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.
-
13 – Tokenizzazione: come un modello spezza parole, numeri e formule
Dai frammenti di «matematica» a 1729: un esperimento riproducibile su token, ID, spazi, Unicode, codice e formule, con tiktoken e due vocabolari a confronto.
-
14 – Mixture of Experts: chi sceglie gli “esperti” dentro il modello?
Come funziona il router di un Mixture of Experts: top-2, pesi, parametri totali e attivi, memoria e un laboratorio Python riproducibile.
-
15 – KV cache: che cosa conserva un modello mentre risponde
Che cosa conserva la KV cache, quanto spazio occupa e come si distingue dalla memoria della chat: esempi numerici, prefix caching e laboratorio Python.
-
16 – Speculative decoding: un modello piccolo può accelerarne uno grande?
Come proposta e verifica dei token possono accelerare un LLM: regole del campionamento esatto, esempi numerici, costi e laboratorio Python verificabile.
-
17 – Quanto conviene far “ragionare” più a lungo un modello?
Più elaborazione migliora davvero le risposte? Un confronto fra qualità, tempo e costo, con studi sul test-time scaling e un laboratorio didattico verificabile.
-
18 – JSON corretto, informazione sbagliata: i limiti degli output strutturati
Uno schema valido non garantisce dati veri: esempi su conformità, fedeltà alla fonte e regole applicative, con laboratorio Python verificabile.
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.