Concetti AI Spiegati dall’AI
Una serie che spiega l’intelligenza artificiale un concetto alla volta: ogni lezione ha il video e il testo per riprendere con calma.
33 lezioni
Nessuna lezione trovata. Prova con un’altra parola.
Cosa sono i Large Language Model
Un LLM predice la parola successiva, un token alla volta. Da qui nasce tutto: cosa sanno fare davvero, perché ogni tanto inventano, e cosa vogliono dire sigle come 7B, Instruct o MoE.
Transformer e Attention
L'architettura su cui si basano tutti i LLM moderni. Il salto: invece di leggere una parola alla volta, guardare l'intera frase e decidere a cosa prestare attenzione.
La tokenizzazione
Il modello non legge lettere né parole: legge token. Capire come il testo viene spezzato spiega i costi, i limiti di contesto e certi errori che sembrano assurdi.
Context window e memoria
La finestra di contesto è il foglio di lavoro del modello: quello che non ci sta, per lui non esiste. E no, il modello non ricorda le conversazioni precedenti.
I parametri di generazione
Temperature, top-p, penalità: le manopole che decidono come il modello sceglie il token successivo, e quindi se la risposta sarà precisa, creativa o incoerente.
Embedding e spazio vettoriale
Trasformare il significato in coordinate. È il meccanismo dietro la ricerca semantica e il RAG: testi vicini di senso finiscono vicini nello spazio, anche con parole diverse.
Pre-training, SFT e RLHF
Un modello moderno nasce in tre fasi: impara la lingua, impara a rispondere, impara a rispondere bene. Ogni fase cambia radicalmente il suo comportamento.
Fine-tuning e LoRA
Specializzare un modello senza riaddestrarlo da zero. E la domanda che viene prima: ti serve davvero il fine-tuning, o basta un prompt migliore o un RAG?
La quantizzazione
Ridurre la precisione dei numeri per far entrare un modello da miliardi di parametri in un portatile. Quanto si perde davvero, e dove conviene fermarsi.
La multimodalità
Modelli che non leggono soltanto: vedono, ascoltano, generano immagini e audio. Come il testo e i pixel finiscono nello stesso spazio, e cosa aspettarsi davvero.
Le basi del prompting
L'anatomia di un prompt che funziona: istruzione, contesto, dati e formato. Quattro pezzi che spiegano la differenza fra una risposta vaga e una utile.
Il system prompt
Le istruzioni di regia che il modello riceve prima di salire sul palco. È la differenza fra un assistente generico e uno strumento che fa quello che serve a te.
Few-shot e Chain of Thought
Insegnare con gli esempi e far ragionare a voce alta. Le due tecniche che alzano di più l'accuratezza senza toccare il modello.
Tecniche avanzate di prompting
Oltre il passo-passo: far usare strumenti al modello, esplorare strade alternative, fargli rileggere il proprio lavoro. Le tecniche che stanno dietro agli agenti.
Prompt per modelli piccoli
Un 8B non è un modello grande in miniatura: ha limiti diversi e vuole prompt diversi. Quello che funziona sui modelli di frontiera spesso qui fallisce.
Panoramica dei modelli open source
Le famiglie che contano: Qwen, Llama, DeepSeek, Mistral, Gemma, con punti di forza, taglie disponibili e licenze. Una mappa per non perdersi.
Come scegliere un modello
Quattro domande in fila: compito, dimensione, quantizzazione, runtime, che portano dal 'quale prendo?' a una scelta motivata in pochi minuti.
Benchmark e valutazione
Cosa misurano davvero le classifiche, perché sono spesso fuorvianti, e come costruirsi in mezz'ora una valutazione che conta più di tutte: la propria.
Cloud o locale?
Tre modi di far girare un modello: sulla tua macchina, via API, o affittando GPU, con costi reali, privacy e i casi in cui ciascuno vince.
Hardware per LLM in locale
La memoria è il collo di bottiglia, tutto il resto viene dopo. Come calcolare cosa ti serve davvero e cosa aspettarti dalla macchina che hai già.
Ollama
Il runtime diventato standard per far girare modelli in locale: un comando per partire, un'API compatibile OpenAI su cui costruire qualsiasi cosa.
LM Studio
L'interfaccia grafica per scaricare, provare e servire modelli. Su Apple Silicon ha una carta in più: il formato MLX e il tool calling che funziona davvero.
Open WebUI
Un ChatGPT tutto tuo: interfaccia web, storico delle conversazioni, documenti su cui fare domande e più utenti. Tutto sulla tua macchina.
Goose: dal modello all'agente
Un agente open source che legge file, esegue comandi e chiude il cerchio, collegato al tuo modello locale. Cosa cambia davvero rispetto a una chat.
Unsloth: fine-tuning alla portata
Addestrare un modello sul tuo dominio con la memoria che hai. Il motore che ha spostato il fine-tuning da 'serve un datacenter' a 'sta su una GPU da gioco'.
Cos'è il RAG: far leggere i tuoi documenti a un modello
Un modello non conosce i tuoi file. Il RAG glieli fa consultare al momento della domanda: prima cerca, poi risponde. È la differenza fra un esame a libro chiuso e uno a libro aperto.
Chunking: come si spezzano i documenti
La scelta più sottovalutata di tutta la pipeline RAG. Da come tagli i testi dipende cosa il sistema riuscirà a trovare: un chunking sbagliato rende inutili il miglior modello di embedding e il miglior LLM.
Database vettoriali: cercare per significato
Dove finiscono i vettori dei tuoi documenti e come si fa a ritrovarli in fretta. Indici, metriche di distanza e la scelta fra le opzioni che contano davvero, senza cambiare strumento tre volte.
Costruire un RAG in locale, dal PDF alla risposta
La pipeline completa su una macchina sola: estrarre il testo dai PDF, indicizzarlo, interrogarlo. Con i punti dove si inciampa davvero e come si capisce se sta funzionando.
Cosa sono gli agenti: dal consiglio all'azione
Un chatbot ti dice come si fa, un agente lo fa. Il ciclo osserva-pensa-agisci, i quattro pezzi che lo compongono, e i limiti da mettere prima di dargli le chiavi.
Function calling: come un modello usa gli strumenti
Il modello non esegue niente: descrive cosa vuole fare, in modo strutturato. Capire questo passaggio spiega perché gli agenti funzionano, e perché sbagliano nei punti in cui sbagliano.
MCP: la presa universale per gli strumenti
Prima ogni applicazione riscriveva le sue integrazioni. MCP standardizza come un modello scopre e usa strumenti esterni: cosa cambia davvero, e cosa si porta dietro in termini di rischio.
Più agenti insieme: schemi di orchestrazione
Quando un agente solo non basta, e i quattro modi di metterne insieme diversi. Con i costi veri: coordinamento, contesto che si riempie, e la tentazione di usarne cinque dove ne bastava uno.