Glossario dell’AI generativa

Questo glossario, costantemente aggiornato, è solo un punto di partenza. L’AI generativa è in costante evoluzione e il mio lavoro – tra formazione, sperimentazione e consulenza – mi permette di esplorarla ogni giorno. Il mio approccio resta lo stesso: non cedere né al catastrofismo né all’entusiasmo cieco, ma studiare, testare e capire dove questa tecnologia ci sta portando e dove la stiamo portando.

Intelligenza Artificiale (AI)

L’intelligenza artificiale è un insieme di tecnologie informatiche che consentono alle macchine di eseguire compiti che normalmente richiederebbero l’intelligenza umana, come la comprensione del linguaggio naturale, il riconoscimento delle immagini, il ragionamento e la generazione di contenuti.

Preferisco parlare di intelligenze artificiali al plurale, perché il concetto di AI unica e monolitica è fuorviante: ci sono tanti modelli con caratteristiche, obiettivi e applicazioni diverse. Non sono entità pensanti, non sono creature senzienti, e non sono magiche. Sono strumenti che riflettono scelte progettuali e che vanno compresi nel loro funzionamento per poterli usare davvero.

Ho affrontato il tema dell’AI da più angolazioni: nel giornalismo, con Slow News, nel marketing, nella formazione aziendale, nello sviluppo di chatbot personalizzati per aziende e progetti, nella scrittura insieme a Mafe de Baggis (In principio era ChatGPT, E poi arrivò DeepSeek), e nella sperimentazione artistica (Nox e Dust, l’estetica di Atipiche) e personale (il mio avatar). Ogni volta, l’obiettivo è lo stesso: capire come integrare l’AI in modo consapevole, senza delegare acriticamente alle macchine né demonizzarle.


Intelligenza artificiale generativa

Un sottoinsieme dell’AI che si concentra sulla creazione di nuovi contenuti: testi, immagini, musica, video e persino codice. I modelli generativi non si limitano a elaborare informazioni già esistenti, ma producono qualcosa di nuovo basandosi su ciò che hanno appreso.

Questo è il settore su cui mi sono focalizzato di più. L’AI generativa è già parte del mio workflow quotidiano: la uso per analizzare dati, creare contenuti, sintetizzare informazioni, progettare corsi e sviluppare strumenti personalizzati. Ho insegnato e insegno a giornalisti, editori, aziende di ogni genere come sfruttarla senza cadere nelle trappole della mediocrità automatizzata.

Un esempio pratico? Il progetto di chatbot personalizzato FOIABot.


Large Language Model (LLM)

Modelli di AI generativa addestrati su enormi quantità di testo. Sono capaci di produrre risposte coerenti basandosi su input testuali e di adattarsi a vari contesti, dalla scrittura creativa alla programmazione.


GAN (Generative Adversarial Network)

Un tipo di rete neurale generativa che si basa sulla competizione tra due modelli: un generatore, che cerca di creare contenuti credibili, e un discriminatore, che tenta di distinguere i contenuti reali da quelli generati.

L’ho approfondito in diversi contesti, soprattutto quando ho sperimentato con strumenti di generazione di immagini. GAN e Diffusion Models sono fondamentali per capire come funzionano strumenti come DALL-E, MidJourney e Stable Diffusion, che ho usato per testare la creazione di illustrazioni per progetti editoriali e narrativi.


Allucinazioni dell’AI

Fenomeno per cui un modello generativo produce informazioni inesatte, inventando dettagli che non esistono nei dati di addestramento. Le allucinazioni non sono un errore di programmazione, ma una caratteristica strutturale degli LLM. È un problema particolarmente rilevante per il giornalismo, dove informazioni errate possono generare disinformazione. Durante le mie lezioni ai giornalisti, faccio sempre un test: chiedo a ChatGPT di fornire una fonte su un evento specifico. Spesso inventa una citazione plausibile ma inesistente. Questo dimostra perché il fact-checking umano resta essenziale.


Prompt Engineering

L’arte e la tecnica di scrivere istruzioni precise per ottenere le migliori risposte da un modello AI. Una tecnica che, però, è molto lontana da quel che si pensa: schemi fissi, prompt da copia-incollare sono un’illusione


Bias nei modelli di AI

Le AI riflettono i dati con cui vengono addestrate. Se questi dati contengono pregiudizi (di genere, razziali, culturali), il modello li riproduce e talvolta li amplifica.


Fine-tuning

Personalizzazione di un modello AI su un set di dati specifico per migliorarne le performance in un determinato contesto.


AI Open-Source

Modelli di AI i cui pesi e dati di addestramento sono pubblici, permettendo a chiunque di studiarli e modificarli.

Ho sempre sostenuto l’importanza dell’open-source in AI. Nel libro E poi arrivò DeepSeek, ho analizzato come i modelli parzialmente open-source cinesi abbiano scosso il mercato dominato da OpenAI e Google. L’accesso ai modelli aperti è fondamentale per evitare monopoli tecnologici e garantire una maggiore trasparenza.


Retrieval-Augmented Generation (RAG)

Tecnica che combina generazione di testo con il recupero di informazioni aggiornate da fonti esterne.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.