Glossario della Generative AI

Un modello linguistico di grandi dimensioni è un sistema addestrato su grandi quantità di testo a prevedere la porzione di testo successiva, e che da questa sola capacità deriva risposte, sintesi e traduzioni.

La conoscenza del modello è fissata al termine dell'addestramento e vive nei suoi parametri: non include i documenti della vostra organizzazione e non si aggiorna da sé.

Un token è l'unità minima in cui un modello linguistico scompone il testo: una parola breve, un pezzo di parola lunga o un segno di punteggiatura.

È anche l'unità con cui si misura il costo: le tariffe dei modelli commerciali sono espresse per token in ingresso e in uscita, non per domanda.

La finestra di contesto è la quantità massima di testo che un modello può considerare in una singola interazione, contando insieme la domanda, i documenti forniti e la risposta.

È un limite di progetto, non un dettaglio: determina quanti documenti si possono mettere davanti al modello per volta, e quindi come vanno selezionati.

Un embedding è la rappresentazione numerica di un testo, costruita in modo che testi di significato simile abbiano rappresentazioni vicine tra loro.

È ciò che permette a una ricerca su "risoluzione anticipata" di recuperare un paragrafo che parla di "recesso": la vicinanza è di significato, non di parole.

Un'allucinazione è una risposta plausibile nella forma e falsa nel contenuto, prodotta da un modello che genera il testo più probabile anche quando non dispone della fonte.

Non è un difetto imprevedibile da tollerare: è una conseguenza del funzionamento del modello, e si riduce per via architetturale ancorando le risposte ai documenti e rendendo esplicito quando la fonte manca.

Il prompt engineering è la progettazione delle istruzioni che governano il comportamento di un modello: ruolo, vincoli, formato della risposta e condotta nei casi dubbi.

In un sistema in produzione non è una competenza individuale ma un livello di progettazione: le istruzioni sono versionate, testate e sottoposte a revisione come il resto del codice.

Il RAG è l'architettura che fa rispondere un modello linguistico usando i documenti dell'organizzazione: alla domanda il sistema recupera i passaggi pertinenti e li mette davanti al modello, che risponde citando la fonte.

La differenza operativa rispetto a un modello lasciato alla propria memoria è la tracciabilità: ogni affermazione è riconducibile a un documento, a una versione e a un permesso di accesso.

Il fine tuning è l'ulteriore addestramento di un modello su esempi propri, per adattarne stile, formato o lessico a un dominio specifico.

Adatta il comportamento, non aggiorna la conoscenza: per far rispondere un sistema su documenti che cambiano serve il RAG. Le due tecniche rispondono a domande diverse e spesso convivono.

La suddivisione in porzioni è la fase in cui i documenti vengono spezzati in unità coerenti prima di essere indicizzati, così che il recupero restituisca passaggi sensati e non frammenti tagliati a metà.

È la fase meno visibile e più determinante di un sistema RAG: gran parte degli errori attribuiti al modello nasce qui.

Un vector database è un archivio che conserva testi nella loro forma numerica e li recupera per somiglianza di significato invece che per corrispondenza di parole.

Trova ciò che somiglia. Per ciò che è collegato serve un knowledge graph.

Un knowledge graph rappresenta la conoscenza come entità e relazioni esplicite — una norma che ne abroga un'altra, un fornitore che appartiene a un gruppo — e permette di percorrere quei collegamenti.

Risponde a domande che la sola somiglianza non copre: quali circolari dipendono da un articolo modificato, quali contratti coinvolgono la stessa controparte.

Un agente di AI è un sistema che non si limita a rispondere ma compie azioni: consulta un gestionale, compila una pratica, apre un ticket, e decide quale passo fare in base all'esito del precedente.

Il salto rispetto a un assistente non è la qualità della risposta ma la responsabilità: un sistema che agisce richiede permessi, limiti espliciti e un registro di ciò che ha fatto.

Un sistema di AI è l'insieme di modello, dati, integrazioni, controlli e interfaccia che rende un modello utilizzabile in un processo: il modello ne è un componente, non il tutto.

È la distinzione che separa una demo da qualcosa che si può mandare in produzione, e spiega perché due progetti che usano lo stesso modello costano e rendono in modo diverso.

La Document Intelligence è la lettura automatica di documenti non strutturati — PDF, scansioni, PEC — per classificarli, estrarne i dati rilevanti e collegare ogni informazione al punto del documento da cui proviene.

L'Enterprise Search è la ricerca che risponde alle domande dei dipendenti attingendo agli archivi interni dell'organizzazione, rispettando i permessi di ciascuno e citando il documento da cui la risposta proviene.

La differenza con la ricerca tradizionale è cosa restituisce: non un elenco di documenti da leggere, ma una risposta con il riferimento verificabile.

L'OCR è la conversione di un'immagine di testo — una scansione, una fotografia di un documento — in testo che una macchina può leggere.

È il presupposto di qualunque lavoro sui documenti cartacei, e la qualità di questa fase pone il tetto alla qualità di tutto ciò che viene dopo.

La Speech AI comprende le tecnologie che trasformano il parlato in testo e il testo in parlato, applicate a registrazioni di call center, verbali di riunione e assistenza vocale.

La Vision AI comprende le tecnologie che interpretano immagini e video: controllo qualità su una linea di produzione, lettura di targhe e contatori, verifica di conformità su documenti fotografati.

Un sistema multimodale elabora insieme tipi di dato diversi — testo, immagini, audio — nella stessa richiesta, per esempio leggendo un disegno tecnico insieme al manuale che lo descrive.

Un guardrail è un controllo che delimita il comportamento di un sistema di AI: cosa può rispondere, su quali fonti, con quali dati, e cosa deve rifiutare o inoltrare a una persona.

Vive fuori dal modello, come controllo verificabile e non come istruzione contenuta nel prompt, proprio perché deve reggere anche quando il modello sbaglia.

La persona nel processo è il punto in cui un sistema di AI si ferma e richiede una decisione umana, tipicamente sopra una soglia di rischio o sotto una soglia di confidenza.

Non è un ripiego per sistemi immaturi: nei procedimenti in cui la responsabilità resta in capo a una persona, è un requisito di progetto.

Un audit trail è il registro che conserva, per ogni risposta di un sistema di AI, chi ha chiesto cosa, quali fonti sono state consultate e quale versione del sistema ha risposto.

È ciò che rende una risposta verificabile a distanza di mesi, quando serve ricostruire come si era arrivati a una certa conclusione.

Un insieme di valutazione è una raccolta di domande con la risposta corretta già stabilita, usata per misurare un sistema di AI prima e dopo ogni modifica.

Senza, l'unica misura disponibile è l'impressione di chi prova il sistema: non permette di dire se una modifica lo ha migliorato o peggiorato.

La deriva è il degrado progressivo delle prestazioni di un sistema di AI dovuto al cambiamento di ciò che lo circonda: normative aggiornate, documenti nuovi, modi di scrivere diversi.

È la ragione per cui un sistema di AI ha un costo di esercizio e non solo di realizzazione.

On-premise indica un sistema installato sull'infrastruttura dell'organizzazione, in cui i dati non escono dal perimetro aziendale.

La scelta tra on-premise, cloud e configurazioni ibride si decide sulla natura dei dati e sui vincoli normativi, non sulla preferenza tecnologica.

La data residency è il vincolo che stabilisce in quale giurisdizione i dati devono essere conservati ed elaborati.

Per la Pubblica Amministrazione e per il settore finanziario è spesso un requisito non negoziabile, e come tale precede la scelta del modello.

L'AI Act è il regolamento europeo che classifica i sistemi di intelligenza artificiale per livello di rischio e impone obblighi crescenti al crescere del rischio.

Gli obblighi ricadono anche su chi adotta un sistema, non solo su chi lo sviluppa: è la ragione per cui riguarda ogni organizzazione che introduce AI nei propri processi.

Un sistema ad alto rischio è, nella classificazione dell'AI Act, un sistema di AI il cui uso incide su diritti, accesso a servizi o sicurezza delle persone, e che per questo è soggetto agli obblighi più stringenti del regolamento.

Documentazione tecnica, gestione del rischio, qualità dei dati, sorveglianza umana e registrazione degli eventi sono requisiti, non buone pratiche facoltative.

L'AI governance è l'insieme di ruoli, criteri e controlli che stabilisce chi decide cosa un sistema di AI può fare e chi risponde quando sbaglia.

Un assessment AI è l'analisi iniziale che verifica su un singolo processo se un intervento di AI è fattibile, quanto vale e a quali condizioni, prima di qualunque impegno di sviluppo.

Produce una decisione documentata, incluso il caso in cui la decisione sia di non procedere.