In questo episodio vediamo come interrogare in modo efficace gli LLM. Dalla costruzione dei prompt al ruolo del contesto, scopriamo perché dare buone istruzioni è fondamentale per ottenere risultati di qualità.

Analizziamo strategie come definizione del contesto, uso di vincoli e formati, iterazione e verifica dei risultati. Introduciamo anche approcci più avanzati come fine-tuning e RAG, che permettono di adattare i modelli a contesti specifici e controllare meglio le informazioni utilizzate.

Infine, una riflessione centrale: usare l’AI significa progettare un processo. Tra controllo umano, lavoro collaborativo e documentazione, l'obiettivo è integrare questi strumenti senza perdere qualità e senso critico.

Il testo Fondamenti di Informatica per le Scienze Umanistiche è disponibile qui:

https://he.pearson.it/bundle/914

Come si usa l’intelligenza artificiale in modo professionale nella scrittura di un documento?

In questo episodio passiamo dalla teoria alla pratica: come progettare un lavoro con i large language models, dalla scrittura di un testo alla documentazione del processo. Scopriamo perché usare l’AI non significa delegare tutto, ma progettare, verificare e guidare ogni passaggio.

Come costruire un contenuto con l’AI mantenendo responsabilità autoriale. Analizziamo elementi chiave come:

• scelta e confronto tra modelli

• progettazione dei prompt

• gestione del contesto e della memoria

• verifica delle fonti e delle allucinazioni

Approfondiamo anche il tema più delicato: diritto d’autore e responsabilità. Quando un testo è davvero “nostro”? Qual è il confine tra supporto e sostituzione dell’autore?

Infine, esploriamo il valore del lavoro collaborativo: strumenti come GitHub e Markdown permettono di integrare AI e cooperazione umana, migliorando qualità, trasparenza e pensiero critico.

Il testo Fondamenti di Informatica per le Scienze Umanistiche è disponibile qui:

https://he.pearson.it/bundle/914

Possiamo fidarci davvero delle risposte dell’intelligenza artificiale?

In questo episodio andiamo oltre il funzionamento tecnico dei modelli per affrontare una questione cruciale: come valutare davvero la qualità dell’AI. Scopriamo perché confrontare modello e dati non basta, e introduciamo un terzo elemento fondamentale: il sistema, cioè il contesto reale in cui l’AI viene utilizzata.

Analizziamo le diverse situazioni che possono emergere: apprendimento corretto, bias nei dati, generalizzazione positiva… ma anche allucinazioni, ovvero risposte plausibili ma completamente inventate. Capire la differenza tra questi casi richiede qualcosa che nessun algoritmo può sostituire: la conoscenza del dominio.

Entriamo poi nei limiti concreti dei large language models: conoscenza statica, memoria limitata, difficoltà nel ragionamento procedurale e nella comprensione di contesti complessi. Vediamo perché questi sistemi tendono sempre a rispondere, anche quando non dovrebbero, e perché questo può essere fuorviante.

Infine, uno sguardo pratico: come usare l’AI in modo professionale e consapevole, dalla scelta dei modelli alla progettazione dei prompt, fino alla documentazione del processo.

Il testo Fondamenti di Informatica per le Scienze Umanistiche è disponibile qui:

https://he.pearson.it/bundle/914