Benvenuti nella guida definitiva per comprendere l’universo dell’Intelligenza Artificiale. Questo glossario è progettato per portarti dai concetti più basilari alle idee più avanzate che stanno plasmando il nostro futuro.
Che tu sia un principiante o un esperto, questa risorsa ti servirà da guida per capire come l’intelligenza artificiale influisce sulla tua vita quotidiana. Esplora e scopri come applicare questi concetti nei tuoi progetti! Se avete suggerimenti, lasciateli nei commenti.
Fondamenti di intelligenza artificiale
Concetti essenziali che costituiscono la base dell’Intelligenza Artificiale.
Intelligenza Artificiale (AI)
Campo dell’informatica dedicato alla creazione di sistemi in grado di eseguire compiti che tipicamente richiedono l’intelligenza umana, come l’apprendimento, il ragionamento, la risoluzione di problemi, la percezione e la comprensione del linguaggio.
Algoritmo
Una sequenza finita di istruzioni o regole ben definite che vengono seguite per risolvere un problema o eseguire un compito. Nell’intelligenza artificiale, gli algoritmi sono il “cervello” che elabora i dati e impara da essi.
Modello (AI)
È il risultato dell’addestramento di un algoritmo con un insieme di dati. Un modello è una struttura matematica (come una rete neurale) che ha imparato a riconoscere modelli o fare previsioni dai dati.
- Esempio: un modello addestrato con migliaia di foto di gatti può identificare se una nuova foto contiene un gatto.
Intelligenza Artificiale Ristretta (ANI – Intelligenza Artificiale Ristretta)
Conosciuta anche come IA debole, è il tipo di IA che vediamo oggi. È progettato e addestrato per un compito specifico e non può operare al di fuori del suo ambito definito.
- Esempio: Siri, sistemi di consigli Netflix o software di riconoscimento facciale.
Intelligenza Generale Artificiale (AGI – Intelligenza Generale Artificiale)
Un tipo di intelligenza artificiale teorica che ha la capacità di comprendere, apprendere e applicare la sua intelligenza per risolvere qualsiasi problema, simile a un essere umano. Il suo sviluppo non è stato ancora raggiunto.
Discipline chiave dell’intelligenza artificiale
I principali rami e sottocampi che compongono lo studio dell’IA.
Apprendimento automatico (Apprendimento automatico)
Sottocampo dell’intelligenza artificiale che si concentra sullo sviluppo di algoritmi che consentono ai computer di apprendere dai dati e migliorare le proprie prestazioni con l’esperienza, senza essere esplicitamente programmati per ciascun compito.
Apprendimento approfondito (Apprendimento approfondito)
Una tecnica avanzata di Machine Learning che utilizza reti neurali a molti livelli (reti neurali profonde) per analizzare dati complessi come immagini, suoni e testo. È il motore dei più recenti progressi nel campo dell’intelligenza artificiale.
Rete neurale artificiale
Un modello computazionale ispirato alla struttura e al funzionamento del cervello umano. È costituito da nodi interconnessi (neuroni) organizzati in strati che elaborano informazioni e riconoscono modelli.
Elaborazione del linguaggio naturale (PNL)
Ramo dell’intelligenza artificiale che consente alle macchine di comprendere, interpretare, generare e rispondere al linguaggio umano (testo e voce) in modo utile e coerente.
- Esempio: Traduttori automatici, chatbot e analisi del sentiment sui social network.
Visione artificiale (Visione artificiale)
Campo dell’intelligenza artificiale che addestra le macchine a interpretare e comprendere il mondo visivo. Consente ai computer di “visualizzare” e analizzare il contenuto di immagini e video.
- Esempio: Sblocco facciale su telefoni, auto autonome che identificano ostacoli o diagnosi mediche tramite raggi X.
AI multimodale
Sistemi di intelligenza artificiale in grado di elaborare e mettere in relazione informazioni provenienti da più tipi di dati (o “modalità”) contemporaneamente, come testo, immagini, audio e video.
- Esempio: Genera una descrizione testuale di ciò che accade in un video.
Dati: il carburante dell’intelligenza artificiale
Termini relativi alle informazioni che alimentano i modelli di intelligenza artificiale.
Dati (Dati)
La materia prima dell’AI. Sono le informazioni (testo, numeri, immagini, ecc.) che vengono utilizzate per addestrare, convalidare e testare i modelli di machine learning.
Grandi dati
Set di dati estremamente grandi e complessi che superano la capacità dei software tradizionali di essere acquisiti, gestiti ed elaborati in tempi ragionevoli.
Set di dati (Set di dati)
Una raccolta strutturata di dati utilizzati per uno scopo specifico, solitamente suddivisa in set di formazione, convalida e test per sviluppare un modello di intelligenza artificiale.
Estrazione dati (Estrazione dati)
Il processo di scoperta di modelli, correlazioni e anomalie all’interno di grandi set di dati per prevedere i risultati.
Tokenizzazione
Il processo di scomposizione del testo in unità più piccole chiamate “token” (che possono essere parole, parti di parole o caratteri). È un passaggio fondamentale affinché i modelli linguistici elaborino il testo.
- Esempio: La frase “The AI is here” è tokenizzata in [“The”, “IA”, “is”, “here”].
Incorporamenti (Incorporamento di vettori)
Rappresentazioni numeriche di dati (come parole o immagini) in uno spazio multidimensionale. Consentono ai modelli di acquisire relazioni semantiche e contestuali tra i dati.
- Esempio: Le parole “re” e “regina” avranno un inserimento ravvicinato in questo spazio, così come “cane” e “gatto”.
Tipi di apprendimento e modelli
I diversi modi in cui i modelli apprendono e le architetture più comuni.
Apprendimento supervisionato
Un tipo di Machine Learning in cui il modello apprende da dati che sono stati precedentemente etichettati dagli esseri umani. L’obiettivo è apprendere una funzione che associa gli input agli output.
- Esempio: Addestra un modello con migliaia di email etichettate come “spam” o “non spam” in modo che possa classificare le nuove email.
Apprendimento non supervisionato
Il modello apprende dai dati che non sono stati etichettati, cercando autonomamente modelli o strutture nascoste.
- Esempio: Raggruppare clienti con comportamenti di acquisto simili (clustering) senza sapere in anticipo quali siano tali gruppi.
Apprendimento per rinforzo (Apprendimento per rinforzo)
Un modello (chiamato “agente”) impara a prendere decisioni attraverso tentativi ed errori in un ambiente. Ricevi ricompense per le azioni corrette e penalità per quelle errate, con l’obiettivo di massimizzare la ricompensa totale.
- Esempio: Addestra un’IA a giocare a un videogioco, dove guadagna punti (ricompensa) per avanzare di livello.
AI generativa (AI generativa)
Un ramo dell’intelligenza artificiale in cui i modelli apprendono modelli dai dati di addestramento per generare contenuti completamente nuovi e originali, come testo, immagini, musica o codice.
LLM (Modello linguistico di grandi dimensioni – Modello linguistico di grandi dimensioni)
Un tipo avanzato di modello di intelligenza artificiale generativa addestrato su enormi quantità di testo per comprendere e generare il linguaggio umano con notevole fluidità e coerenza. Sono la base di strumenti come ChatGPT.
Modelli fondamentali
Modelli di intelligenza artificiale su larga scala (come gli LLM) addestrati con una grande quantità di dati, che possono essere adattati per un’ampia gamma di compiti specifici attraverso un processo chiamato fine-tuning.
Ottimizzazione (Ottimizzazione)
Il processo di prendere un modello pre-addestrato (come un modello fondamentale) e riqualificarlo con un set di dati più piccolo e più specifico per adattarlo a un compito particolare.
Trasferire l’apprendimento (Trasferire l’apprendimento)
Una tecnica in cui un modello sviluppato per un’attività viene riutilizzato come punto di partenza per un modello in una seconda attività correlata. È un modo efficace per sfruttare le conoscenze già apprese.
Trasformatori
Un’architettura di rete neurale che ha rivoluzionato l’elaborazione del linguaggio naturale (NLP). È particolarmente efficace nel gestire sequenze di dati, come il testo, prestando “attenzione” alle relazioni tra tutte le parole nella sequenza, indipendentemente dalla loro distanza. È l’architettura di base della maggior parte dei LLM moderni.
Interazione e sviluppo con l’intelligenza artificiale
Termini chiave per il modo in cui gli esseri umani interagiscono e si basano sui sistemi di intelligenza artificiale.
Ingegneria rapida
L’arte e la scienza di progettare e perfezionare le istruzioni (prompt) fornite a un modello di intelligenza artificiale generativa per ottenere i risultati più accurati, pertinenti e di alta qualità.
RAG (Retrieval-Augmented Generation – Recovery-Augmented Generation)
Una tecnica che migliora le prestazioni dei LLM consentendo loro di accedere a informazioni esterne e aggiornate (come un database o Internet) prima di generare una risposta. Ciò riduce le “allucinazioni” e basa le risposte su dati verificabili.
Agente AI
Un sistema autonomo che utilizza l’intelligenza artificiale per percepire il suo ambiente, prendere decisioni ed eseguire azioni per raggiungere obiettivi specifici. Gli agenti possono eseguire attività complesse in più fasi senza un costante intervento umano.
- Esempio: Un agente che può pianificare un intero viaggio: cercare voli, prenotare hotel e aggiungere l’itinerario al calendario, il tutto con una semplice richiesta.
Etica, sicurezza e governance
Concetti cruciali legati all’impatto sociale e alla regolamentazione dell’IA.
Bias algoritmico (Bias)
La tendenza di un sistema di intelligenza artificiale a produrre risultati sistematicamente dannosi per determinati gruppi o individui. In genere, è il risultato di errori presenti nei dati di addestramento o nella progettazione dell’algoritmo.
Allucinazione (Allucinazione)
Un fenomeno in cui un modello di intelligenza artificiale generativa produce informazioni errate, inventate o prive di senso, ma le presenta con totale sicurezza come se fosse un fatto reale.
AI spiegabile (XAI – AI spiegabile)
Un insieme di metodi e tecniche che cercano di rendere comprensibili agli esseri umani le decisioni e le previsioni dei modelli di intelligenza artificiale, aprendo la “scatola nera” di algoritmi complessi.
Trasparenza AI
Il principio secondo cui il funzionamento, i dati e le decisioni di un sistema di IA devono essere accessibili e comprensibili ai suoi utenti e ai regolatori.
Governance dell’IA
L’insieme di politiche, standard, leggi e quadri etici che governano lo sviluppo, l’implementazione e l’uso responsabile dell’intelligenza artificiale nella società.
Sicurezza AI
Misure e pratiche progettate per proteggere i sistemi di IA da attacchi, manipolazioni o usi dannosi che potrebbero comprometterne il funzionamento o causare danni.
AI sostenibile
L’attenzione è rivolta alla progettazione e all’utilizzo di sistemi di intelligenza artificiale che riducano al minimo il loro impatto ambientale, soprattutto in termini di consumo energetico e risorse computazionali.
Il futuro e i concetti d’avanguardia
Termini che indicano dove sta andando l’intelligenza artificiale.
Informatica quantistica e intelligenza artificiale
L’intersezione tra informatica quantistica e intelligenza artificiale, che promette di risolvere problemi di ottimizzazione e apprendimento automatico che sono intrattabili per i computer classici.
AI bordo
Esecuzione di algoritmi di intelligenza artificiale direttamente su dispositivi locali (come telefoni, sensori o automobili) anziché nel cloud. Ciò riduce la latenza, risparmia larghezza di banda e migliora la privacy.
Apprendimento federato (Apprendimento federato)
Una tecnica di addestramento AI in cui un modello viene addestrato su più dispositivi decentralizzati (come i telefoni cellulari) senza che i dati privati di tali dispositivi li lascino.
Sistemi multi-agente
Un sistema composto da più agenti IA che interagiscono tra loro (collaborando o competendo) per risolvere problemi che vanno oltre le capacità di un singolo agente.
Un glossario in costante evoluzione
Questo glossario è un documento vivo che si evolve parallelamente all’affascinante campo dell’Intelligenza Artificiale. La tecnologia avanza a passi da gigante e ci sono sempre nuovi concetti da esplorare.
Se ritieni che manchi un termine importante o hai suggerimenti per migliorare questa risorsa, sentiti libero di lasciare un commento! Il tuo contributo è molto prezioso per mantenere questa guida quanto più completa e aggiornata possibile.
Ultimo aggiornamento: 28 settembre 2025.
This post is also available in: