Artificial Intelligence (AI)
Disciplina che mira a far eseguire alle macchine compiti che normalmente richiedono intelligenza umana.
210 termini · 15 categorie
Il glossario completo
Tutti i termini dell'IA in inglese (l'uso standard) con definizioni semplici.
Concetti fondamentali
10 terminiMachine Learning (ML)
Sottocampo dell'IA in cui un sistema impara dai dati invece di essere programmato esplicitamente.
Deep Learning
ML basato su reti neurali con molti strati sovrapposti.
Narrow AI
IA specializzata in un singolo compito (es. giocare a scacchi).
AGI (Artificial General Intelligence)
IA ipotetica capace di svolgere qualsiasi compito intellettuale umano.
Usato in: ch.16
Superintelligence
IA che supererebbe ampiamente l'intelligenza umana in tutti i campi.
Symbolic AI
Approccio classico basato su regole e logica formale.
Model
Rappresentazione matematica appresa dai dati.
Inference
Fase in cui un modello addestrato produce previsioni.
Training
Fase in cui il modello apprende dai dati.
Tipi di apprendimento
10 terminiSupervised Learning
Apprendimento su dati etichettati (input → output noto).
Unsupervised Learning
Apprendimento senza etichette; il modello scopre strutture nascoste.
Self-supervised Learning
Il modello genera da solo le proprie etichette a partire dai dati.
Usato in: ch.06
Reinforcement Learning
Apprendimento per tentativi ed errori con ricompense.
Usato in: ch.08
Transfer Learning
Riutilizzare un modello addestrato su un compito per un altro simile.
Few-shot Learning
Apprendere da pochissimi esempi.
Zero-shot Learning
Riuscire in un compito senza aver visto alcun esempio durante l'addestramento.
Meta-learning
«Imparare ad imparare» — addestrare un modello ad adattarsi rapidamente a nuovi compiti.
Federated Learning
Addestramento distribuito senza centralizzare i dati.
Continual Learning
Il modello apprende nuovi compiti senza dimenticare quelli precedenti.
Reti neurali
17 terminiNeuron / Unit
Unità di calcolo di una rete, ispirata al neurone biologico.
Layer
Insieme di neuroni elaborati in parallelo.
Weights
Parametri che pesano le connessioni tra neuroni.
Bias
Termine costante aggiunto alla somma ponderata.
Activation Function
Funzione non lineare applicata all'uscita di un neurone.
ReLU
Funzione di attivazione molto comune: max(0, x).
Logits
Punteggi grezzi prodotti dall'ultimo strato, prima che il softmax li trasformi in probabilità.
Softmax
Trasforma un vettore in una distribuzione di probabilità.
Forward Pass
Calcolo dell'uscita a partire da un input.
Backpropagation
Calcolo dei gradienti per aggiornare i pesi.
Usato in: ch.06
Gradient Descent
Algoritmo che aggiusta i pesi per minimizzare l'errore.
Loss Function
Misura dell'errore tra previsione e valore reale.
Cross-Entropy Loss
Funzione di perdita standard per la classificazione.
Optimizer
Algoritmo che guida l'aggiornamento dei pesi (Adam, SGD, ecc.).
Learning Rate
Ampiezza dei passi durante la discesa del gradiente.
Usato in: ch.06
Epoch
Un passaggio completo sul set di addestramento.
Batch
Sottoinsieme di dati elaborato insieme.
Architetture
20 terminiFeedforward Network
Rete in cui le informazioni scorrono in un unico senso.
MLP (Multi-Layer Perceptron)
Rete feedforward classica con strati densi.
CNN (Convolutional Neural Network)
Specializzata per le immagini tramite filtri convoluzionali.
RNN (Recurrent Neural Network)
Elabora sequenze mantenendo uno stato interno.
Usato in: ch.04
LSTM
RNN migliorata per memorizzare informazioni a lungo termine.
Usato in: ch.04
Transformer
Architettura basata sull'attenzione, dominante nell'IA dal 2017.
Usato in: ch.01, ch.02, ch.04, ch.05, ch.07, ch.08, ch.10, ch.15, ch.17, ch.18, ch.20, ch.21
Self-Attention
Ogni posizione di una sequenza calcola il proprio legame con tutte le altre posizioni della stessa sequenza.
Usato in: ch.01, ch.02, ch.03, ch.04, ch.05, ch.07, ch.08, ch.09, ch.10, ch.14, ch.15, ch.17, ch.18, ch.21
Cross-Attention
Attenzione in cui le query provengono da una sequenza e le chiavi/valori da un'altra — testo che guarda un'immagine, decoder che guarda l'encoder.
Multi-Head Attention
Più meccanismi di attenzione eseguiti in parallelo.
Encoder-Decoder
Architettura classica per traduzione e generazione di testo.
Usato in: ch.15
Decoder-only / Autoregressive
Architettura dei LLM moderni: un'unica pila di blocchi che genera un token alla volta, e ciascuno vede solo i precedenti.
Positional Encoding
Incorpora l'ordine delle parole in un Transformer.
Usato in: ch.05
RoPE
Codifica di posizione rotazionale moderna, comune nei LLM.
Usato in: ch.05
Residual Connection
Collegamento che salta alcuni strati per stabilizzare l'addestramento.
Layer Normalization
Normalizzazione per stabilizzare l'addestramento.
Mixture of Experts (MoE)
Architettura in cui per ogni token vengono attivate solo poche sotto-reti («esperti»), riducendo il calcolo.
Usato in: ch.05
Diffusion Model
Modello generativo che impara a rimuovere il rumore dai dati (immagine, audio, testo…) passo dopo passo.
GAN (Generative Adversarial Network)
Due reti in competizione (generatore vs discriminatore).
Vision Transformer (ViT)
Transformer applicato alle immagini.
State Space Model / Mamba
Architettura alternativa al Transformer per sequenze lunghe.
Elaborazione del linguaggio
14 terminiNLP
Disciplina che studia l'elaborazione del linguaggio naturale da parte delle macchine.
Usato in: ch.15
Tokenization
Suddivisione di un testo in unità (token).
Token
Unità di base elaborata da un modello (parola, sotto-parola o carattere).
Usato in: ch.01, ch.02, ch.03, ch.04, ch.05, ch.06, ch.07, ch.08, ch.09, ch.10, ch.11, ch.12, ch.13, ch.14, ch.15, ch.17, ch.18, ch.19, ch.20, ch.21
BPE (Byte Pair Encoding)
Algoritmo di tokenizzazione molto diffuso.
Usato in: ch.02
WordPiece / SentencePiece
WordPiece: un altro algoritmo di tokenizzazione. SentencePiece: libreria che implementa BPE e Unigram.
Usato in: ch.02
Vocabulary
Insieme dei token conosciuti dal modello.
Embedding
Rappresentazione vettoriale densa di una parola o token.
Usato in: ch.01, ch.03, ch.04, ch.05, ch.10, ch.11, ch.15, ch.21
Cosine Similarity
Misura la vicinanza di due vettori tramite l’angolo che li separa, senza considerarne la lunghezza.
Word2Vec
Tecnica classica per generare embedding di parole.
Usato in: ch.03
Contextual Embedding
Embedding che dipende dal contesto della frase.
Named Entity Recognition
Identificazione di entità nel testo (persone, luoghi…).
Sentiment Analysis
Rilevamento del tono emotivo di un testo.
Speech Recognition (ASR)
Riconoscimento vocale (audio → testo).
Text-to-Speech (TTS)
Sintesi vocale (testo → audio).
Usato in: ch.15
Modelli linguistici e IA generativa
38 terminiLanguage Model
Modello che stima la probabilità di una sequenza di parole.
LLM (Large Language Model)
Modello linguistico di grandi dimensioni addestrato su migliaia di miliardi di token.
Usato in: ch.01, ch.02, ch.03, ch.04, ch.05, ch.06, ch.07, ch.08, ch.09, ch.10, ch.11, ch.12, ch.13, ch.15, ch.16, ch.17, ch.18, ch.20, ch.21
Foundation Model
Modello generalista riutilizzabile per numerosi compiti.
Generative AI
IA capace di produrre contenuti (testo, immagine, audio…).
Pre-training
Addestramento iniziale su grandi quantità di dati grezzi.
Fine-tuning
Adattamento di un modello pre-addestrato a un compito specifico.
Usato in: ch.01, ch.06, ch.08, ch.09, ch.11, ch.13, ch.14, ch.19, ch.20
Instruction Tuning
Fine-tuning per seguire istruzioni in linguaggio naturale.
RLHF
Affinamento del modello tramite feedback umano.
DPO (Direct Preference Optimization)
Alternativa semplificata all'RLHF.
Constitutional AI
Metodo di allineamento basato su un insieme di principi.
Usato in: ch.08
Prompt
Testo di input fornito al modello.
Usato in: ch.01, ch.07, ch.08, ch.09, ch.10, ch.11, ch.12, ch.17, ch.18, ch.19, ch.20, ch.21
System Prompt
Istruzioni generali fornite al modello prima dell'interazione.
Prompt Engineering
Arte di formulare prompt efficaci.
Chain-of-Thought (CoT)
Tecnica per indurre il modello a ragionare passo dopo passo.
Self-Consistency
Generare più ragionamenti per la stessa domanda e tenere la risposta più frequente.
Usato in: ch.12
Few-shot Prompting
Inserire alcuni esempi direttamente nel prompt.
In-Context Learning
Capacità del modello di apprendere dagli esempi presenti nel prompt.
Context Window
Quantità di testo che il modello può elaborare in una sola volta.
Temperature
Controlla la casualità delle risposte (bassa = prevedibile, alta = varia; 0 = quasi deterministica).
Top-k Sampling
Campionamento tra i k token più probabili.
Top-p / Nucleus Sampling
Campionamento dal più piccolo insieme di token la cui probabilità cumulata raggiunge p (es. 0,9).
Greedy Decoding
Scegliere sempre il token più probabile.
Usato in: ch.07
Beam Search
Esplora più sequenze candidate in parallelo.
Usato in: ch.07
Hallucination
Il modello inventa un'informazione falsa ma plausibile.
RAG (Retrieval-Augmented Generation)
Il modello recupera documenti esterni prima di rispondere.
Chunking
Suddividere i documenti in pezzi della giusta dimensione prima di indicizzarli — troppo grandi, il passaggio utile si perde; troppo piccoli, si perde il senso.
Reranking
Seconda passata che riordina i documenti recuperati con un modello più fine, per far risalire quelli davvero pertinenti.
Usato in: ch.10
Vector Database
Database che archivia e interroga embedding vettoriali.
Semantic Search
Ricerca per similarità di significato, non solo di parole.
Reasoning Model
LLM ottimizzato per ragionare a lungo prima di rispondere.
Thinking Tokens
Token di ragionamento che un modello genera prima della risposta: una bozza interna, spesso nascosta o riassunta.
Usato in: ch.17
Test-time Compute
Calcolo speso al momento di rispondere anziché durante l'addestramento: lasciar ragionare più a lungo un modello ne migliora le risposte sui problemi difficili.
Usato in: ch.17
Multimodal Model
Modello che gestisce più tipi di input (testo, immagine, audio…).
Vision-Language Model
Modello che comprende testo e immagini insieme.
Text-to-Image
Generazione di un'immagine a partire da un testo.
LoRA
Tecnica di fine-tuning leggero basata su matrici a basso rango.
Usato in: ch.14
QLoRA
LoRA combinato alla quantizzazione per ridurre l'uso di memoria.
PEFT
Famiglia di metodi di fine-tuning efficienti in termini di parametri.
Usato in: ch.14
Agenti e strumenti
8 terminiAI Agent
Sistema IA che persegue un obiettivo attraverso più passi e strumenti.
Tool Use / Function Calling
Capacità del modello di chiamare funzioni esterne.
Usato in: ch.11
ReAct
Pattern che alterna ragionamento e azione.
Usato in: ch.11
Planning
Capacità di un agente di scomporre un obiettivo in sotto-compiti.
Multi-Agent System
Più agenti che collaborano o si coordinano.
MCP (Model Context Protocol)
Protocollo standard per connettere strumenti a un LLM.
Usato in: ch.11
Computer Use
Capacità di un agente di utilizzare un computer.
Usato in: ch.11
Agentic AI
IA che agisce autonomamente in un ambiente.
Dati
11 terminiDataset
Insieme di dati usato per addestrare o testare un modello.
Training / Validation / Test Set
Dati per addestrare, ottimizzare e valutare il modello.
Label / Ground Truth
Risposta corretta associata a un esempio.
Annotation
Processo di assegnazione di etichette ai dati.
Data Augmentation
Creare varianti dei dati esistenti (rotazioni, parafrasi…) per arricchire l'addestramento.
Synthetic Data
Dati generati artificialmente, ad esempio tramite IA.
Feature
Variabile di input del modello.
Usato in: ch.20
Feature Engineering
Creazione manuale di variabili rilevanti per il modello.
One-Hot Encoding
Rappresentare una categoria come vettore binario.
Data Drift
Cambiamento progressivo dei dati rispetto a quelli di addestramento.
Data Leakage
Fuga di informazioni dal set di test verso quello di addestramento (risultati falsamente buoni).
Addestramento e ottimizzazione
13 terminiHyperparameter
Parametro fissato prima dell'addestramento (tasso di apprendimento, dimensione del batch…).
Cross-Validation
Valutazione tramite multiple suddivisioni dei dati.
Overfitting
Il modello memorizza i dati di addestramento e generalizza male.
Usato in: ch.06
Underfitting
Il modello è troppo semplice per cogliere il segnale nei dati.
Regularization
Tecniche che prevengono il sovra-adattamento.
Usato in: ch.06
Dropout
Disattiva casualmente alcuni neuroni durante l'addestramento.
Early Stopping
Interrompere l'addestramento quando l'errore di validazione smette di migliorare.
Vanishing Gradient
I gradienti diventano troppo piccoli per aggiornare i pesi.
Catastrophic Forgetting
Il modello dimentica compiti precedenti mentre ne apprende di nuovi.
Distillation
Trasferire la conoscenza di un modello grande a uno piccolo.
Usato in: ch.21
Pruning
Eliminare pesi superflui per alleggerire il modello.
Quantization
Ridurre la precisione numerica dei pesi per risparmiare memoria.
Scaling Laws
Relazioni tra dimensione del modello, quantità di dati, calcolo e prestazioni.
Valutazione e metriche
12 terminiAccuracy
Percentuale di previsioni corrette.
Precision
Tra le previsioni positive, quante sono effettivamente corrette.
Recall
Tra i casi realmente positivi, quanti il modello ne ritrova.
F1 Score
Media armonica di precisione e richiamo.
Confusion Matrix
Tabella incrociata tra previsioni e valori reali.
ROC / AUC
Curva e area sotto la curva per valutare un classificatore.
Perplexity
Misura dell'incertezza di un modello linguistico (più bassa è, meglio è).
BLEU / ROUGE
Metriche per traduzione automatica e riassunto.
FID
Misura della qualità delle immagini generate.
Benchmark
Test standardizzato per confrontare i modelli (MMLU-Pro, SWE-bench, GPQA…).
Usato in: ch.16
LLM-as-a-Judge
Usare un LLM per valutare le risposte di un altro modello: rapido ed economico, ma con i propri pregiudizi.
Usato in: ch.16
Red Teaming
Test avversariali per scoprire i punti deboli di un modello.
Apprendimento per rinforzo
8 terminiAgent
Entità che prende decisioni in un ambiente.
Environment
Mondo in cui l'agente opera.
Policy
Strategia dell'agente (stato → azione).
Reward
Segnale numerico che indica la qualità di un'azione.
Q-Learning
Algoritmo di RL che impara a stimare il valore di ogni azione in ogni stato (la funzione Q).
PPO
Algoritmo RL molto utilizzato, anche nell'RLHF.
Exploration vs Exploitation
Dilemma tra esplorare il nuovo e sfruttare ciò che si conosce.
Reward Hacking
L'agente sfrutta la funzione di ricompensa in modo non previsto.
Usato in: ch.11
Visione artificiale
9 terminiComputer Vision
Campo dell'IA che elabora immagini e video.
Image Classification
Assegnare una categoria a un'immagine.
Object Detection
Localizzare e classificare oggetti in un'immagine.
Semantic Segmentation
Etichettare ogni pixel di un'immagine con una classe.
OCR
Riconoscimento del testo in un'immagine.
CLIP
Modello che allinea immagini e testi in un unico spazio di embedding — il ponte che permette ai generatori di immagini di capire un prompt.
YOLO / R-CNN
Modelli classici per il rilevamento di oggetti.
SAM (Segment Anything)
Modello universale di segmentazione.
NeRF
Rappresentazione 3D di una scena appresa da immagini.
Sicurezza, allineamento ed etica
15 terminiAI Alignment
Far sì che l'IA persegua obiettivi coerenti con i valori umani.
AI Safety
Campo di studio volto a rendere l'IA affidabile e sicura.
Adversarial Attack
Input progettato per ingannare un modello.
Jailbreak
Aggirare i meccanismi di sicurezza di un LLM.
Usato in: ch.08
Prompt Injection
Istruzioni malevole nascoste in un contenuto che il modello elabora (pagina web, documento…) per dirottarne il comportamento.
Usato in: ch.12
Bias (algorithmic)
Distorsione nei dati o nelle previsioni del modello.
Fairness
Equità nelle decisioni algoritmiche.
Explainability
Capacità di comprendere perché un modello prende una decisione.
Mechanistic Interpretability
Reverse engineering dei circuiti interni di una rete per capire gli algoritmi che ha appreso.
Sparse Autoencoder (SAE)
Rete che scompone le attivazioni di un modello in feature rade e interpretabili una per una.
Usato in: ch.20
Differential Privacy
Metodo formale di protezione della privacy dei dati.
Deepfake
Contenuto falsificato tramite IA.
Misalignment
Scarto tra ciò che il modello persegue davvero e le intenzioni di chi lo ha progettato.
Reward Model
Modello che prevede la qualità di una risposta secondo giudici umani.
AI Governance
Governance e regolamentazione dell'IA.
Infrastruttura e MLOps
16 terminiGPU
Processore grafico, ampiamente usato per l'IA.
TPU
Chip specializzato per l'IA progettato da Google.
CUDA
Piattaforma di calcolo GPU di Nvidia.
FLOPS
Operazioni in virgola mobile al secondo.
Distributed Training
Addestramento distribuito su più macchine.
Data Parallelism
Stessi pesi, dati diversi su ciascuna GPU.
Model Parallelism
Il modello è suddiviso su più GPU.
PyTorch / TensorFlow / JAX
Principali framework di deep learning.
Hugging Face
Piattaforma di modelli, dataset e strumenti ML.
ONNX
Formato standard per lo scambio di modelli tra framework.
Edge AI
IA eseguita su dispositivi embedded.
KV Cache
Memoria delle chiavi e dei valori già calcolati durante la generazione: evita di rielaborare tutto il contesto a ogni nuovo token.
Speculative Decoding
Un modello piccolo propone più token in anticipo e quello grande li convalida in un colpo solo: stesso output, latenza ridotta.
Latency
Tempo di risposta del modello.
Usato in: ch.18
Throughput
Numero di inferenze al secondo.
MLOps
Pratiche DevOps applicate al machine learning.
Concetti emergenti
9 terminiEmergent Abilities
Capacità che sembrano comparire all'improvviso oltre una certa dimensione del modello (fenomeno dibattuto).
Usato in: ch.19
Scaling
Aumentare dimensione, dati o calcolo per migliorare le prestazioni.
Open Weights
Modello i cui pesi sono pubblicamente disponibili.
Frontier Model
Modello all'avanguardia nello stato dell'arte.
Small Language Model (SLM)
Modello linguistico compatto, ottimizzato per l'efficienza.
Human-in-the-Loop
Inclusione dell'essere umano nel ciclo di apprendimento o di decisione.
World Model
Modello interno di un agente che prevede l'evoluzione dell'ambiente.
Embodied AI
IA incorporata in un corpo fisico (robot).
Model Card
Scheda descrittiva di un modello (capacità, limiti, bias).