Capire l’IA, un concetto alla volta.
Definizioni dirette collegate a esempi, errori frequenti, decisioni tecniche e analisi editoriali verificate.
Fondamenti
Unità, capacità e limiti di base per capire come funziona un sistema di IA.
Multimodalità
Capacidad de procesar o generar más de un tipo de información, como texto, imagen, audio o vídeo.
Parámetro
Valor numérico aprendido durante el entrenamiento que contribuye a transformar entradas en salidas.
Gettone
Unidad en la que un modelo divide una entrada o salida para procesarla y, a menudo, contabilizar contexto y uso.
Finestra di contesto
Cantidad máxima de tokens que un modelo puede considerar entre entrada, historial, herramientas y salida en una solicitud.
Modelli e apprendimento
Architetture, addestramento e tecniche che determinano il comportamento di un modello.
Fine-tuning: cosa cambia quando si continua ad addestrare un modello e cosa non garantisce
Il fine-tuning è un addestramento aggiuntivo di un modello già preaddestrato, volto ad adattarlo a un obiettivo specifico. Questa scheda illustra il processo con tre esempi e distingue il concetto da altri modi di adattare o utilizzare i modelli.
Apprendimento autosupervisionato: che cos’è e come funziona
L’apprendimento autosupervisionato ricava gli obiettivi di addestramento dai dati stessi. Questa guida ne spiega il funzionamento, presenta esempi nell’elaborazione del linguaggio, nella visione artificiale e nell’audio, e ne chiarisce limiti e differenze rispetto ad altri approcci.
Aprendizaje por refuerzo con feedback humano
Familia de métodos que usa preferencias humanas para entrenar señales de recompensa y orientar el comportamiento de un modelo.
Dati sintetici: che cosa sono, come si generano e che cosa non garantiscono
I dati sintetici vengono generati artificialmente per conservare proprietà rilevanti dei dati reali in vista di uno scopo preciso. La loro origine, da sola, non dimostra che siano utili, di qualità o privati.
Distillazione della conoscenza: come uno studente apprende da un docente e che cosa non garantisce
La distillazione trasferisce segnali di addestramento da un modello docente a un modello studente. Può adottare metodi diversi: non implica che lo studente conservi tutte le capacità del docente né che sia più efficiente in ogni ambiente.
Funzione di perdita: cosa misura durante l’addestramento e cosa non dice su un modello
Una funzione di perdita quantifica, secondo un criterio definito, la discrepanza tra una previsione e un obiettivo. Capire che cosa penalizza — e che cosa resta fuori dalla misura — aiuta a interpretare l’addestramento senza confonderlo con una valutazione completa del modello.
LoRA: come adatta un modello con matrici a basso rango e cosa non garantisce
LoRA adatta un modello preaddestrato mantenendo fissi i pesi originali e apprendendo matrici aggiuntive a basso rango. Questa scheda spiega il meccanismo, lo confronta con altri metodi di adattamento e chiarisce quali conclusioni non si possono trarre dal solo numero di parametri addestrabili.
Meccanismo di attenzione: come un modello mette in relazione diverse parti dell’input
L’attenzione è un’operazione matematica che combina rappresentazioni in base alla loro compatibilità. Questa guida spiega Q, K e V, le varianti del meccanismo e i suoi limiti, senza confonderlo con l’attenzione umana o con una spiegazione automatica del modello.
Modello distillato: cosa significa l’etichetta e cosa non dimostra
Un modello distillato è il modello studente risultante da un processo che trasferisce parte del comportamento di un modello insegnante. L’etichetta descrive una relazione di addestramento, non garantisce equivalenza, qualità o efficienza.
Modelo fundacional
Modelo entrenado a gran escala sobre datos amplios y adaptable a múltiples tareas posteriores.
Pre-addestramento: cosa impara un modello prima di essere adattato
Il pre-addestramento è una fase di addestramento che precede alcuni usi o adattamenti successivi. Obiettivi, dati e rapporto con le altre fasi dipendono dal modello: non esiste una ricetta universale e questa fase, da sola, non garantisce che il sistema sia affidabile.
Sobreajuste
Situación en la que un modelo se adapta demasiado a los datos de entrenamiento y pierde rendimiento ante casos nuevos.
Transformer
Arquitectura neuronal basada principalmente en atención que procesa relaciones entre elementos de una secuencia o varias modalidades.
Generazione e interazione
Concetti usati per richiedere, controllare e convalidare una risposta generata.
Aprendizaje con pocos ejemplos
Uso de unos pocos ejemplos dentro de la petición para mostrar al modelo la tarea, el criterio o el formato esperado.
Apprendimento in contesto (ICL): come un modello risponde agli esempi nel prompt
L’apprendimento in contesto permette di orientare la risposta di un modello con istruzioni ed esempi inclusi nell’input. Scopri che cosa significa, come verificarne l’utilità e in che cosa si distingue dall’addestramento e da altri metodi.
Catena di pensiero nell’IA: che cos’è e che cosa non dimostra
Una catena di pensiero è una sequenza di passaggi intermedi espressi in testo, che un modello genera o riceve come esempio. Può aiutare a strutturare un compito e rendere visibili alcuni passaggi, ma la sua coerenza non dimostra che siano corretti né che riflettano fedelmente il processo interno che ha prodotto la risposta.
Ingegneria del contesto: come selezionare e mantenere le informazioni che riceve un sistema di IA
L’ingegneria del contesto consiste nel decidere di quali informazioni ha bisogno un modello per svolgere un’attività, come ottenerle e come mantenerle pertinenti durante l’esecuzione. Non equivale a scrivere un prompt più lungo: comprende anche la selezione dei documenti, l’uso degli strumenti e la gestione dello stato.
Prompt
Conjunto de instrucciones y contexto entregado a un modelo para orientar una tarea y su formato de salida.
Razonamiento en modelos
Capacidad observable de combinar información, restricciones y pasos intermedios para resolver una tarea.
uscita strutturata
Respuesta que debe ajustarse a un esquema definido para poder validarse y procesarse de forma automática.
Temperatura
Parámetro de muestreo que modifica la distribución de probabilidad usada para seleccionar los siguientes tokens.
Dati e conoscenza
Come i dati vengono rappresentati, recuperati e collegati a risposte verificabili.
Database vettoriale: cosa memorizza e come cerca per somiglianza
Un database vettoriale memorizza rappresentazioni numeriche e permette di recuperare quelle più vicine a una query. Non genera necessariamente gli embedding e non decide da solo quali risultati siano rilevanti.
Búsqueda semántica
Recuperación de información basada en relaciones de significado, normalmente combinada con filtros o búsqueda léxica.
Incorporamento
Representación numérica que sitúa elementos en un espacio donde ciertas relaciones pueden medirse por proximidad.
Fragmentación de documentos
División de documentos en unidades recuperables que conservan suficiente contexto para responder preguntas.
Fonte primaria: che cos’è, come riconoscerla e che cosa può dimostrare
Una fonte è primaria rispetto a una domanda quando presenta direttamente l’oggetto, i dati, il metodo o la decisione che si vogliono studiare. Questa qualifica non garantisce che sia vera, imparziale o sufficiente: occorre valutare che cosa afferma e quali sono i suoi limiti.
Generación aumentada por recuperación (RAG)
Patrón que recupera información externa relevante y la incorpora al contexto antes de generar una respuesta.
Grounding
Conexión de una respuesta con datos recuperados, observaciones, herramientas o fuentes externas que pueden comprobarse.
Reranking: definizione, funzionamento e limiti nei sistemi di recupero
Il reranking è la seconda fase di scoring nei sistemi di recupero che valuta le coppie query-documento per migliorare la precisione. Questa scheda spiega il funzionamento tecnico, distingue tra architetture a un passo e a due fasi e analizza i limiti operativi nei pipeline RAG e nella ricerca semantica.
Agenti e automazione
Strumenti, memoria e modelli per sistemi in grado di eseguire attività.
Agente di IA: che cos’è, come funziona e in cosa si distingue da un chatbot
Un agente di IA è un sistema che persegue un obiettivo osservando l’ambiente e scegliendo le proprie azioni. Questa guida ne spiega il ciclo di funzionamento, i limiti e le differenze rispetto a un chatbot o a un’automazione predefinita.
Llamada a herramientas
Mecanismo por el que un modelo selecciona una operación y propone argumentos estructurados para que la aplicación la ejecute.
Memoria de agente
Mecanismo para conservar y recuperar estado relevante entre pasos o sesiones de un sistema basado en modelos.
Model Context Protocol (MCP): cosa collega, come funziona e cosa non garantisce
MCP è uno standard aperto di integrazione che collega le applicazioni di IA a sistemi esterni, dati e strumenti. Questa scheda spiega che cosa si può affermare sulla base delle fonti disponibili, propone esempi condizionali e distingue il protocollo da un’API, dalle chiamate agli strumenti e da un agente.
Valutazione
Metodi per misurare qualità, costo, robustezza e utilità in condizioni riproducibili.
Benchmark nell’intelligenza artificiale: che cosa misura e che cosa dimostra un punteggio
Un benchmark è una valutazione definita da attività, dati, protocollo e metriche. Il punteggio descrive le prestazioni in quelle specifiche condizioni; da solo, non dimostra una capacità generale né garantisce risultati in produzione.
Contaminación de datos
Presencia total o parcial de datos de evaluación en el entrenamiento, ajuste o contexto previo de un modelo.
Evaluación de IA
Prueba reproducible que mide un comportamiento mediante casos, condiciones, métricas y una rúbrica explícita.
Generalización
Capacidad de mantener un comportamiento útil ante ejemplos o condiciones que no coinciden exactamente con los datos de entrenamiento.
Incertidumbre
Grado de falta de certeza sobre una predicción, una respuesta, la evidencia disponible o la validez de una medición.
Modello come giudice (LLM-as-a-judge): che cosa valuta e quali bias verificare
Un modello come giudice usa un modello linguistico per valutare risposte o azioni in base a criteri espliciti. Questa guida illustra il processo, distingue le forme di giudizio e mostra che cosa verificare prima di fidarsi dei risultati.
Reproducibilidad
Capacidad de repetir una evaluación con versiones, datos, configuración y procedimiento documentados y obtener resultados compatibles.
Robustez
Capacidad de mantener un comportamiento aceptable ante variaciones, ruido, casos extremos o intentos de manipulación.
Rúbrica de evaluación
Conjunto explícito de criterios y niveles que convierte una valoración en una puntuación interpretable y repetible.
Sicurezza e governance
Rischi, controlli e responsabilità lungo tutto il ciclo di vita.
Allucinazione nell’IA: che cosa significa e come riconoscere una risposta non supportata
Una risposta fluida non è necessariamente corretta. Questa guida spiega che cosa si intende per allucinazione nell’IA, come distinguerla da altri errori e quali verifiche aiutano a valutare affermazioni specifiche.
Guardrail nell’IA: cosa controlla, dove interviene e cosa non garantisce
Un guardrail è un controllo che verifica input, output o azioni di un sistema di IA rispetto a una policy definita. La sua portata dipende da cosa esamina e da quando interviene: può ridurre determinati rischi, ma da solo non dimostra che l’intero sistema sia sicuro.
Human-in-the-loop (HITL): cosa decide una persona e cosa non garantisce
HITL descrive una progettazione in cui una persona interviene in un punto definito di un sistema automatizzato. L’etichetta, da sola, non specifica quale autorità abbia né garantisce che riesca a individuare gli errori.
Iniezione di istruzioni
Ataque o interferencia en la que contenido no confiable intenta desviar al sistema de sus reglas u objetivo legítimo.
Moderación
Clasificación y tratamiento de contenido según políticas de seguridad, uso aceptable o requisitos legales.
Principio del privilegio minimo: cosa significa e come applicarlo ai sistemi di IA
Il principio del privilegio minimo limita ogni identità —persona, processo o servizio— ai permessi necessari per svolgere il proprio compito. Nei sistemi di IA orienta l’accesso di agenti, strumenti e servizi, ma non sostituisce l’autenticazione né garantisce da solo che il modello agisca in modo sicuro.
Test avversariali: definizione, metodologia e limiti nei sistemi di IA
I test avversariali nell’IA cercano intenzionalmente di mettere alla prova le garanzie di un sistema con input ostili e scenari progettati per provocare errori. Questa scheda definisce la pratica, distingue il lavoro manuale dall’automazione, descrive il ciclo tecnico e chiarisce i limiti di copertura e riproducibilità.
Supervisión humana
Capacidad efectiva de personas responsables para comprender, vigilar, intervenir y detener un sistema cuando sea necesario.
Verificación de hechos
Proceso de contrastar afirmaciones verificables con evidencia identificable, vigente y suficientemente autorizada.
Operazioni e infrastruttura
Tecniche per distribuire, ottimizzare e osservare sistemi di IA in produzione.
Cache del contesto nell’IA: cosa riutilizza e perché non significa «ricordare»
Una cache può conservare i calcoli del modello per evitare di ripeterli. Questa scheda distingue la cache KV dalla cache dei prefissi, spiega quando è possibile riutilizzarle e chiarisce quali sono i loro limiti.
Quantizzazione nell’IA: cosa cambia quando si riduce la precisione numerica
La quantizzazione rappresenta i numeri con meno livelli per ridurre l’impiego di risorse, ma «4 bit» non basta per prevedere memoria, velocità o qualità di un modello.
Inferenza nell’IA: cosa succede quando un modello elabora un input
L’inferenza consiste nell’usare un modello già addestrato per calcolare un output a partire da un input. Può produrre una classe, un punteggio, una rappresentazione o contenuti generati, ma non garantisce che il risultato sia corretto.
Latenza nell’IA: quale intervallo si misura e perché conta il momento della risposta
La latenza è il tempo che intercorre tra un inizio e una fine definiti. Scopri come distinguere il primo risultato, la risposta completa e il tempo percepito da chi usa un’applicazione di IA.
Rendimiento de procesamiento
Cantidad de trabajo que un sistema completa por unidad de tiempo, por ejemplo solicitudes o tokens por segundo.
Prova un’altra parola, un alias o un’area diversa.