Glossario AI

Sistema capace di pianificare più passaggi, usare strumenti e compiere azioni per raggiungere un obiettivo entro i permessi ricevuti.

Regolamento dell'Unione europea che disciplina sviluppo, immissione sul mercato e uso dei sistemi di intelligenza artificiale con obblighi proporzionati a ruoli e rischi.

Sistemi progettati per generare nuovi contenuti plausibili, come testo, immagini, audio, video o codice, a partire da istruzioni e contesto.

Capacità di comprendere, usare e valutare sistemi AI in modo informato. Nell'AI Act italiano è tradotta come alfabetizzazione in materia di IA.

Traduzione ufficiale italiana dell'AI Act per competenze, conoscenze e comprensione che consentono uso informato e consapevolezza di opportunità, rischi e possibili danni.

Sequenza definita di regole o operazioni che trasforma un input in un risultato. Non ogni algoritmo è intelligenza artificiale.

Output generato che appare plausibile ma contiene informazioni false, non supportate o inventate.

Interfaccia che permette a software diversi di scambiarsi richieste e risultati in modo strutturato.

Metodi che cercano strutture, gruppi o rappresentazioni nei dati senza una risposta corretta assegnata a ogni esempio.

Metodo in cui un agente apprende azioni attraverso ricompense e penalità ricevute interagendo con un ambiente.

Addestramento su esempi associati a una risposta o etichetta attesa.

Prodotto conversazionale che combina uno o più modelli con istruzioni, interfaccia, memoria, documenti o strumenti.

Meccanismo che consente a un modello di pesare le relazioni tra token o elementi dell'input mentre elabora il contesto.

Insieme di prove e metriche usato per confrontare modelli o versioni. Misura prestazioni su compiti definiti, non qualità universale.

Distorsione sistematica nei dati, nel modello, nelle metriche o nel processo che può produrre risultati ingiusti o inaccurati.

Interfaccia che permette di interagire in forma conversazionale. Può usare regole, un LLM o una combinazione di tecnologie.

Compito in cui un modello assegna un input a una o più categorie definite.

Informazioni disponibili al modello durante una richiesta: istruzioni, conversazione, documenti, dati recuperati e risultati di strumenti.

Sistema ottimizzato per memorizzare embedding e recuperare elementi numericamente simili.

Raccolta organizzata di esempi e variabili usata per addestrare, validare, testare o valutare un sistema.

Esempi usati per regolare i parametri di un modello durante l'addestramento.

Dati separati dal training: la validazione aiuta a scegliere il modello, il test stima le prestazioni finali su esempi non usati per apprendere.

Informazioni riferite a una persona identificata o identificabile, direttamente o indirettamente.

Dati generati artificialmente per imitare proprietà di dati reali. Possono aiutare test e addestramento, ma non eliminano automaticamente bias o rischi di reidentificazione.

Area del machine learning basata su reti neurali con più strati, capaci di apprendere rappresentazioni complesse.

Peggioramento o cambiamento delle prestazioni perché dati, comportamenti o relazioni del mondo reale evolvono nel tempo.

Rappresentazione numerica di testo, immagini o altri oggetti in uno spazio dove elementi semanticamente simili tendono a essere vicini.

Ulteriore addestramento di un modello già esistente su dati o obiettivi più specifici per modificarne il comportamento.

Quantità massima di token che un modello può considerare insieme tra input e output.

Controllo tecnico o procedurale che limita input, output o azioni di un sistema entro confini definiti.

Fase in cui un modello già addestrato elabora un nuovo input e produce una previsione o un output.

Dati, istruzioni o segnali forniti a un sistema per ottenere un'elaborazione.

Famiglia di sistemi capaci di elaborare input e produrre previsioni, contenuti, raccomandazioni o decisioni che influenzano ambienti fisici o virtuali.

Grande modello linguistico addestrato su enormi quantità di testo per stimare e generare sequenze di token.

Tempo che intercorre tra una richiesta e la disponibilità del risultato.

Parte dell'AI in cui un modello apprende pattern da dati ed esempi per fare previsioni o prendere decisioni su nuovi casi.

Rappresentazione matematica o computazionale che trasforma input in previsioni, classificazioni o contenuti sulla base di parametri e regole apprese.

Modello addestrato su grandi quantità di dati e adattabile a molti compiti successivi. Nel contesto europeo è rilevante anche il concetto di modello di IA per finalità generali.

Categoria dell'AI Act per modelli con significativa generalità, capaci di svolgere molti compiti distinti e integrabili in sistemi o applicazioni a valle.

Sistema capace di elaborare o generare più tipi di contenuto, come testo, immagini, audio o video.

Tecnologia che riconosce testo in immagini o scansioni e lo converte in caratteri elaborabili.

Risultato prodotto da un sistema dopo l'elaborazione di un input.

Valore interno appreso durante l'addestramento che contribuisce a determinare il comportamento del modello.

Istruzione o insieme di contenuti forniti a un modello per orientarne il risultato.

Attacco o contenuto manipolativo che tenta di far ignorare al sistema le istruzioni previste o di indurlo a rivelare dati e compiere azioni non autorizzate.

Architettura che recupera contenuti da fonti esterne e li fornisce al modello come contesto prima della generazione.

Compito di machine learning che stima un valore numerico continuo.

Modello composto da unità collegate e organizzate in strati, i cui pesi vengono regolati durante l'addestramento.

Sistema che rientra nelle categorie e condizioni ad alto rischio dell'AI Act e al quale si applicano requisiti specifici.

Situazione in cui un modello si adatta troppo ai dati di addestramento e generalizza male su casi nuovi.

Insieme di metodi e informazioni che aiutano le persone a comprendere fattori, logica o limiti rilevanti di un risultato AI.

Controllo svolto da persone con informazioni, competenza, tempo e autorità sufficienti per comprendere, contestare, modificare o fermare il sistema.

Parametro di generazione che modifica la distribuzione delle probabilità dei token: valori bassi tendono a risultati più prevedibili, valori alti aumentano la variabilità.

Unità in cui un modello scompone il contenuto, per esempio una parola, una parte di parola, un segno o una porzione di immagine.

Architettura di rete neurale basata sul meccanismo di attenzione, alla base di molti modelli linguistici e multimodali moderni.