Come fanno le intelligenze artificiali moderne a generare testi, immagini e risposte così sofisticate?

In questo episodio approfondiamo il cuore tecnologico dell’AI contemporanea: il self-supervised learning e i modelli generativi. Scopriamo come gli algoritmi riescano a “crearsi da soli” le etichette di apprendimento, ad esempio prevedendo parole mancanti in un testo, e perché questo approccio ha reso possibile lo sviluppo dei large language models.

Entriamo poi nei meccanismi chiave: token, probabilità, temperatura e architetture come i transformer, che permettono di comprendere il contesto e generare contenuti coerenti.

Ma non basta addestrare un modello: analizziamo anche il processo completo di validazione, dalla divisione dei dataset (training, validation, test) alle metriche fondamentali come precision, recall e accuratezza. Vediamo perché i dati sono spesso il vero punto critico, tra bias, rappresentatività e cambiamenti nel tempo.

Infine, uno sguardo alla pratica: fine-tuning, modelli fondazionali e limiti delle “black box”. Perché capire come un modello prende decisioni è oggi una delle sfide più importanti, soprattutto in ambiti sensibili come medicina, finanza e società.

Il testo Fondamenti di Informatica per le Scienze Umanistiche è disponibile qui:

https://he.pearson.it/bundle/914