AI Generativa: Quando l'AI Crea
Da ChatGPT alle immagini generate
📌Come Funziona un LLM
Un genera testo predicendo il token successivo in base al contesto. L'output può essere fluido ma non sempre corretto.
Nota pratica: separa qualità linguistica da accuratezza fattuale. Per renderla robusta servono anche , , limiti di , strategie di e allineamento tipo .
Takeaway: testo convincente non equivale a testo vero.
🖼️ Infografica
In arrivoIl ciclo di generazione token per token negli LLM: come il modello predice il prossimo token in base al contesto, con distribuzione di probabilita e sampling (temperature, top-k). Schema dei layer di attention e feed-forward con esempi numerici reali.
media/ch08-generative-ai/sec-01/infographic.png
📌Prompt Engineering
Prompt vaghi producono output generici; prompt strutturati aumentano pertinenza, formato e coerenza.
Nota pratica: usa template con ruolo, contesto, vincoli e output atteso.
Takeaway: prompt design è una leva di controllo.
🎬 Video
In arrivoConfronto visivo step-by-step tra prompt vaghi e prompt strutturati sullo stesso obiettivo: come aggiungere ruolo, vincoli di formato e contesto specifico trasforma radicalmente la qualita dell output. Esempi pratici di prompt engineering per casi reali.
media/ch08-generative-ai/sec-02/video.mp4
🚀Startup Lens
Generative AI in produzione richiede : verifica fonti, filtri sicurezza, logging e fallback umano sui casi critici.
⚠️Errore comune + Check rapido
Errore comune: pubblicare output AI senza verifica.
Check rapido (2 min): prendi un output e indica 2 controlli minimi da fare prima di usarlo.
Generative AI Workflow — Prompt Engineering
📋 Setup
Cosa imparerai in questo lab:
- Connetterti a un LLM reale via API (gratis, senza carta)
- Confrontare prompt vaghi vs strutturati sullo stesso obiettivo
- Usare il system prompt per controllare il comportamento del modello
- Valutare la qualità dell'output con criteri pratici
Prerequisiti:
- ✅ Python 3.7+
- ✅ pip installato
- ✅ Account Groq gratuito — console.groq.com (no carta)
Comandi di avvio:
# 1. Estrai lo ZIP e accedi
$ cd ml-lab-04-generative-ai/
# 2. Installa le dipendenze
$ pip install -r requirements.txt
# 3. Crea file .env con la tua chiave Groq
$ echo "GROQ_API_KEY=gsk_..." > .env
# 4. Esegui il lab
$ python main.py
Setup e connessione API
Carica la chiave API dal file .env e verifica la connessione con una chiamata test — nessuna carta di credito, account Groq gratuito.
Setup e connessione API — Codice
python
🎯 Prova: Attenzione: se vedi un errore 401, controlla che la chiave API nel file .env sia corretta e che l'account Groq sia attivo.
Prima chiamata — prompt semplice
Prima chiamata reale a un LLM: un prompt semplice per spiegare un concetto AI. Osserva la risposta e il conteggio token usati.
Prima chiamata — prompt semplice — Codice
python
🎯 Prova: Prova: cambia il concetto — usa “deep learning” o “overfitting”. La risposta cambia? Nota come il modello adatta il linguaggio.
Prompt vago vs Prompt strutturato
Stesso obiettivo, due prompt diversi: vago vs strutturato (ruolo + vincoli + formato). Il confronto diretto mostra quanto il prompt engineering impatta l'output.
Prompt vago vs Prompt strutturato — Codice
python
🎯 Prova: Analizza: qual è la differenza tra le due risposte? Il prompt strutturato è sempre migliore, o dipende dal contesto?
System Prompt — controllo comportamento
Il system prompt definisce ruolo e vincoli globali del modello — è il meccanismo più potente per controllare il comportamento dell'LLM in produzione.
System Prompt — controllo comportamento — Codice
python
🎯 Prova: Sperimenta: cambia il ruolo nel system prompt — prova “Sei uno studente universitario scettico”. Come cambia il tono della risposta?
Valutazione qualità output
Valuta le risposte con una scorecard semplice: lunghezza, struttura e coerenza col prompt. Introduce l'idea di QA sistematico sugli output generativi.
Valutazione qualità output — Codice
python
🎯 Prova: Crea: sblocca la sezione ESPERIMENTO in fondo al main.py e testa il tuo prompt preferito — cosa riesci a far fare al modello?
🎯 Punti Chiave
- •LLM predice token, non ragiona come un umano
- •Prompt specifici migliorano controllo output
- •Serve verifica fattuale sui casi critici
- •Guardrail e fallback sono parte del prodotto
- •Learning outcome: progettare prompt robusti e validare output
💬 Discussione in Aula
- •Perché un output plausibile può essere comunque sbagliato?
- •Quali guardrail minimi metteresti in un chatbot pubblico?
- •Quando usare fallback umano in un flusso generativo?
Media del Capitolo
2/3 prontiGli slot con media reale non sono più placeholder; gli altri restano placeholder finché non carichiamo i file.
🎙️ Podcast
In arrivoPodcast di ripasso su AI generativa, qualità fattuale e controlli in produzione.
Durata target: 18 min
Path previsto: media/ch08-generative-ai/podcast.mp3
💻 Code Snippets
Generazione testo con OpenAI API
python
Struttura di un prompt ben formato (JSON)
json
🧠 Smonta l'Allucinazione
Questo testo è stato generato da un LLM. Contiene 3 errori fattuali (allucinazioni). Clicca sulle frasi che ritieni false o inventate.
Selezionati: 0 span
🧠 Quiz del Capitolo
1. Un output LLM sembra credibile ma cita dati inventati. Come lo classifichi?