Contenuto
Le 30 slide originarie vengono accorpate in nuclei concettuali più compatti, evitando ripetizioni e mantenendo la progressione: definizione → funzionamento → limiti → estensioni → applicazioni.
Slide 01 / 24Overview
Lezione 2 · Fondamenti operativi
Lezione 2 — LLM e AI Agents
Capire cosa sono i Large Language Model, come funzionano e perché gli AI Agents rappresentano il passaggio dall’assistenza conversazionale all’azione operativa.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Messaggio chiave
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Slide 02 / 24LLM Foundations
Blocco 1 · Large Language Models
Che cos’è un Large Language Model
Un LLM è un modello addestrato su grandi volumi di testo per comprendere il linguaggio naturale e generare contenuti coerenti.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Punti chiave
- Addestramento su grandi corpus di testo
- Comprensione del linguaggio naturale
- Generazione automatica di testo
- Uso in assistenti digitali e sistemi generativi
Lettura
Gli LLM sono la base delle applicazioni di Generative AI: assistenti, copiloti, strumenti di analisi testuale e interfacce conversazionali.
Un LLM va letto come un motore linguistico generalista: potente nella forma, efficace nella sintesi, ma da governare con contesto e regole.
Slide 03 / 24LLM Foundations
Blocco 1 · Large Language Models
Esempi di LLM ed evoluzione del mercato
GPT, Claude, Gemini, Llama e i modelli open source mostrano approcci diversi, ma condividono la stessa base tecnologica.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Approccio
L’evoluzione recente ha portato modelli più performanti, multimodali, con contesti più ampi e integrazioni sempre più profonde con software e processi aziendali.
Takeaway
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
In pratica, i punti chiave da fissare sono: Qualità delle risposte; Capacità di ragionamento e sintesi; Integrazione con strumenti esterni; Costo, governance e privacy.
Slide 04 / 24LLM Foundations
Blocco 1 · Large Language Models
Come vengono addestrati gli LLM
L’addestramento avviene su dataset molto grandi, usando GPU e cluster per apprendere le relazioni tra parole, frasi e contesti.
Contenuto
Il modello non memorizza il testo come un archivio, ma costruisce una rappresentazione statistica del linguaggio utile a prevedere la sequenza successiva.
Messaggio
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Elementi
- Uso di grandi dataset
- Analisi di libri, articoli, documenti e web
- Apprendimento delle relazioni tra token
- Ottimizzazione del modello durante il training
Slide 05 / 24LLM Foundations
Blocco 1 · Large Language Models
Il ruolo dei dataset di training
La qualità del modello dipende anche dalla qualità, varietà e copertura dei dati usati per l’addestramento.
Contenuto
Libri, siti web, dataset pubblici e collezioni documentali contribuiscono a costruire il patrimonio linguistico e concettuale del modello.
In pratica, i punti chiave da fissare sono: Influenzano stile, conoscenza e robustezza; Possono introdurre bias e limiti; Determinano la copertura degli argomenti; Non sostituiscono i dati aziendali aggiornati.
Messaggio chiave
La qualità del modello non dipende solo dalla dimensione: dipende soprattutto dalla qualità, varietà e pertinenza dei dati usati per addestrarlo.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Slide 06 / 24LLM Foundations
Blocco 1 · Large Language Models
Token: l’unità di base del linguaggio
Gli LLM non lavorano direttamente sulle parole intere: suddividono il testo in unità chiamate token.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Contenuto
Un token può essere una parola, una parte di parola, un numero o un simbolo. Tutto il processo di comprensione e generazione passa da qui.
In pratica, i punti chiave da fissare sono: Misurano la dimensione di input e output; Influenzano costi e contesto disponibile; Sono alla base della generazione passo dopo passo; Aiutano a capire i limiti del modello.
Messaggio chiave
Capire i token aiuta a capire costi, limiti di contesto e comportamento reale dei modelli.
Slide 07 / 24LLM Foundations
Blocco 1 · Large Language Models
Tokenizzazione
La tokenizzazione trasforma il linguaggio naturale in unità computabili che il modello può elaborare.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Punti chiave
- Converte il testo in input elaborabile
- Ottimizza l’elaborazione del modello
- Gestisce strutture linguistiche complesse
- Prepara i dati per la predizione
Lettura
È un passaggio tecnico fondamentale: permette di trattare frasi complesse, lingue diverse e testi non strutturati in modo coerente.
Capire i token aiuta a capire costi, limiti di contesto e comportamento reale dei modelli.
Slide 08 / 24LLM Foundations
Blocco 1 · Large Language Models
Predizione probabilistica
Il modello genera testo prevedendo, token dopo token, quale elemento è più probabile nel contesto corrente.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Approccio
Non “sa” in senso umano: calcola distribuzioni di probabilità e seleziona la continuazione più plausibile rispetto al prompt ricevuto.
Takeaway
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
In pratica, i punti chiave da fissare sono: Generazione passo dopo passo; Mantenimento del contesto locale; Possibilità di produrre testo molto fluido; Rischio di errori plausibili ma non veri.
Slide 09 / 24LLM Foundations
Blocco 1 · Large Language Models
Architettura Transformer
L’architettura Transformer, introdotta da Google nel 2017, è la base dei moderni LLM.
Contenuto
Ha migliorato drasticamente la capacità di cogliere relazioni tra parole anche lontane tra loro, rendendo il modello molto più efficace nella gestione del contesto.
Messaggio
Transformer e attention sono i due concetti chiave che spiegano il salto di qualità degli LLM moderni.
Elementi
- Analizza relazioni tra parole e frasi
- Gestisce contesti più ampi
- Migliora comprensione e coerenza
- È il fondamento dei modelli generativi attuali
Slide 10 / 24LLM Foundations
Blocco 1 · Large Language Models
Meccanismo di Attention
L’attention permette al modello di capire quali parti del testo sono più rilevanti in ogni momento.
Contenuto
In pratica attribuisce pesi diversi alle relazioni tra token, migliorando qualità, coerenza e capacità di seguire il significato complessivo.
In pratica, i punti chiave da fissare sono: Identifica parole e frasi importanti; Pesatura dinamica del contesto; Migliora la qualità dell’output; Aumenta l’efficienza dell’elaborazione.
Messaggio chiave
Transformer e attention sono i due concetti chiave che spiegano il salto di qualità degli LLM moderni.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Slide 11 / 24LLM Foundations
Blocco 1 · Large Language Models
Capacità degli LLM
Gli LLM possono scrivere, riassumere, tradurre, classificare, generare codice e supportare l’analisi documentale.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Contenuto
Il vero valore emerge quando queste capacità vengono indirizzate verso obiettivi concreti, con prompt, regole e workflow ben definiti.
In pratica, i punti chiave da fissare sono: Scrittura e riscrittura di testi; Sintesi automatica; Traduzione linguistica; Generazione e spiegazione di codice.
Messaggio chiave
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Slide 12 / 24LLM Foundations
Blocco 1 · Large Language Models
Applicazioni aziendali degli LLM
In azienda gli LLM vengono usati per accelerare attività cognitive ripetitive e migliorare accesso alle informazioni.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Punti chiave
- Assistenti virtuali interni ed esterni
- Supporto alla programmazione
- Analisi di documenti e contratti
- Generazione di report e sintesi
- Supporto alle decisioni e alla conoscenza
Lettura
Possono supportare customer care, reportistica, gestione documentale, programmazione, vendite e supporto decisionale.
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Slide 13 / 24LLM Foundations
Blocco 1 · Large Language Models
Limiti degli LLM
Gli LLM sono potenti ma non infallibili: possono allucinare, essere non aggiornati e produrre risposte convincenti ma sbagliate.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Approccio
Per questo in ambito business servono validazioni, fonti, guardrail, revisione umana e integrazione con dati affidabili.
Takeaway
Più il caso d’uso è critico, più servono fonti affidabili, controlli, revisioni e governance.
In pratica, i punti chiave da fissare sono: Allucinazioni e imprecisioni; Conoscenza non sempre aggiornata; Dipendenza dai dati di training; Necessità di controllo e supervisione.
Slide 14 / 24RAG
Blocco 2 · Retrieval Augmented Generation
Introduzione al RAG
Il RAG collega il modello a documenti, knowledge base o database per migliorare accuratezza e pertinenza delle risposte.
Contenuto
Invece di affidarsi solo a ciò che il modello ha appreso in training, si recuperano informazioni aggiornate e specifiche al momento della richiesta.
Messaggio
Il RAG è il ponte tra la potenza linguistica del modello e la conoscenza aggiornata dell’azienda.
Elementi
- Collega l’AI ai contenuti aziendali
- Recupera informazioni rilevanti prima della risposta
- Riduce il rischio di allucinazioni
- Aumenta affidabilità e precisione
Slide 15 / 24RAG
Blocco 2 · Retrieval Augmented Generation
Come funziona il RAG
Il sistema cerca nei documenti, recupera i contenuti pertinenti e li invia al modello come contesto prima della generazione.
Contenuto
Il modello risponde quindi usando sia le sue capacità linguistiche sia le informazioni recuperate dal patrimonio documentale disponibile.
In pratica, i punti chiave da fissare sono: Ricerca nei documenti o nel database; Recupero dei passaggi rilevanti; Invio del contesto al modello; Generazione di una risposta più accurata.
Messaggio chiave
Il RAG è il ponte tra la potenza linguistica del modello e la conoscenza aggiornata dell’azienda.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Slide 16 / 24RAG
Blocco 2 · Retrieval Augmented Generation
Benefici del RAG in azienda
Il RAG consente di usare dati interni, aggiornati e contestuali, rendendo l’AI più utile nei processi reali.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Contenuto
È una componente chiave quando si vuole passare da demo generiche a sistemi affidabili per knowledge management, supporto operativo e customer care.
In pratica, i punti chiave da fissare sono: Risposte più accurate; Accesso alla conoscenza aziendale; Riduzione delle allucinazioni; Uso di dati interni e aggiornati.
Messaggio chiave
Il RAG è il ponte tra la potenza linguistica del modello e la conoscenza aggiornata dell’azienda.
Slide 17 / 24AI Agents
Blocco 3 · AI Agents
Introduzione agli AI Agents
Un AI Agent non si limita a rispondere: riceve obiettivi, usa strumenti ed esegue azioni nei processi.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Punti chiave
- Lavora per obiettivi
- Può usare tools e applicazioni
- Automatizza attività operative
- Interagisce con sistemi aziendali
Lettura
Questa è la vera evoluzione operativa: dall’assistente conversazionale a un sistema capace di interagire con software, dati e workflow aziendali.
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Slide 18 / 24AI Agents
Blocco 3 · AI Agents
Chatbot vs Agent
Il chatbot è principalmente reattivo e conversazionale; l’agent è orientato all’esecuzione e può essere proattivo.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Approccio
Un chatbot risponde a domande. Un agent può anche cercare dati, aggiornare record, inviare email, coordinare task e gestire flussi di lavoro.
Takeaway
Il salto non è solo conversazionale: è operativo. L’agent entra nel processo e agisce.
In pratica, i punti chiave da fissare sono: Chatbot: risposta conversazionale; Agent: esecuzione di azioni; Chatbot: ruolo passivo; Agent: ruolo operativo e proattivo.
Slide 19 / 24AI Agents
Blocco 3 · AI Agents
Componenti di un AI Agent
Un agent combina LLM, tools software, memoria, planner e un sistema di controllo.
Contenuto
La qualità dell’agent non dipende solo dal modello linguistico, ma da come vengono progettati strumenti, regole, contesto e orchestrazione.
Messaggio
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Elementi
- LLM come motore cognitivo
- Tools per agire sui sistemi
- Memoria per mantenere contesto
- Planner per decidere i passi
- Controlli e guardrail di esecuzione
Slide 20 / 24AI Agents
Blocco 3 · AI Agents
Tools e memoria degli agent
Gli agent diventano utili quando possono usare API, CRM, email, database e altre applicazioni aziendali.
Contenuto
La memoria consente di mantenere contesto, storico delle interazioni e dati persistenti, migliorando continuità e qualità dell’azione.
In pratica, i punti chiave da fissare sono: API esterne e applicazioni aziendali; CRM, ERP, email e database; Storico delle interazioni; Dati temporanei e persistenti.
Messaggio chiave
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Slide 21 / 24AI Agents
Blocco 3 · AI Agents
Planner e orchestrazione
Il planner traduce un obiettivo in passi operativi; l’orchestrazione coordina attività, strumenti e agenti coinvolti.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Contenuto
Questa logica è fondamentale per passare da singole azioni a workflow robusti, tracciabili e governabili.
In pratica, i punti chiave da fissare sono: Definizione degli obiettivi; Pianificazione delle azioni; Selezione degli strumenti; Controllo del workflow.
Messaggio chiave
Senza planner e orchestrazione, l’agent resta una capacità isolata; con essi diventa workflow.
Slide 22 / 24AI Agents
Blocco 3 · AI Agents
Multi-agent systems e workflow agentici
Più agenti specializzati possono collaborare per dividere compiti, scambiarsi informazioni e portare a termine processi più complessi.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Punti chiave
- Suddivisione delle attività per specializzazione
- Comunicazione tra agenti e sistemi
- Riduzione delle attività manuali
- Automazione di workflow end-to-end
Lettura
Questa impostazione è utile quando le attività richiedono ruoli distinti: intake, analisi, esecuzione, controllo, reporting.
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
Slide 23 / 24AI Agents
Blocco 3 · AI Agents
Applicazioni aziendali e impatto organizzativo
Customer care, supporto alle vendite, analisi dati, gestione documentale e supporto al management sono tra i primi ambiti di adozione.
FocusConcetto chiave
ImpattoApplicazione pratica
AzioneLettura operativa
Approccio
L’impatto non è solo tecnologico: cambiano ruoli, processi, produttività, collaborazione uomo-AI e modelli di lavoro.
Takeaway
Il valore emerge quando il concetto tecnico viene tradotto in una scelta progettuale concreta.
In pratica, i punti chiave da fissare sono: Trasformazione dei processi; Aumento della produttività; Nuovi modelli di lavoro; Collaborazione uomo-AI.
Slide 24 / 24Conclusion
Chiusura · Sintesi
Visione futura e conclusione
Il futuro va verso ecosistemi di agenti AI integrati nei software aziendali, capaci di eseguire automazione cognitiva su scala crescente.
Contenuto
Gli LLM sono la base della Generative AI. Gli agent sono la sua evoluzione operativa. Il vero valore nasce quando la strategia AI entra nei processi aziendali in modo concreto, misurabile e governato.
Messaggio
La maturità AI non si misura dal numero di tool adottati, ma dalla loro integrazione nei processi aziendali.
Elementi
- LLM come fondamento tecnologico
- RAG come ponte verso la conoscenza aziendale
- Agents come leva operativa
- Strategia, governance e processo come fattori decisivi