ANGOLO 1729 · APPROFONDIMENTI
Dentro l’intelligenza artificiale, oltre la superficie.
Modelli, agenti, memoria, retrieval, sicurezza, valutazione e deployment. Una serie di approfondimento per capire non solo che cosa fa l’IA, ma come viene progettata, misurata e resa affidabile nei sistemi reali.
Come seguire il percorso
Questa serie parte da concetti già familiari e scende di un livello: dentro le architetture, le metriche, i compromessi e i meccanismi che rendono concreti i sistemi di IA. Gli articoli possono essere letti in sequenza, ma ciascuno è pensato anche come approfondimento autonomo.
Per iniziare — è utile avere familiarità con i concetti di base di modelli linguistici, RAG e agenti.
Per approfondire — entrano in gioco probabilità, metriche, retrieval, state management, sicurezza, quantizzazione e fine-tuning, sempre con esempi e schemi esplicativi.
Gli approfondimenti
Una serie dedicata ai meccanismi, alle metriche e alle scelte progettuali dell’intelligenza artificiale contemporanea.
-
01 – Benchmark degli LLM: cosa misurano davvero i numeri?
Benchmark, leaderboard e punteggi non dicono da soli quale IA sia migliore. MMLU, GPQA, HLE, SWE-bench, Artificial Analysis, incertezza statistica e frontiera di Pareto: come leggere davvero i numeri dei modelli.
-
02 – Perché un modello allucina anche quando conosce la risposta
Un LLM può sbagliare anche quando possiede l’informazione. Probabilità, softmax, decoding, contesto e retrieval spiegano perché una risposta plausibile non coincide necessariamente con una risposta vera.
-
03 – Context engineering: progettare ciò che il modello deve sapere
Il context engineering va oltre il prompt: selezione, ordine, chunking, priorità e budget di token determinano ciò che il modello sa davvero quando risponde.
-
04 – Quando la ricerca vettoriale non basta
Dense retrieval, BM25, hybrid search e reranking: nei sistemi RAG la qualità del retrieval è spesso il vero collo di bottiglia.
-
05 – La memoria negli agenti: cosa ricordare e cosa dimenticare
Working memory, memoria episodica, memoria semantica, compattazione e forgetting: come progettare agenti che ricordano ciò che serve senza accumulare tutto.
-
06 – Come si costruisce un agente che non si perda per strada
Planning, tool use, retry, fallback, state machine e osservabilità: come progettare un agente che sappia avanzare, recuperare dagli errori e fermarsi quando serve.
Un percorso che continua
Dentro l’IA nasce come secondo livello di lettura: dopo aver capito i concetti fondamentali, qui proviamo a vedere che cosa accade davvero quando quei concetti diventano sistemi. Nuovi articoli potranno aggiungersi nel tempo seguendo l’evoluzione di modelli, agenti e infrastrutture.
DALLA MIA BIBLIOTECA
Una selezione più tecnica per approfondire modelli, apprendimento, LLM e progettazione di sistemi di intelligenza artificiale.