Per decenni la didattica delle telecomunicazioni ha affrontato un limite cognitivo quasi invisibile: l’idea che uno studente possa comprendere sistemi altamente multidominio semplicemente osservandone separatamente le rappresentazioni simboliche.  La modulazione 16-QAM ne è un esempio emblematico.  Nei percorsi tradizionali, il discente incontra formule trigonometriche, diagrammi di costellazione, componenti in quadratura, sequenze binarie e grafici temporali come oggetti distinti, distribuiti in tempi e contesti differenti.  Questa frammentazione produce spesso un apprendimento puramente dichiarativo, incapace di trasformarsi in rappresentazione mentale dinamica.  Lo studente memorizza la definizione della QAM ma non “vede” il fenomeno emergere cognitivamente. L'animazione sviluppata per la 16-QAM suggerisce invece un paradigma differente, che potrebbe essere descritto come apprendimento sincronico multirappresentazionale. In questo modello, la comprensi...

C’è stato un momento, nell'ennesima mia conversazione, in cui la risposta dell’IA sembrava corretta, elegante, perfino convincente. Un file di simulazione Micro-Cap per un modulatore FSK era stato generato. Il grafico mostrava qualcosa. Lo schema sembrava avere senso.  Ma poi è arrivata la domanda decisiva: “Quindi il file è un trucco?” Ed era proprio lì il punto. Non bastava ottenere un circuito che “producesse” una forma d’onda FSK. Bisognava ottenere un circuito che fosse sperimentalmente onesto , cioè realizzabile davvero in un laboratorio didattico, con componenti riconoscibili, montabili, misurabili e spiegabili agli studenti. Questa è stata una piccola lotta con l’IA generativa. Ma è stata anche una dimostrazione molto utile di come si debba lavorare con i modelli linguistici: non come con un oracolo, ma come con un interlocutore tecnico da interrogare, correggere, spingere, costringere alla precisione. Il primo errore: confondere il risultato con il processo All’inizio il c...

Studiare con l’IA non significa farsi sostituire: significa costruire strumenti. Uno degli aspetti più interessanti dell’intelligenza artificiale non è semplicemente la possibilità di ottenere risposte rapide. Il punto più profondo è un altro: oggi l’IA può diventare un laboratorio per costruire strumenti personalizzati di studio, esplorazione e organizzazione della conoscenza. Non si tratta solo di chiedere: “spiegami questo argomento”. Si tratta di fare un passo ulteriore: trasformare un contenuto in una struttura navigabile, modificabile, espandibile. Un testo, una lezione, un tema complesso possono diventare una mappa di concetti, dove ogni nodo rappresenta un’idea, ogni ramo mostra una relazione, ogni espansione apre un nuovo livello di approfondimento. Questo cambia il modo di studiare. Lo studio non resta più lineare, come una pagina da leggere dall’inizio alla fine. Diventa esplorativo. Si può partire da un concetto centrale, seguirne le diramazioni, fermarsi su un nodo diffici...

Ho confrontato due modelli diversi sullo stesso esperimento sintetico: un Gradient Boosting e una rete neurale MLP . L’obiettivo non era costruire un sistema predittivo reale, ma strovare una risposta convincente alla domanda fondamentale: quando nei dati esiste una struttura nascosta, un algoritmo riesce davvero a ricostruirla? Il primo modello, il Gradient Boosting, ha ottenuto risultati molto alti: accuracy 0,969 e balanced accuracy 0,968 , con pochissimi errori nella matrice di confusione. La rete neurale, nello stesso scenario, ha fatto ancora leggermente meglio: accuracy 0,972 e balanced accuracy 0,972 . In pratica, entrambi i modelli hanno imparato quasi perfettamente la regola implicita che generava l’evento. Questo risultato è interessante perché mostra una cosa spesso trascurata: la potenza dell’intelligenza artificiale non nasce solo dall’algoritmo, ma dall’incontro tra algoritmo, dati e struttura del problema. Quando il segnale è chiaro, il rumore è limitato e le variabi...

L’ultima mia app, denominata Dropper , è nata dalla lettura delle seguenti informazioni raccolte e filtrate dal web tramite la funzionalità di deep research di uno dei principali modelli di intelligenza artificiale generativa. Con questo post intendo suggerire ai lettori nuovi metodi per preparare il materiale didattico e, a chi possiede anche competenze informatiche, alcune applicazioni utili per facilitare la memorizzazione. Per decenni, nell’educazione formale e nell’autoapprendimento, molte pratiche di studio si sono basate sull’idea che l’esposizione ripetuta a un contenuto — leggere, rileggere, sottolineare, ascoltare — fosse sufficiente a fissarlo nella memoria a lungo termine. La ricerca psicologica e neuroscientifica ha però mostrato che il consolidamento mnestico dipende da processi più selettivi, dinamici e attivi. La memoria non è un archivio passivo né una registrazione immutabile: è un sistema biologicamente attivo in cui codifica, consolidamento e recupero coinvolgono ...

Il problema non è trovare informazioni, ma farlo in modo continuo, strutturato e affidabile — senza sedersi ogni mattina e aprire browser, cercare, leggere, filtrare, copiare, incollare e formattare.  Quel lavoro esiste in quasi ogni organizzazione, ed è invisibile finché non si calcola quanto tempo assorbe davvero. L'applicazione che vi voglio proporre è questa: un agente AI con accesso al web raccoglie dati su un argomento definito, li struttura in JSON e aggiorna automaticamente un'interfaccia — senza backend, senza database, senza intervento umano, in gergo tecnico: un loop schedulato.  Circa 80 righe di codice. Zero infrastruttura. In pratica funziona così. Si definisce un agente tramite le API di un modello con capacità di web search integrata. Gli si passa un system prompt che descrive il formato di output atteso — un JSON con campi fissi: titolo, fonte, riassunto, categoria, timestamp. L'agente naviga, legge, filtra e restituisce dati già strutturati. Un semplice sc...