L'intelligenza artificiale ha un linguaggio tutto suo: acronimi, termini inglesi, concetti tecnici che possono sembrare impenetrabili. Ma per prendere decisioni informate sulla tecnologia che sta trasformando il business, non serve diventare ingegneri informatici. Serve capire i concetti chiave.
Questo glossario nasce con un obiettivo preciso: darti le parole per partecipare con consapevolezza alle conversazioni sull'AI, valutare le proposte dei fornitori tecnologici e guidare la strategia digitale della tua azienda. Per ogni termine troverai una definizione semplice e un esempio pratico dal mondo aziendale.
Tienilo a portata di mano: è il tuo reference rapido per riunioni, presentazioni e decisioni strategiche.
Concetti Fondamentali (A-I)
1. Agente AI (AI Agent)
Un sistema di intelligenza artificiale che non si limita a rispondere a domande, ma agisce autonomamente per raggiungere un obiettivo. A differenza di un semplice chatbot, un agente AI può prendere decisioni, eseguire azioni in sequenza e interagire con altri software.
Esempio aziendale: un agente AI per il customer service che non solo risponde alle domande del cliente, ma verifica lo stato dell'ordine nel gestionale, avvia la procedura di reso se necessario e invia l'email di conferma -- tutto senza intervento umano.
2. Algoritmo
Un insieme di istruzioni precise che un computer segue per risolvere un problema o completare un compito. Pensalo come una ricetta di cucina: una serie di passaggi ordinati che, seguiti correttamente, portano a un risultato.
Esempio aziendale: l'algoritmo di raccomandazione del tuo e-commerce che, analizzando gli acquisti precedenti e il comportamento di navigazione, suggerisce ai clienti i prodotti che hanno più probabilità di acquistare.
3. API (Application Programming Interface)
Un ponte di comunicazione tra software diversi. Le API permettono ai tuoi strumenti aziendali di scambiarsi dati e funzionalità automaticamente, senza che un essere umano debba fare da tramite.
Esempio aziendale: il tuo CRM si collega tramite API al servizio di AI che analizza le email dei clienti, estrae il sentiment e aggiorna automaticamente il profilo del cliente con il livello di soddisfazione.
4. Automazione vs AI
Sono cose diverse. L'automazione tradizionale esegue compiti ripetitivi seguendo regole fisse ("se succede A, fai B"). L'AI è in grado di gestire situazioni impreviste, imparare dall'esperienza e prendere decisioni anche quando le regole non sono definite in anticipo.
Esempio aziendale: un'automazione tradizionale invia un'email di benvenuto a ogni nuovo iscritto. Un sistema AI analizza il profilo dell'iscritto e sceglie quale delle cinque email di benvenuto inviare, in quale momento della giornata, e personalizza il contenuto in base agli interessi rilevati.
5. Bias (Pregiudizio)
Un errore sistematico nei risultati dell'AI causato da dati di addestramento sbilanciati o incompleti. Se l'AI impara da dati che riflettono pregiudizi umani, riprodurrà quegli stessi pregiudizi nelle sue decisioni.
Esempio aziendale: un sistema AI di screening CV addestrato sullo storico assunzioni di un'azienda che ha sempre assunto prevalentemente uomini potrebbe penalizzare automaticamente le candidate donne, non per competenze ma per bias nei dati.
6. Chatbot
Un programma che simula una conversazione umana, tipicamente tramite testo. I chatbot moderni, alimentati da AI generativa, sono enormemente più capaci rispetto ai chatbot tradizionali basati su regole: comprendono il contesto, gestiscono domande complesse e rispondono in modo naturale.
Esempio aziendale: un chatbot sul sito web della tua azienda che risponde alle domande dei clienti sui prodotti, gestisce le richieste di preventivo e prenota appuntamenti con il team commerciale, disponibile 24 ore su 24 in italiano e inglese.
7. Cloud Computing
L'utilizzo di server remoti (invece del tuo computer o del server in ufficio) per archiviare dati, eseguire software e processare informazioni. La maggior parte dei servizi AI funziona in cloud, il che significa che non devi acquistare hardware costoso per usarli.
Esempio aziendale: il tuo software di contabilità in cloud che include funzioni AI per categorizzare automaticamente le fatture e prevedere il cash flow, accessibile da qualsiasi dispositivo senza dover installare nulla.
8. Computer Vision
La capacità dell'AI di analizzare e comprendere immagini e video, estraendo informazioni utili. L'AI "vede" le immagini identificando oggetti, testi, difetti, volti e pattern.
Esempio aziendale: un sistema di controllo qualità in una linea di produzione che fotografa ogni pezzo e identifica automaticamente difetti invisibili all'occhio umano, scartando i pezzi non conformi prima della spedizione.
9. Data Lake
Un grande archivio centralizzato dove confluiscono tutti i dati aziendali in formato grezzo: vendite, interazioni clienti, dati di produzione, email, documenti. Il data lake è la "materia prima" da cui l'AI estrae valore e insight.
Esempio aziendale: un'azienda di e-commerce raccoglie in un data lake tutti i dati di navigazione del sito, gli acquisti, le interazioni con il customer service e le risposte alle campagne email. L'AI analizza questi dati per identificare pattern e prevedere quali clienti stanno per abbandonare.
10. Deep Learning
Una branca avanzata del machine learning che utilizza reti neurali artificiali con molti strati (da qui "deep", profondo) per imparare da grandi quantità di dati. Il deep learning è la tecnologia dietro i progressi più impressionanti dell'AI: riconoscimento vocale, traduzione automatica, guida autonoma, AI generativa.
Esempio aziendale: il sistema di riconoscimento vocale che trascrive automaticamente le chiamate del tuo call center e ne analizza il contenuto per identificare i problemi ricorrenti e il livello di soddisfazione dei clienti.
11. Edge Computing
L'elaborazione dei dati che avviene direttamente sul dispositivo locale (una telecamera, un sensore, uno smartphone) invece che nel cloud. Questo riduce i tempi di risposta e funziona anche senza connessione internet.
Esempio aziendale: una telecamera di sicurezza intelligente nel tuo magazzino che analizza le immagini direttamente sul dispositivo per rilevare anomalie, senza dover inviare il video a un server remoto -- garantendo tempi di reazione istantanei.
12. Fine-tuning
Il processo di personalizzazione di un modello AI pre-addestrato, adattandolo ai dati e alle esigenze specifiche della tua azienda. Invece di creare un modello da zero (costoso e complesso), si parte da un modello esistente e lo si "affina" con i propri dati.
Esempio aziendale: prendere un modello di linguaggio generico e addestrarlo sui manuali tecnici, le FAQ e lo storico delle conversazioni della tua azienda, in modo che il chatbot risponda usando la terminologia e le procedure specifiche del tuo business.
13. Generative AI (AI Generativa)
Sistemi di AI in grado di creare nuovi contenuti originali: testo, immagini, audio, video, codice. ChatGPT, Claude, DALL-E, Midjourney sono tutti esempi di AI generativa. A differenza dell'AI analitica (che analizza dati esistenti), l'AI generativa produce qualcosa di nuovo.
Esempio aziendale: generare automaticamente le descrizioni prodotto per il tuo e-commerce in cinque lingue, creare bozze di email commerciali personalizzate per ogni segmento di clientela, o produrre immagini di prodotto su sfondi diversi senza un servizio fotografico.
14. GPU (Graphics Processing Unit)
Un processore specializzato originariamente progettato per la grafica dei videogiochi, che si è rivelato ideale per l'addestramento dei modelli AI grazie alla sua capacità di eseguire moltissimi calcoli in parallelo. Le GPU sono il "motore" dell'AI moderna.
Esempio aziendale: non devi acquistare GPU per usare l'AI nella tua azienda. I servizi cloud (AWS, Google Cloud, Azure) ti danno accesso a GPU potentissime pagando solo per l'uso effettivo. Tuttavia, capire cos'è una GPU ti aiuta a valutare le offerte dei fornitori.
15. Hallucination (Allucinazione)
Quando un modello di AI generativa produce informazioni false presentandole come vere, con grande sicurezza. L'AI non "sa" cosa è vero e cosa no: genera testo statisticamente plausibile, che a volte risulta inventato.
Esempio aziendale: chiedi a un chatbot AI di descrivere le specifiche tecniche di un tuo prodotto. Se non ha accesso ai dati corretti, potrebbe inventare specifiche plausibili ma completamente sbagliate. Per questo la supervisione umana e la tecnologia RAG (vedi sotto) sono fondamentali.
Concetti Intermedi (L-P)
16. LLM (Large Language Model)
Un modello di AI addestrato su enormi quantità di testo che è in grado di comprendere e generare linguaggio umano. GPT-4, Claude, Llama, Gemini sono tutti LLM. Sono il cuore dell'AI generativa testuale e la tecnologia che alimenta chatbot, assistenti e strumenti di scrittura AI.
Esempio aziendale: un LLM integrato nel tuo sistema aziendale che legge le email dei clienti, comprende le richieste, le categorizza per urgenza e prepara bozze di risposta che il tuo team deve solo verificare e inviare.
17. Machine Learning (Apprendimento Automatico)
La branca dell'AI in cui i computer imparano dai dati senza essere esplicitamente programmati per ogni situazione. Invece di scrivere regole ("se il cliente ha più di 65 anni, offri lo sconto senior"), il machine learning analizza migliaia di casi passati e impara autonomamente i pattern.
Esempio aziendale: un sistema di machine learning che analizza lo storico vendite degli ultimi tre anni e impara a prevedere la domanda di ogni prodotto per le prossime settimane, permettendoti di ottimizzare il magazzino e ridurre gli sprechi.
18. Modello (AI Model)
Il "cervello" addestrato che sta dietro ogni sistema AI. Un modello è il risultato dell'addestramento: ha "imparato" dai dati e ora è in grado di fare previsioni, generare contenuti o prendere decisioni. Ogni applicazione AI si basa su uno o più modelli.
Esempio aziendale: quando il tuo fornitore di AI dice "abbiamo addestrato un modello personalizzato per la tua azienda", significa che hanno creato un cervello digitale specifico che ha imparato dal tuo storico dati e può fare previsioni rilevanti per il tuo business.
19. NLP - Natural Language Processing (Elaborazione del Linguaggio Naturale)
L'area dell'AI che si occupa di far comprendere, interpretare e generare il linguaggio umano ai computer. Include la comprensione del significato, l'analisi del sentiment, la traduzione, la sintesi e la generazione di testo.
Esempio aziendale: un sistema NLP che analizza automaticamente tutte le recensioni dei tuoi prodotti online, estrae i temi ricorrenti (positivi e negativi), identifica i problemi più frequenti e genera un report settimanale per il team prodotto.
20. Neural Network (Rete Neurale)
Un'architettura software ispirata al funzionamento del cervello umano, composta da nodi interconnessi organizzati in strati. Le reti neurali sono la struttura fondamentale del deep learning e dell'AI moderna.
Esempio aziendale: non hai bisogno di capire i dettagli tecnici delle reti neurali per usare l'AI. Quello che conta sapere: le reti neurali sono la ragione per cui l'AI oggi può fare cose che erano impossibili fino a pochi anni fa, come comprendere il linguaggio naturale o riconoscere immagini.
21. OCR (Optical Character Recognition)
La tecnologia che permette di estrarre testo da immagini, foto e documenti scansionati. L'OCR moderno, potenziato dall'AI, non si limita a leggere il testo: comprende la struttura del documento, identifica tabelle, campi e relazioni.
Esempio aziendale: un sistema OCR intelligente che legge automaticamente le fatture dei fornitori (anche in formati diversi, scritte a mano o scannerizzate storte), estrae importi, date, codici e li inserisce direttamente nel gestionale contabile.
22. Open Source vs Proprietario
Due approcci alla distribuzione dei modelli AI. I modelli open source (come Llama di Meta) hanno il codice disponibile pubblicamente: chiunque può usarli, modificarli e ospitarli autonomamente. I modelli proprietari (come GPT-4 di OpenAI o Claude di Anthropic) sono accessibili solo tramite i servizi del fornitore.
Esempio aziendale: scegliere tra open source e proprietario dipende dalle tue esigenze. Open source offre maggior controllo e potenziale risparmio a lungo termine, ma richiede competenze tecniche. I modelli proprietari sono pronti all'uso, con supporto garantito, ma comportano una dipendenza dal fornitore.
23. Overfitting
Quando un modello AI impara "troppo bene" dai dati di addestramento e perde la capacità di generalizzare a situazioni nuove. Come uno studente che memorizza le risposte del test passato ma non capisce i concetti: funziona perfettamente sui dati noti, fallisce su quelli nuovi.
Esempio aziendale: un modello predittivo delle vendite addestrato sui dati 2020-2021 (periodo COVID) che predice perfettamente le vendite di quel periodo ma fallisce completamente nel prevedere le vendite normali, perché ha "memorizzato" un'anomalia.
24. Prompt
Le istruzioni che dai a un sistema di AI generativa per ottenere il risultato desiderato. Il prompt e' il modo in cui comunichi con l'AI: piu' e' chiaro, specifico e ben strutturato, migliore sara' il risultato.
Esempio aziendale: invece di chiedere all'AI "scrivi un'email", un buon prompt sarebbe: "Scrivi un'email professionale a un cliente corporate italiano che ha richiesto un preventivo per il servizio di consulenza logistica. Il tono deve essere formale ma cordiale. Includi la nostra disponibilita' per un incontro la prossima settimana."
25. Prompt Engineering
L'arte e la scienza di formulare prompt efficaci per ottenere i migliori risultati dall'AI generativa. Include tecniche come fornire contesto, dare esempi, specificare il formato desiderato e definire vincoli.
Esempio aziendale: il tuo responsabile marketing impara le tecniche di prompt engineering e riesce a generare con l'AI testi di qualita' professionale per il sito web, le schede prodotto e le newsletter, riducendo del 60% il tempo di produzione dei contenuti.
26. RAG (Retrieval Augmented Generation)
Una tecnica che combina la potenza dell'AI generativa con i dati specifici della tua azienda. Invece di affidarsi solo alla conoscenza generale del modello, il sistema RAG recupera prima le informazioni rilevanti dai tuoi documenti aziendali e poi le usa per generare risposte accurate e contestuali.
Esempio aziendale: un chatbot per il servizio clienti che, quando un cliente chiede informazioni su un prodotto, non inventa la risposta ma cerca prima nei tuoi manuali, nelle FAQ e nelle schede tecniche, e poi formula una risposta precisa basata sulle informazioni reali della tua azienda. Questo elimina il problema delle allucinazioni.
Concetti Avanzati e Business (R-Z)
27. Reinforcement Learning (Apprendimento per Rinforzo)
Un metodo di addestramento in cui l'AI impara per tentativi, ricevendo un "premio" quando fa la cosa giusta e una "penalita'" quando sbaglia. L'AI esplora diverse strategie e impara progressivamente qual e' il comportamento ottimale.
Esempio aziendale: un sistema di pricing dinamico che testa diversi livelli di prezzo per ogni prodotto e impara nel tempo quale strategia di prezzo massimizza il fatturato, adattandosi automaticamente alla stagionalita' e alla domanda.
28. ROI dell'AI
Il ritorno sull'investimento dei progetti di intelligenza artificiale. Si calcola confrontando i benefici ottenuti (risparmio di tempo, riduzione errori, aumento vendite, miglioramento efficienza) con i costi sostenuti (software, implementazione, formazione, manutenzione).
Esempio aziendale: un chatbot AI per il customer service costa 500 EUR/mese ma gestisce automaticamente il 60% delle richieste di primo livello, risparmiando 2 operatori part-time (costo equivalente 3.000 EUR/mese). Il ROI e' del 500% al mese, con un payback period inferiore a un mese.
29. RPA (Robotic Process Automation)
Software che automatizza compiti ripetitivi basati su regole imitando le azioni umane sulle interfacce software: cliccare, copiare, incollare, compilare form. L'RPA tradizionale segue regole fisse; l'RPA intelligente, combinata con l'AI, gestisce anche situazioni non previste.
Esempio aziendale: un bot RPA che ogni mattina accede al portale dei fornitori, scarica le fatture, le confronta con gli ordini nel gestionale, segnala le discrepanze e archivia quelle corrette -- un processo che manualmente richiedeva due ore al giorno.
30. Scalabilita'
La capacita' di un sistema AI di crescere con la tua azienda senza dover essere rifatto da zero. Un sistema scalabile gestisce 10 richieste al giorno con la stessa facilita' con cui ne gestisce 10.000.
Esempio aziendale: scegliere un chatbot AI in cloud invece di una soluzione installata localmente: quando il traffico sul tuo sito raddoppia durante le promozioni, il chatbot in cloud si adatta automaticamente senza rallentamenti, mentre la soluzione locale potrebbe non reggere il carico.
31. Sentiment Analysis (Analisi del Sentiment)
La capacita' dell'AI di identificare le emozioni e le opinioni espresse in un testo: positivo, negativo, neutro, e sfumature piu' specifiche come frustrazione, entusiasmo, delusione.
Esempio aziendale: un sistema che analizza in tempo reale tutte le recensioni Google, i commenti social e le email di reclamo della tua azienda, generando un "termometro della soddisfazione" aggiornato quotidianamente e allertando il team quando emergono trend negativi.
32. Speech-to-Text (Trascrizione Vocale)
La tecnologia AI che converte il parlato in testo scritto, con accuratezza che oggi supera il 95% anche per l'italiano. Include la punteggiatura automatica, il riconoscimento di piu' parlanti e la comprensione di accenti regionali.
Esempio aziendale: trascrivere automaticamente tutte le riunioni aziendali e le chiamate con i clienti, generando verbali cercabili e analizzabili. Il team commerciale puo' riascoltare e cercare nei transcript ogni menzione di un prodotto specifico o di un competitor.
33. Token
L'unita' di misura fondamentale dell'AI generativa. Un token e' un frammento di testo -- circa 3/4 di una parola in italiano. I servizi AI fatturano spesso in base al numero di token elaborati: sia quelli in input (la tua domanda) che quelli in output (la risposta dell'AI).
Esempio aziendale: se il tuo chatbot elabora mediamente 1.000 token per conversazione (domanda + risposta) e gestisce 500 conversazioni al giorno, consuma 500.000 token/giorno. Con un costo di circa 2-5 EUR per milione di token (per i modelli piu' avanzati), il costo giornaliero e' di 1-2,50 EUR.
34. Training / Addestramento
Il processo con cui un modello AI impara dai dati. Durante l'addestramento, il modello analizza milioni (o miliardi) di esempi e impara a riconoscere pattern, fare previsioni e generare contenuti. L'addestramento richiede grandi quantita' di dati e potenza di calcolo.
Esempio aziendale: non dovrai mai addestrare un LLM da zero -- quello costa milioni di euro e lo fanno le big tech. Ma potresti fare un fine-tuning (addestramento leggero) su un modello esistente, alimentandolo con i documenti della tua azienda per renderlo un esperto del tuo settore.
35. Transfer Learning (Apprendimento per Trasferimento)
La tecnica di prendere un modello AI addestrato per un compito e adattarlo a un compito diverso ma correlato. Invece di partire da zero, si sfrutta la conoscenza gia' acquisita. Il fine-tuning e' una forma di transfer learning.
Esempio aziendale: un modello di computer vision addestrato per il controllo qualita' nell'industria automobilistica viene adattato, con poco sforzo, per il controllo qualita' nel tuo stabilimento di ceramica. Il modello sa gia' "vedere" i difetti; serve solo insegnargli i difetti specifici del tuo prodotto.
36. Transformer
L'architettura di rete neurale che ha rivoluzionato l'AI dal 2017 in poi. Tutti i modelli di linguaggio moderni (GPT, Claude, Llama, Gemini) sono basati sull'architettura Transformer. La sua innovazione chiave e' il meccanismo di "attenzione" che permette al modello di comprendere le relazioni tra le parole in un testo.
Esempio aziendale: non devi capire come funziona un Transformer per usare l'AI, cosi' come non devi capire il motore a combustione per guidare un'auto. Ma sapere che questa architettura e' alla base di tutti i modelli moderni ti aiuta a capire perche' i modelli di oggi sono cosi' piu' capaci di quelli di pochi anni fa.
37. Vector Database (Database Vettoriale)
Un tipo di database specializzato che archivia le informazioni come vettori matematici (sequenze di numeri che rappresentano il "significato" di un testo, un'immagine o un dato). Questo permette di fare ricerche per similarita' semantica: trovare informazioni simili nel significato, non solo nelle parole esatte.
Esempio aziendale: il cuore tecnico di un sistema RAG. Quando un cliente chiede al chatbot "come posso restituire un prodotto difettoso?", il vector database trova i documenti piu' rilevanti anche se usano parole diverse, come "procedura di reso per merce non conforme", perche' ne comprende il significato.
38. Workflow Automation (Automazione dei Flussi di Lavoro)
L'automazione di sequenze di azioni che coinvolgono piu' software, persone e decisioni. L'AI rende i workflow intelligenti: capaci di adattarsi, prendere decisioni e gestire eccezioni.
Esempio aziendale: un workflow automatizzato per la gestione ordini: il cliente ordina online, l'AI verifica disponibilita' a magazzino, genera la conferma d'ordine personalizzata, avvisa il magazzino, aggiorna il gestionale, invia tracking al cliente, e se rileva un ritardo nella spedizione, avvisa proattivamente il cliente e offre una soluzione.
39. Zero-shot Learning
La capacita' di un modello AI di eseguire un compito che non ha mai visto durante l'addestramento, basandosi solo sulla descrizione del compito. Questo e' uno dei superpoteri degli LLM moderni: possono fare cose nuove semplicemente spiegandogli cosa devono fare.
Esempio aziendale: chiedi a un LLM di classificare le email dei clienti in categorie specifiche del tuo business (es. "richiesta preventivo", "reclamo qualita'", "informazioni spedizione", "richiesta fattura") senza averlo mai addestrato su queste categorie. Il modello comprende la descrizione e classifica correttamente la maggior parte delle email.
40. Accuracy (Accuratezza)
La percentuale di risposte corrette di un sistema AI. Un modello con accuratezza del 95% sbaglia 5 volte su 100. In ambito aziendale, il livello di accuratezza accettabile dipende dal contesto: per un filtro spam l'85% puo' bastare, per un sistema di diagnosi medica serve il 99%+.
Esempio aziendale: il tuo sistema OCR per le fatture ha un'accuratezza del 97% nell'estrazione dei dati. Questo significa che su 100 fatture, 3 avranno qualche dato estratto in modo errato e richiederanno una verifica umana.
41. Batch Processing vs Real-time
Due modalita' di elaborazione AI. Il batch processing elabora grandi quantita' di dati in blocco, tipicamente di notte o in orari pianificati. Il real-time elabora i dati istantaneamente, man mano che arrivano.
Esempio aziendale: l'analisi delle vendite mensili puo' essere in batch (eseguita una volta alla fine del mese). La risposta del chatbot a un cliente deve essere in real-time (istantanea). La scelta dipende dal caso d'uso e impatta sui costi.
42. Conversational AI (AI Conversazionale)
La tecnologia che permette alle macchine di sostenere conversazioni naturali con gli esseri umani, comprendendo il contesto, ricordando la storia della conversazione e gestendo domande di follow-up.
Esempio aziendale: un assistente virtuale telefonico per il tuo studio medico che risponde alle chiamate, comprende le richieste dei pazienti (anche quando sono confuse o espresse in dialetto), verifica la disponibilita' del medico e fissa appuntamenti, gestendo la conversazione in modo naturale.
43. Data Pipeline
Il percorso automatizzato che i dati compiono dalla raccolta all'elaborazione finale. Include la raccolta, la pulizia, la trasformazione e il caricamento dei dati nei sistemi che li utilizzeranno, inclusi quelli AI.
Esempio aziendale: i dati delle vendite dal POS, le interazioni dal sito web e le chiamate al customer service vengono automaticamente raccolti, puliti, standardizzati e caricati nel sistema di analytics AI che li analizza per generare previsioni di vendita.
44. Deployment (Messa in Produzione)
Il passaggio di un sistema AI dal laboratorio all'uso reale in azienda. Il deployment e' il momento in cui l'AI smette di essere un esperimento e inizia a generare valore concreto. E' spesso la fase piu' critica di un progetto AI.
Esempio aziendale: dopo tre mesi di sviluppo e test, il chatbot AI per il tuo sito web viene finalmente messo online e inizia a gestire le conversazioni reali con i clienti. Le prime settimane richiedono monitoraggio attento e aggiustamenti continui.
45. Embedding
Una rappresentazione numerica del significato di un testo, un'immagine o qualsiasi altro dato. Gli embedding trasformano concetti astratti in numeri che l'AI puo' elaborare e confrontare. Sono la base dei vector database e dei sistemi RAG.
Esempio aziendale: quando il tuo sistema RAG indicizza i documenti aziendali, trasforma ogni paragrafo in un embedding -- un vettore numerico che cattura il significato del testo. Quando arriva una domanda, il sistema la trasforma in un embedding e cerca i documenti con embedding piu' simili.
46. Inference (Inferenza)
Il momento in cui un modello AI addestrato produce effettivamente un risultato: risponde a una domanda, classifica un'immagine, genera un testo. L'addestramento (training) avviene una volta; l'inferenza avviene ogni volta che usi il modello.
Esempio aziendale: ogni volta che un cliente fa una domanda al tuo chatbot, il modello AI esegue un'inferenza per generare la risposta. I costi dei servizi AI sono spesso basati sul numero di inferenze (o token elaborati durante l'inferenza).
47. Latency (Latenza)
Il tempo che passa tra la richiesta all'AI e la ricezione della risposta. Una latenza bassa (pochi millisecondi) e' essenziale per applicazioni in tempo reale come chatbot e ricerca; una latenza piu' alta e' accettabile per analisi in background.
Esempio aziendale: se il chatbot sul tuo sito impiega 8 secondi a rispondere, i clienti abbandoneranno la conversazione. Una latenza di 1-2 secondi e' accettabile. La scelta del modello AI e dell'infrastruttura influenza direttamente la latenza.
48. MLOps (Machine Learning Operations)
Le pratiche e gli strumenti per gestire il ciclo di vita dei modelli AI in produzione: addestramento, deployment, monitoraggio, aggiornamento. Pensalo come il "manutenzione e assistenza" dei sistemi AI.
Esempio aziendale: il tuo modello predittivo delle vendite funzionava bene, ma dopo sei mesi le previsioni peggiorano perche' il mercato e' cambiato. Un buon processo MLOps rileva automaticamente il calo di performance e avvia il ri-addestramento del modello con i dati recenti.
49. Multimodal AI (AI Multimodale)
Sistemi AI che comprendono e generano piu' tipi di contenuto contemporaneamente: testo, immagini, audio, video. I modelli multimodali piu' recenti possono analizzare un'immagine e rispondere a domande su di essa, o generare un'immagine a partire da una descrizione testuale.
Esempio aziendale: un sistema AI multimodale per il quality control che analizza contemporaneamente le immagini del prodotto, i dati dei sensori di produzione e i report testuali degli operatori, incrociando tutte le informazioni per una valutazione piu' accurata.
50. SLA (Service Level Agreement) per AI
Un accordo contrattuale con il fornitore di servizi AI che definisce i livelli garantiti di servizio: disponibilita' del sistema (es. 99,9%), tempi di risposta, accuratezza minima, tempi di risoluzione dei problemi.
Esempio aziendale: nel contratto con il fornitore del chatbot AI, lo SLA garantisce una disponibilita' del 99,5% (massimo 3,6 ore di downtime al mese), una latenza media inferiore a 2 secondi e un'accuratezza delle risposte superiore al 90%.
Le 10 Parole che Devi Assolutamente Conoscere
Se dovessi scegliere solo dieci termini da questo glossario, quelli che un imprenditore o manager dovrebbe avere sempre in mente sono:
- LLM -- perche' e' la tecnologia dietro la rivoluzione dell'AI generativa e la userai (o la stai gia' usando) ogni giorno.
- Prompt -- perche' la qualita' di cio' che chiedi all'AI determina la qualita' di cio' che ottieni.
- RAG -- perche' e' la chiave per rendere l'AI utile nel tuo contesto aziendale specifico, eliminando le allucinazioni.
- Fine-tuning -- perche' e' il modo per trasformare un'AI generica in un'AI esperta del tuo business.
- Hallucination -- perche' devi sapere che l'AI puo' inventare informazioni e devi prevedere controlli di qualita'.
- ROI dell'AI -- perche' ogni investimento in AI deve essere giustificato da risultati misurabili.
- Token -- perche' e' l'unita' di misura dei costi dell'AI generativa e capirla ti aiuta a controllare la spesa.
- Workflow Automation -- perche' l'AI da' il massimo quando automatizza interi processi, non singoli compiti isolati.
- Agente AI -- perche' e' il futuro prossimo dell'AI in azienda, il passaggio dalla chat all'azione.
- Bias -- perche' l'AI puo' perpetuare pregiudizi e un uso responsabile richiede consapevolezza.
Questo glossario non e' un punto di arrivo, ma un punto di partenza. L'intelligenza artificiale evolve rapidamente, e con essa il suo vocabolario. Ma avere padronanza di questi 50 termini ti mette nella condizione di comprendere le opportunita', valutare le proposte e prendere decisioni informate per il futuro della tua azienda.
