162 articoli
Esplora le guide
I fornitori a valle costruiscono prodotti sopra il modello GPAI di un’altra parte. Il regolamento obbliga il fornitore del modello a monte a fornire le informazioni tecniche di cui i fornitori a valle hanno bisogno per adempiere ai propri obblighi. È il meccanismo che rende leggibile la catena del valore invece di lasciarla una scatola nera. In pratica: Costruire e vendere un assistente legale sopra l’API di qualcun altro.
L’idea di foundation model ribalta il vecchio flusso di lavoro: invece di addestrare un modello nuovo per ogni problema, se ne addestra uno generalista a costi enormi e lo si adatta a poco prezzo con il prompting o il fine-tuning. È questa economia a spiegare perché una manciata di laboratori addestra i modelli e tutti gli altri costruiscono sopra. L’AI Act europeo affronta più o meno la stessa cosa sotto il nome di modello di IA per finalità generali. ...
Frontier model non ha una soglia tecnica netta; indica ciò che al momento è più capace e perciò meno compreso. Il termine conta soprattutto in ambito normativo, dove obblighi aggiuntivi di valutazione e rendicontazione si applicano alla punta avanzata. Il concetto più vicino nell’AI Act europeo è quello di modello di IA per finalità generali con rischio sistemico. In pratica: A ogni generazione, il frontier model di ieri diventa il default ordinario di oggi. ...
Tu descrivi le tue funzioni e i loro parametri; il modello restituisce una richiesta strutturata che ne nomina una e ne fornisce gli argomenti. Il punto cruciale è che il modello non esegue nulla — lo fa la tua applicazione, ed è lì che devono stare validazione e autorizzazione. È l’impianto idraulico sotto quasi ogni prodotto ad agenti. In pratica: Il modello emette get_order_status(order_id=‘A-4471’); è il tuo backend a decidere se eseguirlo. ...
Una funzione di attivazione decide che cosa un’unità trasmette in avanti. La non linearità è il punto: puoi impilare cento livelli lineari e avrai comunque un modello lineare, ma se inserisci una funzione non lineare tra di essi la rete può rappresentare curve, interazioni e struttura. ReLU è la scelta predefinita più comune. In pratica: ReLU: un input negativo diventa zero, un input positivo passa inalterato.
Una funzione di perdita trasforma lo scarto tra previsione e verità in un unico numero. L’addestramento non è altro che la ricerca dei parametri che rendono piccolo quel numero. Scegliere la loss significa scegliere a che cosa terrà il modello, il che ne fa una decisione silenziosamente decisiva. In pratica: Previsto 0.9 dove la risposta era 1.0 — la perdita è piccola, quindi la correzione è piccola.
In una GAN un generatore cerca di produrre campioni convincenti mentre un discriminatore cerca di coglierli in fallo, e nella sfida migliorano entrambi. Le GAN hanno dominato la generazione di immagini prima della diffusion e restano utili dove conta la velocità , anche se sono notoriamente instabili da addestrare. In pratica: I volti di ’this person does not exist’ erano output di una GAN.
La governance dell’IA è la risposta a un piccolo insieme di domande: chi approva un caso d’uso, chi rivede gli output, quali dati possono andare dove e chi può fermare tutto. È soprattutto progettazione organizzativa più che tecnologia. Con l’AI Act europeo, una parte di essa smette di essere facoltativa. In pratica: Un registro dei casi d’uso dell’IA con un responsabile e un livello di rischio per ciascuno.
Le GPU eseguono le enormi moltiplicazioni tra matrici che stanno dietro addestramento e inferenza migliaia di volte più in fretta di una CPU. La loro capacità di memoria fissa il tetto alla dimensione dei modelli, ed è per questo che la quantizzazione conta. Disponibilità e prezzo delle GPU danno forma all’intero mercato. In pratica: Se un modello entra o no in 24GB di VRAM decide se gira sulla tua scrivania. ...
I guardrail sono gli strati attorno al modello: filtri sull’input, verifiche sull’output, delimitazione degli argomenti ammessi, permessi sugli strumenti, limiti di frequenza. Esistono perché il comportamento del modello è probabilistico e un’istruzione nel prompt non è un vincolo applicato. I buoni guardrail vivono nel tuo codice, non solo nel prompt di sistema. In pratica: Un filtro sull’output che blocca la risposta se contiene qualcosa che somiglia a un numero di carta. ...