A
Addestramento: processo mediante il quale un algoritmo apprende dai dati, modificando i propri parametri per migliorare le prestazioni.
Algoritmo: insieme di istruzioni logiche e matematiche che permettono di risolvere un problema o svolgere un compito.
Apprendimento automatico (Machine Learning): ramo dell’AI in cui i computer imparano dai dati senza essere esplicitamente programmati.
Apprendimento supervisionato: tipo di machine learning dove i dati di input sono associati a etichette (es. immagini con il nome dell’oggetto).
Apprendimento non supervisionato: tipo di apprendimento dove l’algoritmo cerca schemi o gruppi nei dati non etichettati.
Apprendimento per rinforzo (Reinforcement Learning): tecnica in cui un agente impara a massimizzare una ricompensa eseguendo azioni in un ambiente.
B
Bias (pregiudizio algoritmico): distorsione nei risultati causata da dati di addestramento incompleti o parziali.
Big Data: enormi volumi di dati generati a grande velocità e varietà, spesso utilizzati per addestrare sistemi AI.
Bot: software automatizzato che esegue compiti online o su piattaforme digitali (es. chatbot).
C
Classificazione: compito di assegnare un’etichetta o categoria a un dato di input.
Clusterizzazione: tecnica di apprendimento non supervisionato che raggruppa dati simili.
Computer vision: campo dell’AI che consente alle macchine di “vedere” e interpretare immagini o video.
Chatbot: programma in grado di simulare una conversazione umana, spesso integrato in siti o app.
D
Deep Learning: sottoinsieme del machine learning basato su reti neurali artificiali molto complesse (deep neural networks).
Dataset: raccolta strutturata di dati utilizzata per addestrare e testare modelli di AI.
Decision tree (albero decisionale): modello predittivo che divide i dati in rami basati su scelte binarie.
E
Etica dell’AI: riflessione sui rischi e le implicazioni morali dell’uso dell’intelligenza artificiale.
Embedding: tecnica che converte dati complessi (come parole o immagini) in rappresentazioni numeriche più gestibili.
F
Feature (caratteristica): attributo o proprietà di un dato utilizzato dall’algoritmo per apprendere.
Fine-tuning: processo di raffinamento di un modello AI già pre-addestrato, adattandolo a un compito specifico.
G
Generative AI (IA generativa): modelli capaci di creare contenuti nuovi come testi, immagini, musica o codice (es. ChatGPT, DALL-E).
GPU (Graphics Processing Unit): unità di calcolo molto efficiente per l’addestramento di modelli AI, specialmente nel deep learning.
H
Hallucination: risposta generata da un modello IA che appare plausibile ma è falsa o inventata.
Hybrid AI: approccio che combina tecniche diverse (es. simboliche e neurali) per ottenere migliori risultati.
I
Intelligenza Artificiale (IA): disciplina che studia la creazione di sistemi in grado di eseguire compiti che normalmente richiederebbero intelligenza umana.
Inferenza: fase in cui un modello AI applica ciò che ha appreso per fare previsioni o classificazioni su nuovi dati.
L
Linguaggio naturale (Natural Language): modo di comunicare con l’IA usando il linguaggio umano (parlato o scritto).
Large Language Model (LLM): modello linguistico di grandi dimensioni (es. GPT), addestrato su miliardi di parole per generare o comprendere testi.
M
Machine Learning (ML): vedi “Apprendimento automatico”.
Model: rappresentazione matematica che apprende dai dati per fare previsioni o prendere decisioni.
N
Neurone artificiale: unità base delle reti neurali, ispirata al funzionamento del cervello umano.
NLP (Natural Language Processing): campo dell’IA che si occupa dell’elaborazione e comprensione del linguaggio naturale.
Neural Network (Rete neurale): sistema di neuroni artificiali organizzati in livelli per apprendere relazioni complesse tra dati.
O
Overfitting: situazione in cui un modello è troppo “adattato” ai dati di addestramento e quindi funziona male su dati nuovi.
P
Prompt: istruzione o input fornito a un modello generativo (es. ChatGPT) per ottenere una risposta.
Preprocessing: operazioni preliminari sui dati (pulizia, normalizzazione) prima dell’addestramento.
R
Regressione: modello che prevede un valore continuo (es. prezzo di una casa).
Riconoscimento facciale: tecnologia IA che identifica volti umani in immagini o video.
Robotics: campo che combina IA e ingegneria per creare macchine capaci di interagire con l’ambiente.
S
Supervised Learning: vedi “Apprendimento supervisionato”.
Speech recognition: capacità dell’IA di riconoscere e interpretare la voce umana.
Swarm Intelligence: intelligenza collettiva emergente da gruppi di agenti semplici (es. sciami, droni, robot).
T
Token: unità base (parola o parte di parola) utilizzata dai modelli linguistici per elaborare testi.
Tuning: aggiustamento fine dei parametri di un modello per migliorarne la performance.
U
Unsupervised Learning: vedi “Apprendimento non supervisionato”.
User Intent: intento dell’utente interpretato da un sistema IA, importante in chatbot e motori di ricerca intelligenti.
V
Visione artificiale: vedi “Computer vision”.
Validazione: fase in cui si verifica l’efficacia del modello su dati mai visti prima, per evitarne il sovra-adattamento.
W
Weak AI (IA debole): sistemi progettati per eseguire compiti specifici (es. riconoscimento vocale), senza consapevolezza o coscienza.
Weights (Pesi): parametri interni delle reti neurali che vengono aggiornati durante l’addestramento.
TECNOLOGIE EMERGENTI DELL’INTELLIGENZA ARTIFICIALE
Intelligenza Artificiale Generativa (Generative AI)
Descrizione: sistemi in grado di creare contenuti originali, come testi, immagini, musica o codice.
Esempi: ChatGPT, DALL-E, Midjourney, GitHub Copilot.
Applicazioni: scrittura automatica, creazione di arte digitale, assistenza alla programmazione, design.
AI Conversazionale
Descrizione: chatbot e assistenti virtuali capaci di dialogare in linguaggio naturale con gli utenti.
Esempi: ChatGPT, Google Bard, Claude AI, Amazon Alexa.
Usi: customer service, automazione call center, educazione digitale.
AI multimodale
Descrizione: modelli che elaborano più tipi di input contemporaneamente, come testo, immagini, audio e video.
Esempi: GPT-4o (OpenAI), Gemini (Google), Claude 3 (Anthropic).
Importanza: fondamentale per applicazioni integrate (es. visione + linguaggio + voce).
Robotica Intelligente
Descrizione: robot capaci di percepire, apprendere e adattarsi all’ambiente.
Esempi: robot umanoidi, droni autonomi, bracci meccanici industriali con IA.
Usi: logistica, medicina, agricoltura, esplorazione spaziale.
Edge AI
Descrizione: IA che funziona direttamente su dispositivi locali (es. smartphone, videocamere), senza dipendere dal cloud.
Benefici: maggiore velocità, minor consumo di rete, più privacy.
Esempi: processori AI nei telefoni (es. Apple Neural Engine, Google Tensor).
AI per la sostenibilità
Descrizione: uso dell’IA per supportare l’energia rinnovabile, l’agricoltura intelligente, la riduzione degli sprechi.
Esempi: modelli predittivi per consumo energetico, rilevamento incendi, ottimizzazione della logistica “green”.
