AI (Artificial Intelligence)
L'intelligenza artificiale (AI) è una tecnologia avanzata che consente ai sistemi computazionali di replicare i processi dell'intelligenza umana. Attraverso l'implementazione di algoritmi sofisticati e complessi, l'AI è in grado di eseguire attività che tradizionalmente richiederebbero l'intervento umano, come l'apprendimento, il ragionamento, la risoluzione dei problemi e la comprensione del linguaggio naturale.
chunk
Un chunk rappresenta un blocco di dati o informazioni trattato come se fosse una singola unità, che può essere gestita separatamente. La divisione dei dati o delle informazioni in chunk serve a facilitarne l'elaborazione, l'archiviazione e la ricerca.
CUDA (Compute Unified Device Architecture)
È un'architettura hardware per l'elaborazione parallela creata da NVIDIA. Consente agli sviluppatori di utilizzare le capacità di calcolo delle GPU (Graphics Processing Units) per eseguire operazioni di calcolo intensivo, accelerando notevolmente le prestazioni rispetto all'uso delle CPU (Central Processing Units) tradizionali.
deep learning
L'apprendimento profondo è quel campo di ricerca dell'apprendimento automatico e dell'intelligenza artificiale che si basa su diversi livelli di rappresentazione, corrispondenti a gerarchie di caratteristiche di fattori o concetti, dove i concetti di alto livello sono definiti sulla base di quelli di basso.
embedding
È una tecnica utilizzata nell'ambito dell'apprendimento automatico e dell'elaborazione del linguaggio naturale (NLP) per rappresentare dati complessi, come parole, frasi o oggetti, in uno spazio vettoriale.
fine-tuning
Il fine-tuning rappresenta una tecnica di machine learning che comporta l'ulteriore addestramento di un modello già pre-addestrato su un nuovo dataset specifico per una particolare attività. Questo metodo risulta particolarmente utile nel contesto di modelli di grandi dimensioni, come ad esempio i Large Language Models (LLM), i quali sono stati precedentemente addestrati su enormi volumi di dati generici.
LLM (Large Language Model)
È un modello AI progettato per comprendere e generare linguaggio naturale. Si distingue per l'elevato numero di parametri che vengono addestrati su vaste raccolte di testi. Grazie alla sua grandezza, può acquisire una conoscenza approfondita delle strutture linguistiche e dei contesti. Rappresentano un significativo avanzamento nell'elaborazione del linguaggio naturale, migliorando l'interazione uomo-computer in modo più naturale ed efficiente. A causa della sua complessità, richiede notevoli risorse computazionali sia per l'addestramento che per l'implementazione.
ML (Machine Learning)
È un sottoinsieme dell'intelligenza artificiale (AI) che si concentra sullo sviluppo di algoritmi e modelli che permettono ai computer di apprendere dai dati e fare previsioni o prendere decisioni. Diversamente dai programmi tradizionali, che richiedono istruzioni esplicite per eseguire compiti specifici, i sistemi di machine learning migliorano automaticamente le loro prestazioni nel tempo attraverso l'analisi dei dati. Il ML consente ai computer di affinare le proprie capacità su compiti specifici grazie all'esperienza acquisita dai dati.
NLP (Natural Language Processing)
Il processamento del linguaggio naturale è un campo dell'intelligenza artificiale (AI) che si concentra sull'interazione tra computer e linguaggio umano. L'obiettivo è permettere ai computer di comprendere, interpretare e generare linguaggio naturale in modo significativo e utile.
RAG (Retrieval Augmented Generation)
È il processo di ottimizzazione dell'output di un modello linguistico di grandi dimensioni, in modo che faccia riferimento a una base di conoscenza autorevole al di fuori delle sue fonti di dati di addestramento prima di generare una risposta.
STT (Speech-to-Text)
È una tecnologia che permette di converte il parlato in testo scritto, consentendo ai computer e agli altri dispositivi di comprendere e processare il linguaggio umano parlato.
TTS (Text-to-Speech)
e il testo scritto in parlato utilizzando tecniche avanzate di ML.