63 termini per capire l'intelligenza artificiale senza perdersi nelle sigle. Italiano e inglese affiancati, definizioni chiare ed esempi da riconoscere nel lavoro.
63
termini essenziali
5
aree tematiche
IT + EN
termini affiancati
Risultati
AI agent
Sistema capace di pianificare più passaggi, usare strumenti e compiere azioni per raggiungere un obiettivo entro i permessi ricevuti.
In pratica
Un agente può leggere un ordine, proporre un rimborso e inviarlo solo se importo e regole rientrano nelle soglie autorizzate.
EU Artificial Intelligence Act
Regolamento dell'Unione europea che disciplina sviluppo, immissione sul mercato e uso dei sistemi di intelligenza artificiale con obblighi proporzionati a ruoli e rischi.
In pratica
Un'organizzazione deve capire se agisce come fornitore o deployer e quali disposizioni si applicano ai sistemi usati.
Generative AI
Sistemi progettati per generare nuovi contenuti plausibili, come testo, immagini, audio, video o codice, a partire da istruzioni e contesto.
In pratica
Un assistente che prepara una bozza di email usa AI generativa, ma la bozza deve essere verificata prima dell'invio.
AI literacy
Capacità di comprendere, usare e valutare sistemi AI in modo informato. Nell'AI Act italiano è tradotta come alfabetizzazione in materia di IA.
In pratica
Chi usa un assistente deve conoscerne limiti, dati ammessi, verifiche necessarie e situazioni in cui fermarsi.
AI literacy
Traduzione ufficiale italiana dell'AI Act per competenze, conoscenze e comprensione che consentono uso informato e consapevolezza di opportunità, rischi e possibili danni.
In pratica
La formazione va adattata a esperienza, ruolo, contesto d'uso e persone sulle quali il sistema può incidere.
Algorithm
Sequenza definita di regole o operazioni che trasforma un input in un risultato. Non ogni algoritmo è intelligenza artificiale.
In pratica
Ordinare una lista per data usa un algoritmo, ma non richiede necessariamente un modello AI.
Hallucination
Output generato che appare plausibile ma contiene informazioni false, non supportate o inventate.
In pratica
Un LLM può produrre titolo, autore e pagina di una citazione che in realtà non esiste.
Application programming interface
Interfaccia che permette a software diversi di scambiarsi richieste e risultati in modo strutturato.
In pratica
Un gestionale può chiamare via API un modello per classificare messaggi in arrivo.
Unsupervised learning
Metodi che cercano strutture, gruppi o rappresentazioni nei dati senza una risposta corretta assegnata a ogni esempio.
In pratica
Raggruppare clienti con comportamenti simili senza categorie predefinite è un compito non supervisionato.
Reinforcement learning
Metodo in cui un agente apprende azioni attraverso ricompense e penalità ricevute interagendo con un ambiente.
In pratica
Un agente può imparare una strategia di gioco massimizzando il punteggio ottenuto.
Supervised learning
Addestramento su esempi associati a una risposta o etichetta attesa.
In pratica
Email già marcate come spam o non spam permettono di addestrare un classificatore supervisionato.
AI assistant
Prodotto conversazionale che combina uno o più modelli con istruzioni, interfaccia, memoria, documenti o strumenti.
In pratica
Due assistenti possono usare lo stesso LLM ma avere regole, fonti e capacità operative diverse.
Attention
Meccanismo che consente a un modello di pesare le relazioni tra token o elementi dell'input mentre elabora il contesto.
In pratica
In una frase, il modello può dare più peso alle parole che chiariscono a chi si riferisce un pronome.
Automation bias
Tendenza a fidarsi degli output di un sistema automatico più di quanto le evidenze giustifichino, abbassando il controllo proprio dove servirebbe.
In pratica
Dopo nove bozze corrette, la decima passa senza rilettura: è lì che l'errore arriva al cliente.
Benchmark
Insieme di prove e metriche usato per confrontare modelli o versioni. Misura prestazioni su compiti definiti, non qualità universale.
In pratica
Un modello forte in un benchmark di matematica può essere inadeguato per analizzare i documenti specifici di un'azienda.
Bias
Distorsione sistematica nei dati, nel modello, nelle metriche o nel processo che può produrre risultati ingiusti o inaccurati.
In pratica
Dati storici di assunzione possono riflettere esclusioni passate e trasferirle in un sistema di ranking.
Chatbot
Interfaccia che permette di interagire in forma conversazionale. Può usare regole, un LLM o una combinazione di tecnologie.
In pratica
Il chatbot è il prodotto con cui parli; l'LLM può essere uno dei componenti che produce la risposta.
Classification
Compito in cui un modello assegna un input a una o più categorie definite.
In pratica
Etichettare una richiesta come assistenza, vendita o reclamo è un problema di classificazione.
Context
Informazioni disponibili al modello durante una richiesta: istruzioni, conversazione, documenti, dati recuperati e risultati di strumenti.
In pratica
Fornire obiettivo, destinatario e vincoli rende una bozza più controllabile di un prompt generico.
Vector database
Sistema ottimizzato per memorizzare embedding e recuperare elementi numericamente simili.
In pratica
In una soluzione RAG può trovare i passaggi di manuale semanticamente vicini alla domanda dell'utente.
Dataset
Raccolta organizzata di esempi e variabili usata per addestrare, validare, testare o valutare un sistema.
In pratica
Un dataset di fotografie può includere immagine, etichetta e informazioni su come il dato è stato raccolto.
Training data
Esempi usati per regolare i parametri di un modello durante l'addestramento.
In pratica
Un classificatore di email apprende da messaggi già etichettati come spam o legittimi.
Validation and test data
Dati separati dal training: la validazione aiuta a scegliere il modello, il test stima le prestazioni finali su esempi non usati per apprendere.
In pratica
Misurare soltanto sui dati di training può nascondere sovra-adattamento e scarsa generalizzazione.
Personal data
Informazioni riferite a una persona identificata o identificabile, direttamente o indirettamente.
In pratica
Nome, email, codice cliente e combinazioni di dettagli che rendono riconoscibile una persona possono essere dati personali.
Synthetic data
Dati generati artificialmente per imitare proprietà di dati reali. Possono aiutare test e addestramento, ma non eliminano automaticamente bias o rischi di reidentificazione.
In pratica
Un team può generare transazioni simulate per provare una pipeline senza usare direttamente tutti i record dei clienti.
Deep learning
Area del machine learning basata su reti neurali con più strati, capaci di apprendere rappresentazioni complesse.
In pratica
Riconoscimento vocale e generazione di immagini moderne usano spesso tecniche di deep learning.
Deployer
Nell'AI Act, chi usa un sistema di IA sotto la propria autorità nell'ambito di un'attività professionale. È la posizione tipica di un'azienda che adotta strumenti AI di terzi.
In pratica
Un'impresa che usa un software di screening CV comprato da un fornitore è deployer di quel sistema, con i relativi obblighi.
Model drift
Peggioramento o cambiamento delle prestazioni perché dati, comportamenti o relazioni del mondo reale evolvono nel tempo.
In pratica
Un modello antifrode addestrato due anni fa può perdere efficacia quando cambiano le tecniche di attacco.
Data Protection Impact Assessment
Valutazione d'impatto sulla protezione dei dati prevista dal GDPR: analizza rischi e misure di un trattamento prima di avviarlo. Con l'AI è spesso dovuta e fa da base alla valutazione richiesta per i sistemi ad alto rischio.
In pratica
Prima di adottare un tool AI che analizza email dei clienti, l'azienda documenta con una DPIA quali dati tratta, i rischi e le contromisure.
Embedding
Rappresentazione numerica di testo, immagini o altri oggetti in uno spazio dove elementi semanticamente simili tendono a essere vicini.
In pratica
Gli embedding permettono di cercare documenti per significato e non soltanto per parole identiche.
Fine-tuning
Ulteriore addestramento di un modello già esistente su dati o obiettivi più specifici per modificarne il comportamento.
In pratica
Un modello può essere specializzato sullo stile di classificazione di un settore usando esempi curati.
Context window
Quantità massima di token che un modello può considerare insieme tra input e output.
In pratica
Se una conversazione supera la finestra, parti precedenti possono essere riassunte o non più disponibili al modello.
Provider
Nell'AI Act, chi sviluppa un sistema o un modello di IA e lo immette sul mercato o lo mette in servizio con il proprio nome o marchio.
In pratica
La software house che vende il sistema di ranking è il fornitore; l'azienda che lo usa per selezionare è il deployer.
Fundamental Rights Impact Assessment
Valutazione d'impatto sui diritti fondamentali richiesta dall'AI Act per determinati usi di sistemi ad alto rischio: ricalca la logica della DPIA estendendola oltre i dati personali.
In pratica
Un ente che valuta l'accesso a un servizio con un sistema AI documenta con la FRIA gli effetti su non discriminazione e tutele delle persone coinvolte.
General Data Protection Regulation
Regolamento (UE) 2016/679 sulla protezione dei dati personali: principi, basi giuridiche, diritti degli interessati e obblighi di chi tratta i dati. Si applica anche quando i dati passano da un sistema AI.
In pratica
Caricare un contratto con nomi e condizioni in uno strumento AI è un trattamento di dati personali: valgono le regole del GDPR.
Guardrail
Controllo tecnico o procedurale che limita input, output o azioni di un sistema entro confini definiti.
In pratica
Un agente non può autorizzare rimborsi sopra una soglia e deve passare il caso a una persona.
Inference
Fase in cui un modello già addestrato elabora un nuovo input e produce una previsione o un output.
In pratica
Quando invii un prompt a un assistente, il modello esegue inferenza per generare la risposta.
Input
Dati, istruzioni o segnali forniti a un sistema per ottenere un'elaborazione.
In pratica
Prompt, allegati e cronologia della conversazione possono diventare input del sistema.
Artificial intelligence, AI
Famiglia di sistemi capaci di elaborare input e produrre previsioni, contenuti, raccomandazioni o decisioni che influenzano ambienti fisici o virtuali.
In pratica
Un sistema può classificare documenti, prevedere domanda, generare testo o controllare un dispositivo.
LLM
Grande modello linguistico addestrato su enormi quantità di testo per stimare e generare sequenze di token.
In pratica
Un LLM può riassumere e riscrivere, ma non è di per sé un archivio di fatti verificati.
Latency
Tempo che intercorre tra una richiesta e la disponibilità del risultato.
In pratica
Un assistente vocale richiede latenza bassa per rendere naturale la conversazione.
Machine learning, ML
Parte dell'AI in cui un modello apprende pattern da dati ed esempi per fare previsioni o prendere decisioni su nuovi casi.
In pratica
Un modello può imparare a prevedere il rischio di abbandono da comportamenti storici dei clienti.
Data minimisation
Principio del GDPR (art. 5): i dati trattati devono essere adeguati, pertinenti e limitati a quanto necessario per lo scopo. Con l'AI significa far entrare nel sistema solo il minimo che serve.
In pratica
Per ottenere una tabella delle clausole bastano gli estratti pertinenti, non il contratto completo con nomi e importi.
Model
Rappresentazione matematica o computazionale che trasforma input in previsioni, classificazioni o contenuti sulla base di parametri e regole apprese.
In pratica
Il modello è un componente; il prodotto completo include anche interfaccia, dati, controlli e processi.
Foundation model
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.
In pratica
Uno stesso modello può sostenere un assistente di scrittura, una ricerca documentale e un sistema di classificazione.
General-purpose AI model, GPAI
Categoria dell'AI Act per modelli con significativa generalità, capaci di svolgere molti compiti distinti e integrabili in sistemi o applicazioni a valle.
In pratica
Un fornitore può integrare un modello GPAI in un prodotto destinato a uno specifico processo aziendale.
Multimodal
Sistema capace di elaborare o generare più tipi di contenuto, come testo, immagini, audio o video.
In pratica
Un assistente multimodale può leggere una fotografia e rispondere con testo.
Optical character recognition
Tecnologia che riconosce testo in immagini o scansioni e lo converte in caratteri elaborabili.
In pratica
Prima di riassumere un contratto scansionato, un sistema può usare OCR per estrarne il testo.
Output
Risultato prodotto da un sistema dopo l'elaborazione di un input.
In pratica
Una risposta, una probabilità, una classifica o un'immagine sono possibili output.
Parameter
Valore interno appreso durante l'addestramento che contribuisce a determinare il comportamento del modello.
In pratica
I pesi delle connessioni di una rete neurale sono parametri.
Prompt
Istruzione o insieme di contenuti forniti a un modello per orientarne il risultato.
In pratica
Un buon prompt chiarisce obiettivo, contesto, vincoli, formato e controllo atteso.
Prompt injection
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.
In pratica
Un documento recuperato dal web può contenere istruzioni nascoste rivolte all'agente invece che alla persona.
Pseudonymisation
Trattamento che rende i dati non attribuibili a una persona senza informazioni aggiuntive (art. 4 GDPR). Non è anonimizzazione: se si può risalire all'interessato, restano dati personali.
In pratica
Togliere i nomi da un contratto riduce l'esposizione, ma se il contenuto resta riconducibile alle parti la disciplina continua ad applicarsi.
Retrieval-augmented generation
Architettura che recupera contenuti da fonti esterne e li fornisce al modello come contesto prima della generazione.
In pratica
Un assistente interno cerca nei manuali aziendali e cita i passaggi usati per formulare la risposta.
Regression
Compito di machine learning che stima un valore numerico continuo.
In pratica
Prevedere la domanda settimanale di un prodotto è un problema di regressione.
Neural network
Modello composto da unità collegate e organizzate in strati, i cui pesi vengono regolati durante l'addestramento.
In pratica
Una rete neurale può imparare rappresentazioni utili per riconoscere oggetti in fotografie.
High-risk AI system
Sistema che rientra nelle categorie e condizioni ad alto rischio dell'AI Act e al quale si applicano requisiti specifici.
In pratica
Alcuni usi in occupazione, istruzione, servizi essenziali o infrastrutture possono richiedere una verifica della classificazione.
Overfitting
Situazione in cui un modello si adatta troppo ai dati di addestramento e generalizza male su casi nuovi.
In pratica
Un classificatore ricorda dettagli accidentali del training ma sbaglia sulle email ricevute dopo il rilascio.
Explainability
Insieme di metodi e informazioni che aiutano le persone a comprendere fattori, logica o limiti rilevanti di un risultato AI.
In pratica
In una valutazione del credito può essere importante mostrare quali fattori hanno inciso sulla raccomandazione.
Human oversight
Controllo svolto da persone con informazioni, competenza, tempo e autorità sufficienti per comprendere, contestare, modificare o fermare il sistema.
In pratica
Un clic di approvazione non è significativo se la persona non può vedere i dati o ignorare la raccomandazione.
Temperature
Parametro di generazione che modifica la distribuzione delle probabilità dei token: valori bassi tendono a risultati più prevedibili, valori alti aumentano la variabilità.
In pratica
Abbassare la temperatura può rendere più stabile il formato, ma non rende automaticamente vere le risposte.
Token
Unità in cui un modello scompone il contenuto, per esempio una parola, una parte di parola, un segno o una porzione di immagine.
In pratica
Lunghezza del prompt e costo di molte API vengono misurati in token, non direttamente in parole.
Transformer
Architettura di rete neurale basata sul meccanismo di attenzione, alla base di molti modelli linguistici e multimodali moderni.
In pratica
Il transformer elabora le relazioni tra token per costruire rappresentazioni contestuali del testo.