«Con quale parola descriveresti come ti senti oggi?» È una domanda semplice, adatta anche all’accoglienza di una nuova classe. Quando le risposte diventano numerose, però, leggerle, raggrupparle e riconoscere le emozioni prevalenti richiede tempo e introduce una componente soggettiva. L’intelligenza artificiale può facilitare questo lavoro, purché venga utilizzata attraverso un metodo controllabile e senza attribuirle capacità diagnostiche. Per sperimentare questa possibilità è stato costruito un corpus contenente 200 risposte simulate. I testi non provengono da studenti reali, ma sono stati generati artificialmente per collaudare la procedura senza coinvolgere dati personali. Le risposte sono state divise in quattro gruppi da cinquanta e analizzate parallelamente da quattro agenti linguistici basati su Claude. Ogni agente ha associato a ciascun testo l’emozione ritenuta prevalente, scegliendola tra le 28 categorie della tassonomia GoEmotions. Un agente orchestratore ha successivamente...

E se le mie copertine diventassero grattacieli? Ho provato a costruire una città 3D in Blender partendo da un'idea semplice: usare le copertine dei miei libri, costruiti con la mia app apposita, come facciate degli edifici. Il risultato è un piccolo esperimento di generative art: • una città procedurale di ~200 grattacieli, con il centro più alto e la periferia bassa, come uno skyline vero; • ogni edificio proporzionato su misura della copertina: una copertina in larghezza, un numero intero in altezza, senza tagli; • strade complete di asfalto, cordoli, mezzeria tratteggiata e attraversamenti pedonali; • giardini alberati tra gli isolati; • il tutto su un'isola, circondata da un canale pieno di acqua animata (Ocean modifier); • una camera che ci vola dentro come un elicottero: entra da fuori, scende in strada, percorre le vie a serpentina tra le torri e risale sullo skyline al tramonto.  La parte più interessante non è il render, ma il metodo: l'ho costruita conversando con...

"La storia delle reti neurali" è un saggio divulgativo che ripercorre l'evoluzione dell'Intelligenza Artificiale, dai pionieristici modelli degli anni '40 fino all'era del Deep Learning. Un racconto fatto di entusiasmi, fallimenti e geniali intuizioni che spiegano come le macchine abbiano imparato a pensare. Indice dei capitoli Capitolo 1 — Le origini e il sogno del "cervello elettronico" Capitolo 2 — L'inverno dell'Intelligenza Artificiale Capitolo 3 — Il rinascimento e la magia della retropropagazione Capitolo 4 — L'ascesa delle macchine visive: le reti convoluzionali Capitolo 5 — L'esplosione del Deep Learning: Big Data e GPU Capitolo 6 — L'era dell'attenzione: la rivoluzione dei Transformer Capitolo 7 — L'alba dell'IA generativa e i grandi modelli linguistici Capitolo 8 — La scatola nera: etica, pregiudizi e il problema dell'allineamento Capitolo 9 — Oltre il Deep Learning: la strada verso l'Inte...

Ho voluto fare un piccolo esperimento con RAGradix Pro , il sistema RAG che ho sviluppato ad hoc principalmente per la didattica. L’esperimento parte da una voce enciclopedica degli anni ʼ80 dedicata a Dinostrato e alla sua quadratrice. Ho poi posto esattamente la stessa domanda in due modalità diverse: «Cosa sai di Dinostrato e la sua quadratrice?» La differenza tra le due modalità è sostanziale. Chat generale del modello In questa modalità il modello LLM locale  non legge i documenti presenti nel workspace . Risponde utilizzando la propria conoscenza parametrica, cioè ciò che ha appreso durante l’addestramento. Solo workspace In questa modalità, invece, RAGradix Pro effettua il retrieval sui documenti caricati , recupera i passaggi pertinenti e costruisce la risposta sulla base delle informazioni presenti nelle fonti. La risposta permette inoltre di vedere i riferimenti ai passaggi recuperati e i relativi punteggi di similarità, rendendo più tr...

Oggi vi porto dietro le quinte di un esperimento affascinante che unisce un grande classico della letteratura italiana all'Intelligenza Artificiale.  Ho chiesto alla mia app desktop che implementa un sistema RAG qualcosa di molto specifico scritto nel romanzo “Il fu Mattia Pascal”. Risultato? Una preziosa lezione pratica su come funzionano i sistemi Retrieval-Augmented Generation e su quanto sia vitale la precisione delle nostre domande, i cosiddetti prompt. Per chi non lo ricordasse, nel romanzo di Pirandello, Mattia Pascal vince una fortuna dopo 12 giorni di roulette a Montecarlo (Capitolo VI). Successivamente, sul treno, fa il conteggio esatto del suo gruzzolo (Capitolo VII). La cifra esatta che ha in tasca è di 81.725 lire e 40 centesimi (spesso arrotondata a circa 82.000 lire nel testo). La citazione precisa dal Capitolo VII è: "...ottantunmila settecento venticinque lire, e quaranta centesimi in tasca." Hi chiesto al mio RAG di trovare questo dato. Alla prima doman...

Può un algoritmo imparare a distinguere un drago da un grifone, una sirena da un vampiro o un golem da un unicorno? Naturalmente queste creature non esistono nel mondo reale, ma proprio per questo costituiscono un ottimo terreno di sperimentazione. Eliminando per un momento problemi concreti come diagnosi mediche, frodi bancarie o guasti industriali, possiamo osservare il funzionamento di un modello di intelligenza artificiale in modo semplice, visivo e divertente. Da questa idea nasce Il Bestiario Artificiale , un esperimento realizzato con Orange Data Mining e il widget CN2 Rule Induction . Un archivio di creature fantastiche Il workflow genera automaticamente un dataset composto da 168 creature , suddivise in sei specie: Drago Grifone Sirena Vampiro Golem Unicorno Ogni creatura viene descritta attraverso caratteristiche osservabili, proprio come avverrebbe in un antico manuale di zoologia fantastica. Gli attributi utilizzati sono: ...

C’è un momento preciso, nel lavoro di chi analizza i dati, in cui ci si sente un po’ come il professor Franzò di Sciascia: circondati da una complessità monumentale che, a guardarla bene, nasconde una spiegazione lineare, In questo mio esperimento su Orange Data Mining , l'obiettivo è stato tanto elementare quanto cruciale: dare in pasto a un algoritmo un dataset “sporco” — pieno di variabili fisiche e ambientali come la temperatura della stanza, l'umidità e persino il codice del colore — per vedere se il sistema fosse in grado di isolare l'unica vera legge geometrica sottostante: l'area di un cilindro ( A = 2 π · r · h + 2 π · r² ). Il verdetto del widget Rank è stato spietato e bellissimo. Nel romanzo di Sciascia, si cercano piste intricate, complotti e spiegazioni fumose per quello che è, fondamentalmente, un delitto evidente. Così si viene a creare molto “rumore” investigativo. Nel nostro dataset è successa la stessa cosa, ma al contrario. Gli algoritmi di rank...