Appendice 3  Glossario Essenziale di Ingegneria dell’IA

Digitizzazione Conversione di testi, immagini o suoni in numeri, che un sistema può elaborare. È il punto d’ingresso di ogni processo di IA.

Tokenizzazione Suddivisione del testo in unità discrete:  parole, sottoparole o simboli,  che diventano l’input del modello.

Embedding Rappresentazione numerica di un concetto. Token simili finiscono vicini nello stesso spazio semantico.

Spazio vettoriale Lo spazio matematico in cui vivono gli embeddings. Distanze e direzioni rappresentano relazioni di significato.

Rete neurale Struttura composta da strati di neuroni artificiali, che trasformano input in output attraverso pesi appresi.

Transformer Architettura introdotta nel 2017 che ha rivoluzionato l’IA moderna. È la base dei modelli linguistici di oggi.

Meccanismo di attenzione Sistema che permette al modello di valutare quali parti di una frase sono più rilevanti per il contesto.

Self‑attention Ogni parola viene confrontata con tutte le altre nella stessa frase, per comprenderne ruolo e relazione.

Backpropagation Processo con cui il modello impara dai propri errori, regolando i pesi interni dopo ogni previsione sbagliata.

Discesa del gradiente Algoritmo che guida il backpropagation, trovando la direzione in cui l’errore diminuisce più rapidamente.

Addestramento (training) Fase in cui il modello osserva grandi quantità di dati e ottimizza i propri pesi tramite backpropagation.

Inferenza Fase in cui il modello, già addestrato, genera risposte o previsioni.

LLM (Large Language Model) Modello addestrato su enormi quantità di testo per prevedere il token successivo. È il motore linguistico dell’IA moderna.

Finestra di contesto Quantità di testo che il modello può considerare contemporaneamente.

Prompt L’input fornito al modello. La sua formulazione influenza fortemente la risposta.

Modello multimodale Sistema che può elaborare testo, immagini, audio o video nello stesso spazio semantico.

Fine‑tuning Addestramento aggiuntivo su un dataset specifico per specializzare il modello.

RLHF (Reinforcement Learning from Human Feedback) Tecnica in cui il modello viene guidato da valutazioni umane per migliorare qualità e sicurezza delle risposte.

Agente (AI agent) Sistema che combina un modello linguistico con strumenti, memoria e capacità di agire. Non risponde soltanto: esegue.

Allucinazione Quando un modello genera informazioni plausibili, ma false. È un limite strutturale dei sistemi statistici.

Bias Tendenze indesiderate, apprese dai dati di addestramento.Under Construction

Appendice 4  Apprendimento: “Sperimentare con l’IA”

1. Mini‑lezione: “Come i computer vedono il mondo”

Obiettivo: capire che tutto diventa numeri. Attività:

• mostra un’immagine e fai vedere la versione “pixelizzata”
• fai ascoltare un suono e mostra la forma d’onda
• prendi una frase e converti ogni carattere nel suo codice numerico.

Risultato: lo studente capisce che l’IA non “vede”, ma calcola.

2. Laboratorio: “Tokenizzare una frase a mano”

Obiettivo: capire cosa sono i token. Attività:

prendi una frase italiana (“Il gatto salta sul tavolo”)

• dividila in parole
• poi in sottoparole (ga‑tto, ta‑vo‑lo)
• spiega perché i modelli usano le sottoparole.

Risultato: lo studente capisce come il linguaggio diventa input.

3. Gioco: “Costruisci il tuo embedding”

Obiettivo: capire cosa significa “vicino” nello spazio vettoriale. Attività:

• disegna un piano cartesiano
• posiziona parole, come “gatto”, “cane”, “leone”, “auto”
• discuti perché alcuni punti sono vicini e altri lontani.

Risultato: concetto intuitivo di spazio semantico.

4.Esperimento:“Attenzione come un evidenziatore”

Obiettivo: spiegare l’attenzione senza formule. Attività:

• prendi una frase lunga
• chiedi allo studente di evidenziare le parole più importanti
• spiega che il modello fa la stessa cosa, ma con numeri.

Risultato: comprensione intuitiva del meccanismo di attenzione.

5. Mini‑progetto: “Costruisci un micro‑modello”

Obiettivo: capire cosa significa addestrare. Attività:

• usa un dataset minuscolo (es. 10 frasi positive, 10 negative)
• addestra un classificatore semplicissimo (anche in un notebook online)
• mostra come l’errore diminuisce.

Risultato: il concetto di backpropagation diventa concreto.

6. Esercizio creativo: “Genera testo e analizza come cambia”

Obiettivo: capire la generazione token‑per‑token. Attività:

• dai un prompt (“C’era una volta…”)
• chiedi allo studente di scrivere una parola alla volta
• poi confronta con un modello che fa lo stesso.

Risultato: comprensione del processo di inferenza.

7. Attività multimodale: “Descrivi un’immagine come farebbe un modello”

Obiettivo: introdurre la multimodalità.

 Attività:

• mostra un’immagine
• chiedi allo studente di descriverla in 3 modi: oggettivo, emotivo, tecnico
• spiega che un modello multimodale fa qualcosa di simile.

Risultato: comprensione del passaggio da LLM a MLLM.

8. Discussione guidata: “Etica e rischi dell’IA”

Obiettivo: sviluppare consapevolezza. Attività:

• mostra esempi di bias
• discuti cosa significa “allucinazione”
• parla di privacy e responsabilità.

Risultato: maturità digitale.

9. Mini‑progetti finali (scegli uno)

Perfetti per un adolescente motivato:

A. Costruire un chatbot semplice

Con Python o anche senza codice (strumenti visuali).

B. Creare un classificatore di immagini

Usando dataset piccoli (gatti vs cani, frutta, segnali stradali).

C. Visualizzare embeddings in 2D

Per vedere come le parole si raggruppano.

D. Creare un “agente” semplice

Che esegue una sequenza di passi (es. cerca → riassume → organizza).

E. Fare un progetto multimodale

Descrivere immagini, analizzare grafici, interpretare suoni.

Appendice 5 Lezione AI

Questa appendice è pensata per aiutare gli insegnanti che lavorano con adolescenti a spiegare in modo chiaro e accessibile i principi fondamentali del funzionamento dell’intelligenza artificiale.

Il testo offre esempi visivi e analogie semplici per introdurre concetti, come gli embeddings, la rete neurale e il backpropagation, favorendo la comprensione intuitiva di come un modello “impara” dai propri errori. L’obiettivo è fornire agli educatori strumenti concreti per stimolare curiosità, pensiero critico e consapevolezza tecnologica nelle nuove generazioni.

Lezione A: come i computer vedono il mondo

Obiettivo

Capire che per un computer tutto ( testo, immagini, suoni)  diventa numeri.

Materiali

• Un’immagine semplice
• Un breve file audio
• Una frase scritta.

Attività

• Immagine → pixel. Mostra l’immagine e poi la sua versione ingrandita: i pixel diventano visibili. Spiega che ogni pixel è un numero (luminosità, colore).
• Audio → onda. Mostra la forma d’onda del suono.
  Ogni punto è un valore numerico che rappresenta l’ampiezza.
• Testo → codici. Prendi una frase e converti ogni carattere nel suo codice Unicode. “Ciao” → 67, 105, 97, 111

Riflessione finale

L’IA non “vede” né “ascolta”: calcola. Tutto inizia trasformando il mondo in numeri.

Lezione B: tokenizzare una frase a mano

Obiettivo

Comprendere cosa sono i token e perché servono.

Materiali

• Una frase italiana
• Carta e penna.

Attività

• Scrivi la frase: “Il gatto salta sul tavolo.”
• Dividila in parole (token semplici).
• Dividila in sottoparole (token moderni): ga‑tto, sal‑ta, ta‑vo‑lo
• Spiega perché i modelli usano sottoparole:
  •            gestiscono parole nuove
  •            funzionano in più lingue
  •           riducono la complessità.

Riflessione finale

La tokenizzazione è il ponte tra linguaggio umano e linguaggio della macchina.

Lezione C: costruisci il tuo embedding

Obiettivo

Capire intuitivamente cosa significa “vicino” nello spazio semantico.

Materiali

• Foglio a quadretti
• Matite colorate.

Attività

• Disegna un piano cartesiano.
• Posiziona parole come punti:
• “gatto”
• “cane”
• “leone”
• “auto”
• Chiedi allo studente di raggrupparle.
• Spiega che un embedding fa lo stesso, ma in centinaia di dimensioni.

Riflessione finale

Gli embeddings sono mappe del significato.

Lezione D: l’attenzione come un evidenziatore

Obiettivo

Comprendere il meccanismo di attenzione senza formule.

Materiali

• Un testo di 3–4 righe
• Un evidenziatore.

Attività

• Leggi il testo.
• Chiedi allo studente di evidenziare le parole più importanti.
• Spiega che il modello fa lo stesso: assegna “pesi” alle parole rilevanti.
• Mostra come cambiano le parole evidenziate se cambia la domanda.

Riflessione finale

L’attenzione è la capacità del modello di concentrarsi su ciò che conta.

Lezione E: addestra un micro‑modello

Obiettivo

Capire cosa significa “addestrare” un modello.

Materiali

• 20 frasi: 10 positive, 10 negative
• Un notebook online (anche visuale).

Attività

• Carica le frasi in un piccolo classificatore.
• Avvia l’addestramento.
• Mostra come l’errore diminuisce.
• Cambia una frase e osserva come cambia la previsione.

Riflessione finale

Addestrare significa correggere errori, un passo alla volta.

Lezione F: genera testo una parola alla volta

Obiettivo

Capire come un LLM genera testo.

Materiali

• Carta e penna.

Attività

• Dai un prompt: “C’era una volta…”
• Lo studente deve aggiungere una parola alla volta.
• Spiega che un LLM fa lo stesso: predice il token successivo.
• Confronta la frase finale con quella generata da un modello.

Riflessione finale

La generazione è una catena di scelte probabilistiche.

Lezione G: descrivi un’immagine come un modello multimodale

Obiettivo

Introdurre la multimodalità.

Materiali

• Una fotografia semplice.

Attività

• Chiedi allo studente tre descrizioni:
• oggettiva
• emotiva
• tecnica
• Spiega che un modello multimodale crea embeddings anche per le immagini.
• Mostra come testo e immagine finiscono nello stesso spazio semantico.

Riflessione finale

La multimodalità unisce ciò che vediamo, sentiamo e diciamo.

Lezione H:  etica e rischi dell’IA

Obiettivo

Sviluppare consapevolezza critica.

Materiali

• Esempi di bias
• Esempi di errori (allucinazioni).

Attività

• Mostra un caso di bias (es. classificazione sbilanciata).
• Mostra un caso di allucinazione.
• Chiedi: “Perché succede?”
• Discuti privacy, responsabilità, uso consapevole.

Riflessione finale

Capire i limiti dell’IA è parte dell’essere un buon ingegnere.

Lezione I:  mini‑progetti finali

Obiettivo

Applicare ciò che si è imparato.

Progetti disponibili

• Costruire un chatbot semplice
• Classificare immagini (gatti vs cani)
• Visualizzare embeddings in 2D
• Creare un agente che esegue una sequenza di passi
• Fare un progetto multimodale (descrivere immagini, analizzare grafici).

Riflessione finale

La sperimentazione è il modo migliore per trasformare la curiosità in competenza.