Mini-dizionario AI

Mondo nuovo, termini nuovi, acronimi nuovi, le AI hanno anche una barriera linguistica specie per chi ci si avvicina arrivando da un altro mondo. Per questo ho provato a fare una lista dei termini di base, cercando di darne anche spiegazioni semplici e brevi, spero anche comprensibili.

Mini-dizionario di termini AI

Nota: I termini seguiti da asterisco (*) sono spiegati in altri punti in questo stesso dizionario.

A
• A2A – Agent to Agent: quando diversi agenti AI si coordinano tra loro per risolvere un problema complesso. Come se avessi tre amici specializzati in fare cose diverse (uno bravo a cercare informazioni, uno a scrivere, uno a calcolare) che collaborano automaticamente per completare un progetto, solo che qui sono tutti agenti AI.

• Agent/Agentic AI: un’AI che non si limita a rispondere alle domande, ma può fare azioni concrete. Come un assistente che non solo ti dice l’orario del treno, ma prenota anche il biglietto per te. Può usare diversi strumenti e prendere decisioni per completare un compito.

• AGI – Artificial General Intelligence: un’AI ipotetica che sarebbe intelligente come un essere umano in tutti i campi. Oggi non esiste ancora. Le AI attuali sono brave in cose specifiche (ChatGPT con il testo, Midjourney con le immagini), ma l’AGI sarebbe versatile come una persona vera.

• Algoritmo: una lista di istruzioni precise che dice al computer cosa fare, passo dopo passo. Come una ricetta di cucina, ma per risolvere problemi con i numeri e i dati.

• API – Application Programming Interface: un insieme di regole rigide che permette a due programmi di comunicare. È come uno sportello automatico bancario: ti dice esattamente quali operazioni puoi fare e come farle step-by-step, ma non devi sapere come funziona internamente la banca.

• Artificial Intelligence – AI: sistemi informatici specializzati che possono svolgere compiti che normalmente richiederebbero intelligenza umana: capire il linguaggio, riconoscere foto, prendere decisioni. Non pensano come noi, ma imitano alcuni risultati del nostro pensiero.

• Attention Mechanism: il modo in cui un’AI decide su quali parti dei dati concentrarsi quando elabora informazioni complesse. Come quando ascolti una conversazione rumorosa e il tuo cervello si concentra automaticamente sulla voce della persona che ti interessa, ignorando il resto.

B
• Bias: quando un’AI ha dei pregiudizi perché è stata addestrata su dati che contenevano pregiudizi umani. Per esempio, se un’AI per le assunzioni è stata addestrata solo su CV di uomini ingegneri, potrebbe pensare che le donne non siano brave in ingegneria.

• Big Data: quantità enormi di informazioni che solo i computer riescono a gestire. Pensa a tutti i post di Facebook, le ricerche Google e gli acquisti Amazon del mondo raccolti insieme: sono troppi perché una persona li possa leggere tutti.

C
• Chatbot: un programma che chiacchiera con te, può essere semplice, come le risposte automatiche del supporto clienti, oppure sofisticato come ChatGPT che riesce a tenere conversazioni complesse.

• Classification: quando l’AI mette le cose in categorie. Un esempio è Gmail quando decide automaticamente se un’email è spam o importante, oppure Spotify quando capisce se una canzone è rock o pop.

• Computer Vision: la capacità dell’AI di “vedere” e capire immagini e video. È quello che permette al tuo telefono di riconoscere il tuo viso per sbloccarsi, o alle auto autonome di vedere i semafori.

• Copyright: diritti legali che proteggono opere creative (testi, immagini, musica). Un tema centrale con l’AI generativa*, riguarda sia il training per via di come sono formati i dataset*, sia l’uso dell’output. Sempre verificare le condizioni d’uso.

• Context Window: il numero massimo di token* che un’AI può processare in una singola elaborazione. È il limite tecnico di quanto “contesto” l’AI può considerare contemporaneamente: alcune AI gestiscono poche migliaia di token (un paio di pagine), altre centinaia di migliaia (libri interi).

D
• Data: tutte le informazioni che vengono usate per addestrare l’AI: testi, numeri, immagini, suoni. Sono la materia prima da cui l’AI impara i pattern. Più dati di qualità ci sono, meglio l’AI può imparare.

• Data Drift: quando i dati del mondo reale cambiano rispetto a quelli su cui l’AI è stata addestrata. Come se un’AI addestrata a riconoscere la moda degli anni 2000 improvvisamente dovesse giudicare i vestiti di oggi: sarebbe confusa.

• Dataset: una raccolta organizzata di dati usata per insegnare all’AI. Come un libro di testo pieno di esempi: foto di cani per insegnare a riconoscere i cani, frasi in inglese e italiano per insegnare a tradurre.

• Deep Learning: un tipo di machine learning* che usa reti neurali* con molti “strati”. È il metodo dietro alle AI più potenti di oggi. Si chiama “deep” (profondo) proprio per questi tanti livelli.

E
• Edge AI: AI che funziona direttamente in un dispositivo locale invece che nel cloud, ad esempio permette allo smartphone di riconoscere i visi nelle foto anche senza internet. È più veloce e più privata.

• Embeddings: un modo per l’AI di trasformare parole, immagini o concetti in un formato numerico, così può capire quanto sono simili tra loro. È quello che permette all’AI di sapere che “cane” e “cucciolo” sono concetti collegati.

• Explainable AI: AI progettate per spiegare le proprie decisioni in modo comprensibile agli umani. Invece di essere una “scatola nera” che dà risposte senza spiegazioni, queste AI possono dire “ho deciso questo perché ho visto questi pattern nei dati”.

F
• Fine-tuning: prendere un’AI già addestrata e specializzarla per un compito specifico. Come prendere uno studente bravo in generale e fargli fare un corso specifico per diventare medico o avvocato.

• Foundation Model: un’AI “di base” molto potente che può essere adattata per tanti usi diversi. GPT-4 è un foundation model: può essere usato per scrivere, tradurre, programmare, riassumere, e molto altro.

G
• GAN – Generative Adversarial Network: due reti neurali* che “gareggiano” tra loro, ad esempio una crea contenuti falsi (come foto di persone inesistenti), l’altra cerca di scoprire se sono falsi. Competendo, la prima diventa sempre più brava a creare cose realistiche.

• Generative AI: AI che crea contenuti nuovi come testi, immagini, musica, video ed altro ancora. Importante, non copia e neppure assembla ma genera cose originali basandosi su quello che ha imparato.

• GPT – Generative Pre-trained Transformer: Il tipo di AI dietro ChatGPT. “Generative” perché genera testo, “Pre-trained” perché è già stata addestrata, “Transformer” è il nome dell’architettura che usa.

H
• Hallucination: quando l’AI si inventa informazioni che sembrano vere ma non lo sono. Non è un errore ma fa parte della “natura” delle AI.

I
• Input-to-Output AI: le principali opeazioni che l’AI può fare:
◊ Image-to-image: modificare stile, migliorare qualità, cambiare colori.
◊ Image-to-video: creare video da una singola foto.
◊ Image-to-text: descrivere cosa c’è in un’immagine.
◊ Text-to-speech: converte testo scritto in voce parlata.
◊ Text-to-image: crea immagini da descrizioni testuali.
◊ Text-to-video: genera video da descrizioni scritte.
◊ Video-to-video: genera video partendo da un video di riferimento.

L
• Large Language Model – LLM: AI addestrate su quantità immense di testo per capire e generare linguaggio naturale. ChatGPT, Claude, Bard sono tutti LLM. “Large” perché hanno miliardi di parametri*.

• Latency: quanto tempo ci mette un’AI a rispondere. Come il lag nei videogame: se è troppo alta, l’esperienza diventa frustrante.

M
• Machine Learning – ML: quando un’AI impara a riconoscere pattern utilizzando migliaia di esempi appositamente preparati. Ad esempio impara a riconoscere i gatti guardando migliaia di foto dove qualcuno ha evidenziato in qualche modo i gatti.

• MCP – Model Context Protocol: un protocollo che permette ad un’AI di collegarsi in modo sicuro e standardizzato a diverse fonti di dati e strumenti esterni. È come un connettore universale, l’AI può “collegarsi” ai tuoi file, database e applicazioni senza dover sviluppare connessioni specifiche per ognuno.

• Model: l’insieme di parametri matematici e architettura che raccoglie quello che l’AI ha imparato, salvato in file specifici (chiamati checkpoint) generati al termine del training*, sono il motore delle AI.
Tipi Comuni:
◊ Quantizzato: un modello in cui i parametri sono rappresentati con una precisione inferiore (es. da 32 bit a 8 bit o 4 bit), riducendone le dimensioni e i requisiti di memoria/potenza di calcolo per un uso più efficiente su dispositivi limitati.
◊ Distillato: un modello più piccolo e veloce che impara a imitare il comportamento di un modello più grande e complesso.
◊ Pre-trained: un modello già addestrato su un dataset molto grande e generico per imparare abilità generali, spesso usato come punto di partenza.
◊ Fine-tuned: un modello pre-addestrato che è stato ulteriormente addestrato su un dataset più piccolo e specifico per adattarlo a un compito o un ambito particolare.
◊ Open Source: un modello AI il cui codice e i dati di addestramento sono pubblicamente disponibili, permettendo a chiunque di usarlo, modificarlo e distribuirlo. (Nota: “Open Weights” significa solo che i pesi del modello sono scaricabili, ma non necessariamente open source).

• Multimodal AI: AI che può gestire diversi tipi di input insieme: testi, immagini, audio. Come quando chiedi a ChatGPT di descrivere una foto che gli hai caricato, o quando Siri capisce sia quello che dici che quello che scrivi.

N
• Natural Language Processing – NLP: la capacità dell’AI di capire e usare il linguaggio umano. È quello che permette a Google Translate di funzionare o ai chatbot di capire quello che scrivi.

• Neural Network: un sistema di calcolo ispirato al cervello umano, fatto di tanti nodi collegati tra loro. Ogni nodo riceve informazioni, le elabora e le passa ad altri nodi, fino ad arrivare a una decisione finale.

O
• OCR – Optical Character Recognition: tecnologia che converte immagini di testo (PDF scannerizzati, foto di documenti) in testo digitale modificabile. Non è specificamente AI, esisteva prima dell’AI moderna, ma oggi spesso usa tecniche AI per migliorare precisione e velocità.

• Open Source: termine spesso usato impropriamente nell’AI per definire quelle che permettono di scaricare in locale ed usare gratuitamente i modelli*. Secondo l’OSI (Open Source Initiative) il vero Open Source AI richiede accesso completo a tutti i componenti del trainng*. Molti modelli*, come Llama, sono solo “Open Weights” (pesi scaricabili) ma non veramente open source.

P
• Parametri: sono dei numeri che rappresentano la forza delle connessioni tra i “neuroni” artificiali in una rete neurale, come i pesi degli ingredienti in una ricetta. Durante il training* , l’AI aggiusta questi numeri in base ai dati. Descrivono la conoscenza che l’AI ha acquisito, permettendole di fare previsioni o prendere decisioni.

• Pattern Recognition: la capacità dell’AI di trovare regolarità e schemi nei dati, ad esempio quando riconosce che la gente compra più gelati quando fa caldo, o che certi sintomi insieme indicano una malattia specifica.

• Prediction: quando l’AI usa i pattern che ha imparato per stimare risultati probabili in situazioni nuove. Come quando Netflix ti suggerisce un film basandosi sui tuoi gusti passati: non è fortuna, ma analisi di schemi ricorrenti.

• Prompt: l’istruzione data all’AI per eseguire un’azione, deve essere chiara e specifica. La differenza tra “scrivi qualcosa” e “scrivi un riassunto di 200 parole su come funziona la fotosintesi” è enorme per l’AI.

• Prompt Engineering: l’arte di scrivere prompt che fanno ottenere all’AI i risultati migliori. Include dare esempi, specificare il formato che vuoi, dare un “ruolo” all’AI (“comportati come un professore di storia”).

R
• RAG – Retrieval-Augmented Generation: tecnica che permette all’AI prima di preparare una base dati e poi di usarla per cercare informazioni. Invece di inventare, l’AI prima “controlla gli appunti” e poi genera una risposta basata su informazioni verificate.

S
• Sentiment Analysis: quando l’AI capisce se un testo esprime emozioni positive, negative o neutre. Usata per analizzare recensioni, post sui social, feedback dei clienti.

• Supervised Learning: tipo di machine learning* dove l’AI impara da esempi già etichettati. Ad esempio per addestrare un’AI generativa di immagini a riconoscere i cani vengono fornite foto con i cani evidenziati in qualche modo, i metodi sono diversi, con scritto “cane”, in questo modo l’attention mechanism* dell’AI viene guidata sugli elementi importanti.

T
• Token: l’unità base con cui l’AI “legge” il testo, può corrispondere ad una parola, una parte di parola o anche un carattere, mediamente vale circa 3/4 di parola. Importante perché molti servizi AI si pagano a token, e c’è un limite di token per conversazione.

• Training (Addestramento): il processo con cui l’AI impara. Come andare a scuola: le mostri tanti esempi, lei fa errori, la correggi, e piano piano diventa più brava.

• Transformer: l’architettura dietro le AI moderne. È il motivo per cui oggi abbiamo AI così potenti nel linguaggio. Ha introdotto l’attention mechanism* che permette all’AI di capire il contesto.

U
• Unsupervised Learning: tipo di machine learning dove l’AI trova pattern da sola in dati non etichettati. Questo permette all’AI di trovare anche pattern non immediatamente visibili per noi umani, anche se richiede maggiori risorse del supervised learning*.

V
• Vector Database: un tipo speciale di database ottimizzato per l’AI. Invece di cercare parole esatte, può trovare concetti simili. È quello che permette ricerche “intelligenti”, ad esempio quando cerchi “felino” trovi anche risultati sui gatti.

Z
• Zero-shot Learning: quando l’AI riesce a riconoscere o classificare categorie che non ha mai visto durante il training*, usando caratteristiche generali che ha imparato. Come se dopo aver studiato cani e gatti, riuscisse a riconoscere un leone la prima volta che lo vede, capendo che è un felino dalle caratteristiche generali.