Glossario IA

Standard di comunicazione aperto sviluppato da Google in collaborazione con la Linux Foundation e presentato al Google Cloud Next nel 2025. Consente ad agenti di IA di diversi produttori di interagire tra loro e di delegare compiti senza interfacce proprietarie. Complementare all'MCP.

Sistema di IA che percepisce, pianifica e agisce in modo autonomo utilizzando strumenti per raggiungere da sé un obiettivo prefissato, spesso senza una guida umana continua.

Forma ipotetica di IA con capacità intellettuali pari o superiori a quelle umane in tutti gli ambiti. Finora non realizzata. I principali ricercatori di IA sono profondamente divisi sul momento in cui potrà essere raggiunta.

Regolamento (UE) 2024/1689: la prima legge completa al mondo per la regolamentazione dei sistemi di IA. Entrato in vigore il 1° agosto 2024. Strumento centrale: l'approccio basato sul rischio con quattro livelli di rischio.

Riepiloghi di risposta diretta generati dall'IA che i motori di ricerca (come Google) mostrano sopra i classici link blu. Aspetto centrale della nuova realtà della ricerca nell'ambito della GEO.

Proposta di direttiva dell'UE sulla responsabilità specifica per l'IA, con semplificazioni dell'onere della prova. La Commissione europea ha ritirato la proposta dal proprio programma di lavoro l'11 febbraio 2025; da allora la responsabilità per l'IA è coperta principalmente dalla nuova direttiva sulla responsabilità per danno da prodotti (PLD 2024/2853).

Tecnica di prompting avanzata in cui il modello segue in parallelo diversi approcci risolutivi, li valuta e seleziona il migliore.

Competenza per comprendere l'IA e lavorarci. Sancita come obbligo di legge per le imprese nel Regolamento europeo sull'IA (art. 4): devono garantire che il proprio personale possieda una sufficiente competenza in materia di IA.

L'allineamento di un sistema di IA ai valori, alle intenzioni e agli obiettivi umani. Il problema dell'allineamento — come garantire che un sistema di IA faccia ciò che gli esseri umani vogliono davvero? — è la sfida aperta centrale della ricerca sulla sicurezza dell'IA.

Situazione in cui un modello linguistico produce output dal suono plausibile ma di fatto errati. Si verifica perché i modelli sono ottimizzati per la plausibilità statistica, non per la verità. I modelli di frontiera attuali allucinano nel 5–15 % delle domande di fatto, a seconda del dominio.

IA debole o ristretta: sistemi specializzati in compiti specifici. Tutti i sistemi di IA oggi esistenti, compresi ChatGPT, Claude e Gemini, rientrano in questa categoria.

Interfaccia di programmazione attraverso la quale gli sviluppatori possono integrare modelli di IA nelle proprie applicazioni. Tutti i grandi fornitori di IA mettono a disposizione i propri modelli tramite API (ad es. l'API di OpenAI, l'API di Anthropic).

Capacità degli LLM di apprendere da esempi presenti nel prompt senza adattare i pesi del modello. Consente il prompting few-shot e zero-shot.

Approccio in cui un modello preaddestrato su una grande quantità di dati generali viene riaddestrato su una quantità di dati più piccola e specifica di dominio (messa a punto). Fondamento di praticamente tutti gli LLM moderni.

Sottocampo dell'apprendimento automatico basato su reti neurali profonde con molti strati. Fondamento della maggior parte dei sistemi di IA moderni, reso possibile dalle leggi di scala.

Principio di sicurezza che non presuppone alcuna affidabilità implicita per i sistemi o gli agenti di IA. Ogni azione di un agente di IA deve essere autorizzata in modo esplicito.

Stadio ipotetico dell'IA che supera di gran lunga l'intelligenza umana in quasi tutti gli ambiti. Attualmente fantascienza.

Manipolazione mirata degli input di un sistema di IA per provocare risultati errati. Esempio: modifiche minime e invisibili all'occhio umano a un'immagine inducono un sistema di riconoscimento delle immagini a classificare un segnale di stop come un limite di velocità.

Il meccanismo centrale dell'architettura Transformer. Calcola quanto fortemente ogni elemento di un input debba «prestare attenzione» a ogni altro. Consente di comprendere le relazioni di contesto su grandi quantità di testo.

Rete neurale addestrata a trasformare il proprio input in una rappresentazione compressa e a ricostruire l'input a partire da essa. Le sue varianti (VAE, autoencoder variazionale) servono all'IA generativa.

Attacco ai sistemi di IA in cui i dati di addestramento vengono manipolati intenzionalmente per influenzare il modello in una direzione desiderata o per corromperlo del tutto.

Test standardizzato per misurare le prestazioni dei modelli di IA in condizioni definite. Benchmark noti: MMLU (conoscenze generali), HumanEval (codice), GPQA (conoscenze specialistiche a livello di dottorato).

Distorsione sistematica nei risultati di un sistema di IA che svantaggia determinati gruppi. Può derivare dai dati (bias dei dati), dalle annotazioni (bias di etichettatura), dalla sottorappresentazione (bias di rappresentazione) o da cicli di retroazione che si autoalimentano (bias del ciclo di feedback).

L'utilizzo di strumenti e account di IA privati per scopi professionali. Una delle principali fonti di IA ombra e di violazioni della protezione dei dati nelle aziende.

Standard per la marcatura crittografica dei contenuti digitali con informazioni sulla provenienza. Consente di tracciare se un contenuto è stato creato da esseri umani o da un'IA. Sviluppato da Adobe, Microsoft, Intel e altri.

Capacità non osservabili nei modelli piccoli, ma che compaiono improvvisamente oltre una certa dimensione del modello o profondità di addestramento. Esempi: multilinguismo, ragionamento logico, apprendimento in contesto.

Tecnica di prompting in cui al modello viene chiesto di esporre il proprio processo di ragionamento passo dopo passo prima di fornire una risposta. Migliora notevolmente la qualità dei risultati nei compiti complessi.

Famiglia di modelli linguistici di IA dell'azienda Anthropic. Al Q1/2026 comprende Claude Opus (orientato al ragionamento) e Claude Sonnet (bilanciato). Nota per la sua ampia finestra di contesto (fino a 1 milione di token) e per l'IA costituzionale come approccio alla sicurezza.

Rete neurale specializzata nell'elaborazione di dati strutturati spazialmente, in particolare le immagini. Lo sguardo filtrato su sottoregioni (l'operazione di convoluzione) rende le CNN particolarmente efficaci per il riconoscimento delle immagini.

La capacità di comprendere i sistemi di IA, valutarli criticamente e utilizzarli in modo responsabile. Obbligo di legge per le imprese ai sensi dell'art. 4 del Regolamento europeo sull'IA da febbraio 2025.

Capacità di un agente di IA di utilizzare autonomamente il desktop di un computer: muovere il mouse, fare clic, digitare, scorrere. Introdotta da Anthropic per Claude, consente flussi di lavoro desktop completamente automatici.

Concetto che richiede che un essere umano mantenga in ogni momento il controllo effettivo sulle decisioni critiche dell'IA, particolarmente rilevante per i sistemi d'arma autonomi e l'IA ad alto rischio.

Sistema centrale di archiviazione dei dati che conserva grandi quantità di dati grezzi strutturati e non strutturati nella loro forma originaria. Punto di partenza di molti set di dati di addestramento dell'IA.

Database specializzato nell'archiviazione e nell'interrogazione efficienti di embedding (vettori). Componente centrale dei sistemi RAG. Esempi noti: Pinecone, Weaviate, Chroma.

Immagine, audio o video generato o manipolato dall'IA che mostra una persona in una situazione mai avvenuta. Nato dalla fusione di «deep learning» e «fake». Soggetto a obblighi di marcatura nel Regolamento europeo sull'IA.

Azienda cinese di IA (DeepSeek-V3, pubblicato il 26 dicembre 2024; DeepSeek-R1, pubblicato il 20 gennaio 2025) che, con il modello di ragionamento R1, ha raggiunto prestazioni di frontiera a una frazione dei costi di addestramento dei concorrenti occidentali. Ha innescato un dibattito internazionale sull'efficienza dei costi nell'addestramento dell'IA.

La messa a disposizione di un modello di IA addestrato in un ambiente di produzione, dove può essere utilizzato dagli utenti finali. Le decisioni di deployment sono molto rilevanti per il Regolamento europeo sull'IA.

Variazione nel tempo delle proprietà statistiche dei dati di input che può portare un modello di IA a perdere accuratezza. Richiede un monitoraggio continuo nei sistemi in produzione.

Pacchetto legislativo dell'UE proposto dalla Commissione europea il 19 novembre 2025; tra l'altro intende posticipare a dicembre 2027 le scadenze per i sistemi di IA ad alto rischio (allegato III) e introdurre un punto unico di segnalazione per le imprese (negoziati del trilogo in corso da marzo 2026).

Tecnologie che impediscono ai dati riservati di lasciare la rete aziendale. Nel contesto dell'IA vengono impiegate per impedire l'inserimento di dati sensibili in strumenti di IA pubblici.

Analisi del rischio obbligatoria ai sensi dell'art. 35 del GDPR per i sistemi di IA che presumibilmente comportano un rischio elevato per i diritti e le libertà delle persone interessate. Strettamente collegata alla gestione del rischio del Regolamento europeo sull'IA.

Procedura di addestramento introdotta nel 2023 da Rafailov et al. (Stanford) come alternativa più semplice all'RLHF. Anziché addestrare un modello di ricompensa separato, il DPO ottimizza il modello linguistico direttamente sulla base di coppie di preferenze (output preferiti vs. rifiutati). Riduce notevolmente la complessità e l'instabilità del processo RLHF.

Esecuzione di modelli di IA direttamente sui dispositivi finali (smartphone, sensori IoT, macchine industriali) anziché nel cloud. Vantaggi: minore latenza, maggiore protezione dei dati, capacità offline.

Elaborazione di più input contemporaneamente anziché singolarmente. Nel contesto dell'IA è rilevante per un'inferenza efficiente e per la riduzione dei costi nell'uso delle API.

Rappresentazione numerica di testo, immagini o altri dati come vettori in uno spazio ad alta dimensionalità. I contenuti semanticamente simili si collocano vicini tra loro. Fondamento dei database vettoriali e della ricerca semantica.

La leggibilità da parte delle macchine dei contenuti per i crawler e i parser di IA. Una metrica centrale della GEO che misura quanto facilmente un modello possa estrarre da una pagina web fatti strutturati, entità e relazioni (ad es. tramite il rendering lato server e una struttura HTML chiara).

Componente strategica della GEO. La costruzione mirata della visibilità dell'IA e della «AI availability» collocando marchi o prodotti nelle fonti primarie di terze parti (Reddit, Wikipedia, media specializzati) a cui i modelli attribuiscono il peso maggiore durante l'addestramento sui dati o il recupero.

Tecnica di prompting in cui al modello vengono forniti uno o più esempi dell'output desiderato prima di porre il compito vero e proprio.

Marcatura invisibile o visibile nei contenuti generati dall'IA (testo, immagine, audio) che rende dimostrabile un'origine automatica. Tecnicamente affine al C2PA. Prevista nel Regolamento europeo sull'IA come misura di trasparenza per i contenuti sintetici.

La quantità massima di testo (in token) che un modello linguistico può elaborare contemporaneamente. I modelli di frontiera attuali hanno finestre di contesto da 128.000 a 2.000.000 di token.

Modello sistematico per la creazione di prompt di alta qualità. L'acronimo inglese significa: Context (contesto), Role (ruolo), Action (azione), Format (formato), Tone (tono).

Meccanismo mediante il quale un modello linguistico richiama strumenti, API e database esterni. Presupposto centrale per il funzionamento degli agenti di IA.

Modello generativo composto da due reti neurali in competizione: il generatore (crea dati sintetici) e il discriminatore (distingue i dati reali da quelli generati). Introdotto nel 2014 da Ian Goodfellow.

Regolamento europeo (UE) 2016/679 sulla protezione dei dati personali, che si applica anche al trattamento da parte dei sistemi di IA. Il GDPR e il Regolamento europeo sull'IA si integrano e si sovrappongono in larga misura.

Famiglia di modelli di IA di Google DeepMind. Al Q1/2026 comprende Gemini Pro (frontiera), Gemini Flash (veloce ed efficiente in termini di costi) e Gemma 4 (variante open source). Multimodale in modo nativo.

Disciplina strategica per ottimizzare i contenuti affinché vengano citati come fonte preferita e riprodotti in modo più dettagliato dalle applicazioni di IA generativa, dai motori di ricerca (AI Overviews) e dai chatbot. Combina la SEO con l'estraibilità, il fame engineering e l'ottimizzazione delle entità.

Principio fondamentale: la qualità dell'output di un sistema di IA dipende direttamente dalla qualità dei suoi input (dati di addestramento e prompt). Vale sia per l'addestramento dei modelli sia per il prompting quotidiano.

Modello di IA per finalità generali che può essere impiegato per un'ampia gamma di compiti. Gli attuali modelli GPT, Claude Sonnet, Gemini Pro e Llama rientrano in questa categoria. Soggetto a regole proprie nel Regolamento sull'IA (art. 51–56).

Processore specializzato, sviluppato in origine per la grafica computerizzata, che grazie alla sua architettura di calcolo massicciamente parallela è particolarmente efficiente per l'addestramento e l'inferenza delle reti neurali. Le H100 e H200 di NVIDIA sono gli standard del settore nel 2026.

Base di conoscenza strutturata che rappresenta entità (persone, luoghi, concetti) e le loro relazioni come un grafo. Può essere combinata con sistemi RAG per migliorare le risposte dell'IA.

Collegamento degli output di un modello di IA con fonti di dati verificate e aggiornate. Riduce le allucinazioni basando le risposte del modello su documenti di riferimento concreti.

Progettazione di sistema in cui un essere umano è coinvolto nel processo decisionale e mantiene il controllo finale. Obbligatorio per i sistemi di IA ad alto rischio ai sensi dell'art. 14 del Regolamento europeo sull'IA.

Progettazione di sistema in cui l'IA decide autonomamente, ma un supervisore umano può intervenire e fermarla in qualsiasi momento. Posizione intermedia tra l'IA completamente autonoma e l'human-in-the-loop.

Approccio sviluppato da Anthropic per allineare i modelli di IA mediante principi definiti in modo esplicito (una «costituzione»). Anziché utilizzare esclusivamente il feedback umano, il modello valuta i propri output sulla base di questi principi.

L'utilizzo non autorizzato di strumenti di IA da parte dei dipendenti al di fuori dell'infrastruttura aziendale controllata dall'IT. Comporta notevoli rischi in materia di protezione dei dati e di conformità. Secondo uno studio di Microsoft del 2024, il 78 % degli utenti di IA nelle aziende utilizza account di IA privati per compiti professionali.

Sistemi di IA gestiti nel proprio data center o su server propri anziché su infrastruttura cloud. Offre il massimo controllo dei dati, ma richiede una propria infrastruttura IT.

Il processo con cui un modello di IA addestrato viene applicato a nuovi input e produce output. A differenza dell'addestramento, l'inferenza è necessaria a ogni utilizzo del modello.

Densità di fatti; la misura di entità o concetti nuovi, densi e verificabili che compaiono in un documento rispetto alla norma contestuale. Considerato un fattore decisivo di classificazione o selezione per i sistemi che sintetizzano le fonti.

Processo di selezione, trasformazione e creazione manuale di caratteristiche (feature) a partire dai dati grezzi per migliorare le prestazioni dei modelli di ML. Nei moderni modelli di apprendimento profondo è in gran parte sostituito dall'apprendimento automatico.

Attacco alla sicurezza in cui istruzioni nascoste vengono inserite in un input dell'utente o in un documento esterno per manipolare il comportamento di un sistema di IA. Particolarmente pericoloso con gli agenti di IA.

Concetto in cui l'IA non è intesa come sostituto dell'essere umano, bensì come amplificatore delle capacità umane. Sottolinea la collaborazione tra uomo e macchina.

Parametro di configurazione di un modello di IA che viene stabilito prima dell'addestramento (ad es. tasso di apprendimento, numero di strati, dimensione del batch). Regolato non dal processo di apprendimento stesso, bensì dallo sviluppatore.

Norma internazionale per i sistemi di gestione dell'IA (AIMS), adottata alla fine del 2023. Definisce i requisiti per lo sviluppo, l'impiego e il monitoraggio responsabili dei sistemi di IA nelle organizzazioni. Si armonizza con il Regolamento europeo sull'IA.

Legge nazionale tedesca di attuazione del Regolamento europeo sull'IA, con cui la Germania disciplina le competenze delle autorità nazionali di vigilanza del mercato (principalmente l'Agenzia federale delle reti) per il Regolamento sull'IA. In preparazione al Q1/2026.

Sistemi d'arma controllati dall'IA in grado di identificare, selezionare e attaccare bersagli in modo autonomo, senza che un essere umano prenda la decisione finale. Oggetto di intensi dibattiti internazionali; al 2026 non esiste alcun divieto vincolante.

Regolarità dimostrate empiricamente secondo cui le prestazioni degli LLM aumentano in modo prevedibile e continuo con la dimensione del modello, la quantità di dati e la potenza di calcolo. Fondamento delle decisioni di investimento delle grandi aziende di IA.

Raccolta strutturata di prompt collaudati e riutilizzabili per vari compiti. Elemento fisso dell'uso professionale dell'IA in azienda.

Famiglia di modelli di IA open source di Meta AI. Al Q1/2026 Llama è disponibile. Consente l'esecuzione locale e la messa a punto senza dipendere da API proprietarie nel cloud.

Grande modello linguistico con miliardi fino a migliaia di miliardi di parametri, addestrato su enormi corpora di testo. Esempi: gli attuali modelli GPT, Claude Sonnet, Gemini Pro, Llama.

Applicazione desktop di facile utilizzo per Windows, Mac e Linux che consente di scaricare facilmente ed eseguire localmente modelli di IA open source senza conoscenze di programmazione.

Variante speciale di RNN dotata di gate per la memorizzazione e l'oblio selettivi delle informazioni. Ha dominato l'elaborazione del linguaggio prima dell'era dei Transformer; nei moderni LLM è in gran parte sostituita.

Protocollo pubblicato da Anthropic nel 2024 come standard aperto per il collegamento standardizzato dei modelli di IA a strumenti, fonti di dati e servizi esterni. Paragonabile a uno standard USB per le integrazioni di IA.

Riaddestramento di un modello di base preaddestrato su un set di dati più piccolo e specifico di dominio per migliorarne le prestazioni in un compito determinato. Più efficiente in termini di risorse rispetto al preaddestramento da zero.

Tecnica in cui il modello di IA viene utilizzato per generare prompt migliori. Il modello aiuta a migliorare la qualità del proprio input.

Azienda francese di IA che sviluppa potenti modelli open source (Mistral 7B, Mixtral) e l'assistente di IA «Le Chat». Pioniere dello sviluppo europeo dell'IA, con un'attenzione alla protezione dei dati secondo gli standard dell'UE.

Architettura di modello con molte sottoreti specializzate (esperti), di cui per ogni input viene attivata solo una frazione. Consente modelli complessivi molto grandi con un'inferenza efficiente. GPT-4 e Mixtral si basano su questo principio.

Insieme di pratiche, processi e strumenti per l'operatività dei modelli di apprendimento automatico in ambito aziendale. Comprende l'intera catena, dallo sviluppo del modello all'addestramento e ai test, fino al deployment, al monitoraggio e al riaddestramento negli ambienti di produzione. Analogo al DevOps nello sviluppo software classico.

Benchmark importante per misurare le conoscenze generali dei modelli di IA in 57 aree tematiche, dalla matematica al diritto.

Quadro di riferimento per classificare lo sviluppo dell'IA in base al grado di autonomia. Stadio 0: software basato su regole (nessun apprendimento, nessun Regolamento sull'IA). Stadio 1: chatbot (sistemi passivi di domanda e risposta). Stadio 2: modelli di ragionamento (IA che pensa e pianifica). Stadio 3: agenti autonomi (IA che agisce in modo indipendente). Stadio 4: IA innovatrice/AGI (IA ricercatrice che crea cose nuove). Stadio 5: IA organizzativa/ASI (superintelligenza che guida le organizzazioni, ipotetica).

Modello generativo che impara a «rimuovere il rumore» da un'immagine rumorosa passo dopo passo, generando così nuove immagini di alta qualità a partire dal rumore. Fondamento di Midjourney, Stable Diffusion e della serie GPT-Image (ex DALL-E 3).

Modello di IA che, prima di rispondere, percorre un processo di ragionamento interno a più stadi (Sistema 2). Esempi: i modelli di ragionamento (Thinking) di OpenAI, Claude Opus. Particolarmente efficace in matematica, logica e analisi complesse.

Sinonimo di modello di base: un grande modello di IA preaddestrato che funge da base per molte diverse applicazioni a valle. Gli attuali modelli GPT, Claude Sonnet e Gemini Pro sono modelli fondativi.

Sistemi di IA in grado di elaborare e generare contemporaneamente diversi tipi di dati (testo, immagine, audio, video, codice). Gemini Pro e gli attuali modelli GPT sono multimodali in modo nativo.

Sottocampo dell'IA che si occupa dell'elaborazione e della comprensione del linguaggio umano. Fondamento di tutti i modelli linguistici.

Strumento da riga di comando open source per la gestione e l'esecuzione locali di modelli di IA. Apprezzato dagli sviluppatori per l'integrazione di modelli locali nelle proprie applicazioni.

Denominazione collettiva del sistema di agenti di IA di OpenAI, che naviga autonomamente nei browser web, compila moduli e può effettuare prenotazioni. Il servizio originario «Operator» (gennaio 2025) è stato dismesso il 31 agosto 2025 ed è confluito nel «ChatGPT Agent», disponibile da luglio 2025.

Problema in cui un modello apprende i dati di addestramento in modo troppo preciso, compresi i loro errori e le loro casualità, e di conseguenza fornisce prestazioni scadenti su dati nuovi e sconosciuti.

Termine della linguista Emily Bender per gli LLM: sistemi che imitano in modo molto complesso i modelli linguistici dei dati di addestramento senza comprendere i significati sottostanti.

I pesi interni di una rete neurale che vengono adattati durante l'addestramento mediante retropropagazione. I modelli di grandi dimensioni possiedono da miliardi a migliaia di miliardi di parametri. Il numero di parametri è un'approssimazione (incompleta) della complessità del modello.

Meccanismo presente in Claude Opus e in modelli di ragionamento analoghi, in cui il modello «riflette» esplicitamente prima di rispondere; il processo di ragionamento interno è in parte visibile all'utente.

Direttiva europea rivista sulla responsabilità per danno da prodotti (2024/2853) che, da ottobre 2024, include espressamente il software e i sistemi di IA tra i prodotti, assoggettandoli così alla responsabilità per danno da prodotti senza colpa.

L'input (istruzione, domanda, contesto, esempi) che un utente fornisce a un sistema di IA per generare un output.

Istruzione preliminare invisibile che definisce il comportamento di base, la personalità e i vincoli di un sistema di IA. Utilizzata dalle aziende per personalizzare le applicazioni di IA.

La progettazione sistematica dei prompt per guidare i sistemi di IA verso risultati ottimali. Comprende tecniche come CRAFT, catena di pensiero, few-shot e metaprompting.

Tecnica per ridurre il fabbisogno di memoria di un modello rappresentando i pesi con una precisione numerica inferiore (ad es. 4 bit anziché 32 bit). Consente l'esecuzione locale di modelli di grandi dimensioni su hardware di consumo.

Architettura in cui, prima di generare una risposta, un modello linguistico recupera informazioni pertinenti da una base di conoscenza esterna e aggiornata e le integra nella risposta. Riduce notevolmente le allucinazioni nei compiti basati sui fatti.

Simulazione sistematica di attacchi in cui un team tenta deliberatamente di manipolare o corrompere un sistema di IA. Obbligatorio nel Regolamento europeo sull'IA per i modelli GPAI con rischio sistemico.

Modello di calcolo concepito in modo approssimativo come analogia del cervello biologico. È composto da strati di nodi (neuroni) e da connessioni pesate. L'apprendimento avviene mediante l'adattamento dei pesi.

L'algoritmo di apprendimento fondamentale delle reti neurali. Calcola l'errore dell'output all'indietro attraverso la rete e adatta i pesi per minimizzare l'errore.

Procedura di addestramento in cui le valutazioni umane delle risposte dell'IA vengono utilizzate come segnale di ricompensa per il modello, al fine di allinearlo alle preferenze umane.

Tipo di rete neurale con connessioni di retroazione che elabora dati sequenziali. In gran parte soppiantata dai Transformer.

Denominazione per i sistemi di IA i cui processi decisionali interni non sono comprensibili per l'essere umano. Le reti neurali profonde sono tipici sistemi a scatola nera. Il contrario: l'IA spiegabile (XAI).

Metodo dell'IA spiegabile (XAI) che calcola il contributo di ciascuna caratteristica di input alla previsione di un modello.

Distinzione mutuata dalla psicologia di Daniel Kahneman tra modelli di IA rapidi e intuitivi (Sistema 1, ad es. modelli GPT più piccoli, Claude Sonnet) e modelli di ragionamento lenti e analitici (Sistema 2, ad es. i modelli di ragionamento di OpenAI, Claude Opus).

Architettura di IA in cui più agenti di IA specializzati collaborano in parallelo o in sequenza per risolvere compiti complessi che un singolo agente non potrebbe affrontare. Ogni agente assume un ruolo chiaramente definito (ad es. pianificatore, ricercatore, programmatore, revisore). Orchestrata da framework come LangGraph, AutoGen o CrewAI e standardizzata dal protocollo A2A.

Modello linguistico compatto con da 1 a 14 miliardi di parametri, ottimizzato per compiti specifici ed eseguibile su hardware di consumo. Esempi: Phi-4 (Microsoft), Gemma 3 (Google), Llama.

La valutazione delle persone in base al loro comportamento sociale o a caratteristiche personali da parte di sistemi di IA. Vietata dal Regolamento europeo sull'IA da febbraio 2025 (art. 5).

Analisi automatizzata di grandi quantità di opere protette da diritto d'autore da parte di sistemi di IA. Nell'UE è regolata dalla direttiva sul diritto d'autore nel mercato unico digitale (art. 3 e 4): consentita a condizione che il titolare dei diritti non si sia opposto (principio di opt-out).

Metodo per valutare modelli di IA o prompt in cui due varianti vengono testate simultaneamente e i risultati confrontati. Importante per l'ottimizzazione sistematica delle applicazioni di IA.

Esperimento mentale proposto da Alan Turing nel 1950 per misurare l'intelligenza delle macchine: in una conversazione scritta, un essere umano può non distinguere se il suo interlocutore è una macchina o un essere umano?

Potenza di calcolo aggiuntiva impiegata durante l'inferenza (non durante l'addestramento) per ottenere risultati migliori. Fondamento dei modelli di ragionamento.

L'unità di elaborazione fondamentale del testo nei modelli linguistici. Un token corrisponde tipicamente a 3–4 caratteri o a circa tre quarti di una parola inglese. 1.000 token corrispondono a circa 750 parole.

Algoritmo che suddivide il testo in token prima che venga immesso in un modello linguistico. Modelli diversi utilizzano strategie di tokenizzazione differenti.

Architettura di rete neurale fondamentale, presentata nel 2017 da Vaswani et al. (Google) nell'articolo «Attention Is All You Need». Si basa su meccanismi di self-attention ed è il fondamento di tutti i modelli linguistici moderni.

Problema in cui un modello è troppo semplice e non coglie i modelli sottostanti nei dati di addestramento. L'opposto dell'overfitting.

Veicolo a guida autonoma secondo la classificazione SAE, con cinque livelli di autonomia. Il livello 2 (automazione parziale) è oggi molto diffuso; il livello 4 (completamente automatizzato senza conducente) è disponibile in progetti pilota; il livello 5 (completamente autonomo in tutte le condizioni) resta un obiettivo di sviluppo.

Termine che indica il cambiamento di paradigma nello sviluppo software in cui gli sviluppatori (o anche i non programmatori) descrivono la propria intenzione architetturale in linguaggio naturale anziché scrivere il codice riga per riga. Strumenti come GitHub Copilot Agent Mode, Lovable o Bolt.new trasformano i prompt in applicazioni completamente distribuite. Termine coniato all'inizio del 2025.

Modello di IA in grado di elaborare contemporaneamente testo e immagini. Consente compiti come la descrizione di immagini, la risposta visiva a domande e l'analisi di documenti.

Metodi e approcci che rendono le decisioni dell'IA comprensibili e interpretabili per gli esseri umani. Metodi: LIME, SHAP, visualizzazione dell'attenzione, catena di pensiero. Sancita nel Regolamento europeo sull'IA come presupposto per i sistemi ad alto rischio.

Tecnica di prompting in cui al modello non viene fornito alcun esempio, ma solo la descrizione del compito. Il modello risolve il compito unicamente sulla base delle sue conoscenze pregresse.