci tutto: prompt di sistema, cronologia della conversazione, file allegati e la risposta. Se la superi, i contenuti più vecchi vengono scartati oppure la chiamata fallisce. Nota che una finestra grande non equivale a un buon recupero al suo interno — i modelli perdono comunque il filo nella parte centrale. In pratica: Una finestra da 200K contiene all’incirca un libro di 500 pagine — ma anche la risposta deve starci dentro. ...
Il fornitore è il ruolo che porta con sé gli obblighi più pesanti. È definito da ciò che fai, non da ciò che costruisci: metti il tuo marchio sul modello di qualcun altro e puoi diventare il fornitore di quel sistema. Anche modificare in modo sostanziale un sistema ad alto rischio può trasferire a te lo status di fornitore. In pratica: Rivendere in white label un modello di terze parti come ‘YourCo AI’ può renderti il fornitore. ...