"Intelligenza artificiale" è diventato un termine ombrello che copre tecnologie molto diverse tra loro: un filtro antispam, un sistema di raccomandazione e ChatGPT sono tutti "AI", ma funzionano in modi radicalmente differenti. Questo articolo mette ordine nei concetti di base, dal machine learning classico ai moderni modelli linguistici, con il vocabolario minimo per orientarsi senza perdersi nel marketing.
Intelligenza artificiale, machine learning, deep learning
Sono tre cerchi concentrici, non sinonimi:
- Intelligenza artificiale (AI) — il campo più ampio: qualunque sistema che simula capacità tipicamente umane (riconoscere, decidere, generare)
- Machine learning (ML) — un sottoinsieme dell'AI: sistemi che imparano schemi dai dati invece di seguire regole scritte a mano da un programmatore
- Deep learning — un sottoinsieme del ML basato su reti neurali artificiali con molti strati ("profonde"), la tecnica dietro quasi tutti i progressi recenti: riconoscimento immagini, traduzione automatica, modelli linguistici
Come "impara" una rete neurale
Una rete neurale è, in sostanza, una grande funzione matematica con milioni (o miliardi) di parametri numerici regolabili. Durante il training, la rete riceve esempi (es. migliaia di email marcate "spam" o "non spam"), fa una previsione, la confronta con la risposta corretta e aggiusta leggermente i propri parametri per sbagliare un po' meno la prossima volta. Ripetuto milioni di volte su enormi quantità di dati, questo processo produce un modello capace di generalizzare a esempi mai visti prima. Una volta addestrato, usare il modello per fare previsioni su dati nuovi si chiama inferenza — è la fase che avviene, ad esempio, ogni volta che si scrive un messaggio a ChatGPT.
Cosa sono i Large Language Model (LLM)
Un LLM (Large Language Model — GPT, Claude, Gemini, Llama, e simili) è una rete neurale addestrata su enormi quantità di testo per prevedere, dato un contesto, quale sia il "token" (frammento di parola) più probabile successivo. Da questo compito apparentemente semplice — completare testo — emergono capacità sorprendenti: rispondere a domande, scrivere codice, riassumere documenti, ragionare passo-passo. È importante ricordare che un LLM non "sa" fatti nel senso in cui li sa un database: genera testo statisticamente plausibile, il che lo rende capace di produrre affermazioni sbagliate ma dette con sicurezza — fenomeno noto come allucinazione.
Prompt engineering, fine-tuning e RAG
Tre modi diversi (e complementari) per ottenere risposte migliori o più pertinenti da un LLM:
| Tecnica | Cosa fa | Quando usarla |
|---|---|---|
| Prompt engineering | Scrivere istruzioni più chiare, con esempi e contesto nella domanda stessa | Sempre, è il primo passo, a costo zero |
| RAG (Retrieval-Augmented Generation) | Recuperare documenti pertinenti da una base di conoscenza e includerli nel prompt prima di generare la risposta | Quando serve rispondere su dati specifici (aziendali, aggiornati) che il modello non conosce |
| Fine-tuning | Riaddestrare il modello su un dataset specifico per specializzarne lo stile o il comportamento | Casi avanzati, quando prompt e RAG non bastano; richiede dati ed esperienza tecnica |
Il RAG è la tecnica più diffusa in ambito aziendale perché evita di dover riaddestrare un modello ogni volta che cambia un documento: basta aggiornare la base di conoscenza da cui il sistema recupera le informazioni.
Un vocabolario minimo per non perdersi
- Token — l'unità minima di testo che un modello elabora (circa 3/4 di una parola in italiano); il costo delle API si misura quasi sempre in token
- Context window — quanta informazione (in token) un modello può "tenere a mente" in una singola conversazione prima di iniziare a dimenticare l'inizio
- Modello open-weight — un modello i cui parametri sono scaricabili ed eseguibili sui propri server, in alternativa ai modelli proprietari accessibili solo via API
- Agente AI — un sistema che non si limita a rispondere, ma usa strumenti esterni (ricerca web, esecuzione di codice, chiamate ad API) per portare a termine un compito in più passaggi
Il punto da ricordare
Non esiste "l'AI" come entità unica: esiste un insieme di tecniche, ciascuna con punti di forza e limiti precisi. Sapere se un problema richiede un modello di classificazione classico, un LLM con RAG o nessuna AI affatto (a volte una query SQL basta) è la competenza che fa davvero la differenza nel valutare dove l'intelligenza artificiale porta valore reale in un'azienda, e dove è solo complessità aggiunta.