AI Radar
Parliamo la stessa lingua.
71 termini, 8 categorie. Le parole dell’AI in italiano e inglese, spiegate per chi guida un’azienda.
71 termini
Scarica il glossario in PDF ↓01Fondamenti
- AIIntelligenza artificiale
- Sistemi che svolgono compiti come riconoscere schemi, fare previsioni o generare contenuti. In azienda il valore dipende dal compito e da come viene verificato.
- Machine learningApprendimento automatico
- Sistemi che imparano da esempi invece di seguire regole scritte a mano. Funziona bene quando ci sono molti dati storici e un risultato misurabile.
- Deep learningApprendimento profondo
- Un tipo di machine learning basato su reti neurali con molti livelli, alla base dei modelli attuali. Richiede molti dati e molta capacità di calcolo.
- Generative AIAI generativa
- AI che produce nuovi contenuti, come testi o immagini, in risposta a un input. Una risposta ben scritta non è automaticamente corretta.
- LLMModello linguistico di grandi dimensioni
- Un modello addestrato su grandi quantità di dati linguistici per elaborare e generare testo. Può aiutare con documenti, sintesi e conversazioni.
- NLPElaborazione del linguaggio naturale
- Le tecniche che permettono ai sistemi di comprendere e produrre testo e parlato. È ciò che rende possibile leggere email, contratti o ticket in automatico.
- Computer visionVisione artificiale
- AI che analizza immagini e video, per esempio per riconoscere difetti su una linea produttiva. La qualità dipende da luce, inquadratura ed esempi disponibili.
- Multimodal AIAI multimodale
- Modelli che lavorano insieme su testo, immagini, audio o video. Permettono, per esempio, di leggere una foto e trasformarla in un report.
- Foundation modelModello di base
- Un modello generale addestrato su enormi quantità di dati e adattabile a molti compiti. Gli LLM più diffusi sono modelli di base.
- Reasoning modelModello di ragionamento
- Un modello che elabora passaggi intermedi prima di rispondere, utile per problemi complessi. È più lento e costoso, quindi va usato dove serve davvero.
- AI assistantAssistente AI
- Un sistema che affianca una persona suggerendo, scrivendo o cercando, ma lascia a lei la decisione. A differenza di un agente, non agisce da solo.
02Come funzionano i modelli
- PromptIstruzione al modello
- La richiesta fornita a un modello, insieme al contesto e alle indicazioni sul risultato desiderato.
- TokenUnità di testo
- La porzione di testo, spesso una parte di parola, con cui un modello legge e scrive. Costi e limiti dei modelli si misurano in token.
- Context windowFinestra di contesto
- La quantità massima di testo che un modello considera in una singola richiesta. Oltre quel limite, le informazioni vanno selezionate o riassunte.
- TrainingAddestramento
- Il processo con cui un modello impara dai dati. Addestrare un modello da zero raramente conviene a un'azienda: si parte quasi sempre da uno esistente.
- Fine-tuningAddestramento specifico
- Un addestramento aggiuntivo che adatta un modello esistente a un compito o a uno stile preciso. Spesso buoni prompt e RAG ottengono lo stesso risultato con meno costi.
- InferenceInferenza
- Il momento in cui un modello già addestrato produce una risposta. È la voce di costo ricorrente di un sistema AI in uso.
- EmbeddingRappresentazione vettoriale
- La traduzione di un testo in una serie di numeri che ne rappresenta il significato. Permette di trovare contenuti simili anche quando usano parole diverse.
- Vector databaseDatabase vettoriale
- Un database che archivia embedding e trova i contenuti più vicini per significato. È uno dei componenti tipici di un sistema RAG.
- Semantic searchRicerca semantica
- Una ricerca basata sul significato invece che sulle parole esatte. Chi cerca “rimborso” trova anche i documenti che parlano di “restituzione”.
- RAGGenerazione con recupero di informazioni
- Un approccio che recupera informazioni da fonti esterne al modello e le inserisce nel contesto della risposta. Le fonti devono essere pertinenti e accessibili con i giusti permessi.
- Open-weight modelModello a pesi aperti
- Un modello i cui parametri sono pubblici e installabili su infrastruttura propria. Dà più controllo sui dati, ma sposta su chi lo usa gestione e manutenzione.
03Dati
- Structured dataDati strutturati
- Dati organizzati in tabelle e database, come ordini, anagrafiche o movimenti contabili. Sono i più facili da analizzare, ma raccontano solo una parte dell'azienda.
- Unstructured dataDati non strutturati
- Informazioni contenute in email, PDF, chat, note e immagini. Gran parte della conoscenza aziendale sta qui, ed è qui che l'AI generativa aggiunge più valore.
- Knowledge baseBase di conoscenza
- L'insieme organizzato di documenti e informazioni a cui un sistema può attingere. Se è disordinata o obsoleta, lo saranno anche le risposte.
- Data qualityQualità dei dati
- Quanto i dati sono completi, corretti, aggiornati e coerenti. È il limite più frequente dei progetti AI, prima ancora della scelta del modello.
- Synthetic dataDati sintetici
- Dati generati artificialmente che imitano quelli reali. Utili per test e sviluppo quando i dati veri sono pochi o riservati.
- IDPElaborazione intelligente dei documenti
- L'estrazione automatica di dati da fatture, contratti e moduli, anche scansionati. Va oltre l'OCR, che riconosce il testo ma non ne capisce il contenuto.
04Costruzione e automazione
- APIInterfaccia tra software
- Un modo strutturato con cui due software si scambiano dati o richiedono operazioni, rispettando regole e autorizzazioni.
- IntegrationIntegrazione
- Il collegamento di un sistema AI con gli strumenti già in uso, come ERP, CRM o gestionali. Senza integrazione, l'AI resta un'isola che qualcuno deve alimentare a mano.
- Workflow automationAutomazione dei flussi di lavoro
- Una sequenza di passaggi eseguita dal software senza intervento manuale. Con l'AI può gestire anche passaggi che richiedono di interpretare un testo.
- RPAAutomazione robotica dei processi
- Software che replica azioni ripetitive su interfacce esistenti, come clic e copia-incolla. È rigida: se cambia l'interfaccia, smette di funzionare.
- AI agentAgente AI
- Un sistema che usa un modello e strumenti per svolgere passi verso un obiettivo. Permessi, limiti e approvazioni vanno definiti prima.
- Tool useUso di strumenti
- La capacità di un modello di richiamare software esterni, come un CRM, un calendario o un calcolo. È ciò che permette a un agente di agire e non solo di rispondere.
- Agentic workflowFlusso agentico
- Un processo in cui uno o più agenti decidono i passi successivi in base ai risultati ottenuti. Più flessibile di un'automazione fissa, e per questo richiede limiti più chiari.
- Multi-agent systemSistema multi-agente
- Più agenti specializzati che collaborano, ciascuno con un compito preciso. Utile quando un processo attraversa competenze o reparti diversi.
- OrchestrationOrchestrazione
- Il coordinamento di modelli, agenti, strumenti e dati in un unico processo. È ciò che trasforma componenti separati in un sistema che funziona.
- MCPProtocollo di collegamento tra modelli e strumenti
- Uno standard aperto per collegare modelli AI a strumenti e fonti di dati in modo uniforme. Riduce il lavoro di integrazione quando i sistemi da collegare sono molti.
- Low code / No codeSviluppo con poco o nessun codice
- Piattaforme che permettono di costruire applicazioni e automazioni con componenti visuali. Accelerano i prototipi, ma possono diventare un limite quando il processo cresce.
- Proof of conceptProva di fattibilità
- Un test rapido e limitato per verificare che un'idea funzioni tecnicamente. Dimostra che si può fare, non che conviene farlo.
- PilotProgetto pilota
- Un primo utilizzo reale su un perimetro ristretto, con persone e dati veri. È il passaggio in cui si misura il valore prima di estendere.
05Qualità e affidabilità
- HallucinationAllucinazione
- Una risposta plausibile ma inesatta o inventata. Per questo progettiamo verifiche, fonti consultabili e passaggi di controllo.
- GroundingAncoraggio alle fonti
- Vincolare le risposte di un modello a documenti o dati verificabili. È una delle difese principali contro le allucinazioni.
- EvaluationValutazione
- Un insieme di prove per verificare se il sistema risponde bene al compito assegnato, inclusi errori, casi limite e cambiamenti nel tempo.
- Human in the loopSupervisione umana
- Una persona interviene in un passaggio definito per controllare, correggere o approvare ciò che fa il sistema.
- GuardrailsBarriere di sicurezza
- Regole e controlli che impediscono a un sistema di produrre contenuti o compiere azioni fuori dai limiti stabiliti. Si definiscono prima del rilascio, non dopo il primo errore.
- BiasDistorsione
- Una tendenza sistematica di un modello a favorire o penalizzare certi risultati, spesso ereditata dai dati. Va controllata soprattutto quando il sistema riguarda persone.
- ExplainabilitySpiegabilità
- La possibilità di capire perché un sistema ha prodotto un certo risultato. Più la decisione è importante, più questa capacità diventa necessaria.
- Model driftDeriva del modello
- Il peggioramento graduale delle prestazioni quando dati o contesto cambiano nel tempo. Per questo un sistema AI va monitorato anche dopo il rilascio.
- Audit trailRegistro delle attività
- La traccia di cosa ha fatto un sistema, quando e su quali dati. Serve a ricostruire errori, rispondere a verifiche e dimostrare conformità.
- LatencyLatenza
- Il tempo che un sistema impiega a rispondere. In un processo operativo, qualche secondo in più può fare la differenza tra uno strumento usato e uno ignorato.
06Sicurezza e privacy
- Prompt injectionIniezione di istruzioni
- Un attacco in cui istruzioni nascoste in un documento, un'email o una pagina web inducono il modello a comportarsi diversamente dal previsto. Riguarda soprattutto gli agenti che leggono contenuti esterni.
- Data leakageFuga di dati
- L'esposizione involontaria di informazioni riservate, per esempio incollate in uno strumento esterno o mostrate a chi non dovrebbe vederle.
- Access controlControllo degli accessi
- Le regole che stabiliscono chi, persona o sistema, può vedere o modificare quali dati. Un sistema AI deve rispettare gli stessi permessi delle persone che lo usano.
- Shadow AIAI non autorizzata
- L'uso di strumenti AI da parte dei dipendenti al di fuori delle regole aziendali. Spesso è il primo segnale di un bisogno reale da strutturare.
- On-premiseInstallazione interna
- Software e modelli eseguiti su server dell'azienda invece che nel cloud di un fornitore. Massimo controllo sui dati, con costi e gestione a carico dell'azienda.
- Data residencyLocalizzazione dei dati
- Il luogo fisico in cui i dati vengono conservati ed elaborati. È rilevante per il GDPR e per chi richiede che i dati restino in Unione europea.
- Zero data retentionNessuna conservazione dei dati
- Un accordo per cui il fornitore del modello non conserva le richieste e le risposte dopo averle elaborate. Riduce il rischio quando si trattano informazioni riservate.
- DPAAccordo sul trattamento dei dati
- Il contratto previsto dal GDPR che regola come un fornitore tratta dati personali per conto di un'azienda. Va firmato prima che un sistema AI tocchi dati di clienti o dipendenti.
07Normativa
- AI ActRegolamento europeo sull'intelligenza artificiale
- La normativa UE che classifica i sistemi AI per livello di rischio, con obblighi diversi per chi li sviluppa e chi li usa. La maggior parte degli usi aziendali comuni rientra nei livelli di rischio più bassi.
- High-risk AI systemSistema AI ad alto rischio
- Un sistema usato in ambiti sensibili, come selezione del personale, accesso al credito o sicurezza, soggetto agli obblighi più stringenti dell'AI Act.
- GDPRRegolamento generale sulla protezione dei dati
- La normativa europea sui dati personali, che si applica anche ai sistemi AI ogni volta che trattano informazioni su persone.
- AI literacyAlfabetizzazione AI
- Le competenze di base per usare l'AI in modo consapevole, conoscendone possibilità e limiti. È anche uno dei temi su cui insiste l'AI Act.
08Valore e adozione
- Use caseCaso d'uso
- Un compito specifico e circoscritto in cui applicare l'AI. Un buon caso d'uso parte da un problema misurabile, non da una tecnologia.
- Process mappingMappatura dei processi
- La ricostruzione di come un'attività viene svolta davvero, passaggio per passaggio e persona per persona. È il punto di partenza per capire dove l'AI serve e dove no.
- Process miningAnalisi dei processi dai dati
- La ricostruzione automatica dei processi a partire dalle tracce lasciate nei sistemi aziendali. Mostra dove il lavoro rallenta o si ripete.
- ROIRitorno sull'investimento
- Il rapporto tra valore generato e costo sostenuto. Nei progetti AI si misura su tempo risparmiato, errori evitati e capacità liberata, non solo su costi tagliati.
- TCOCosto totale di possesso
- Il costo complessivo di un sistema nel tempo: sviluppo, licenze, infrastruttura, utilizzo, manutenzione e formazione. Il prezzo iniziale ne è solo una parte.
- Vendor lock-inDipendenza dal fornitore
- La situazione in cui cambiare fornitore diventa troppo costoso o complicato. Si riduce progettando sistemi in cui il modello può essere sostituito.
- Change managementGestione del cambiamento
- Accompagnare persone e organizzazione nell'adozione di nuovi strumenti e modi di lavorare. Senza, anche il sistema migliore resta inutilizzato.
- AdoptionAdozione
- Quanto e come un sistema viene davvero usato dopo il rilascio. È la misura più onesta del successo di un progetto.