1. Fondamenti

1.1 AI non significa solo modello

Un sistema AI va descritto su piu livelli:

• il modello fornisce capacita di previsione, classificazione o generazione;
• il contesto porta informazioni rilevanti per la richiesta;
• gli strumenti permettono di leggere dati, eseguire operazioni o chiamare servizi;
• la memoria conserva informazioni tra una fase e l'altra;
• il ciclo agentico pianifica, agisce, osserva il risultato e ripete;
• i controlli limitano cio che il sistema puo fare.

Un modello isolato e capace di produrre testo, ma non conosce automaticamente le fonti operative dell'organizzazione e non dovrebbe ricevere privilegi impliciti.

1.2 Modello, training e inference

Il training modifica i pesi del modello usando grandi quantita di dati. L'inference e l'uso del modello per produrre un risultato a partire da un input.

Il fine-tuning adatta un modello a un compito o stile piu specifico, ma ha costi di aggiornamento e valutazione. Quando la conoscenza deve cambiare spesso o deve restare separata dai pesi, il retrieval e il context engineering sono alternative piu adatte.

La scelta non e ideologica:

• usare RAG quando servono fonti aggiornabili e citabili;
• usare skill quando serve una procedura ripetibile;
• usare fine-tuning quando il comportamento o il formato devono essere stabilizzati su un compito;
• usare regole quando la decisione e esplicita e deterministica.

1.3 Dal dato alla conoscenza

Un dato isolato ha poco significato. Il contesto chiarisce da dove proviene e in quale situazione vale. Le relazioni mostrano come si collega ad altri elementi.

Per una Bibbia AI questo implica che ogni concetto dovrebbe avere:

• una definizione;
• il contesto di applicazione;
• le relazioni con altri concetti;
• esempi e controesempi;
• limiti e condizioni;
• una fonte verificabile.

Una risposta semanticamente simile non e automaticamente una risposta corretta. Il sistema deve recuperare la fonte giusta e usare il contesto corretto.

1.4 RAG e grounding

Retrieval Augmented Generation recupera informazioni da fonti esterne e le inserisce nel contesto del modello prima della generazione. Riduce la dipendenza dalla memoria interna del modello, ma non elimina gli errori.

Un RAG affidabile richiede:

1. estrazione corretta dal documento;
2. segmentazione che conservi il significato;
3. metadati e permessi coerenti;
4. ricerca lessicale e semantica;
5. citazioni verificabili;
6. valutazione su domande reali.

Nei documenti complessi, il significato puo dipendere da intestazioni, date, tabelle, definizioni e relazioni tra pagine. Spezzare il testo solo per numero di caratteri puo distruggere proprio quel contesto.

1.5 Allucinazione

Un modello genera una continuazione plausibile, non una garanzia di verita. L'allucinazione nasce quando il sistema riempie una lacuna con un contenuto non verificato.

Gli strumenti, il retrieval e i controlli possono ridurre il rischio, ma un agente introduce anche piu passaggi e quindi piu punti di possibile errore. Un errore che resta testo puo diventare un errore operativo quando l'agente aggiorna dati, crea ticket o chiama un servizio.

Regola pratica: quando una risposta deve essere vera, il sistema deve poter controllare una fonte o dichiarare di non poter verificare.

1.6 Contesto, skill e controllo

La conoscenza e la capacita di azione non sono la stessa cosa. Un modello puo generare una risposta plausibile, ma non basta a produrre un comportamento affidabile. Per trasformare una risposta in un'azione utile, occorre costruire un contesto che includa:

• obiettivo e vincoli;
• regole di sicurezza;
• skill o procedure rilevanti;
• strumenti disponibili;
• criteri di verifica e di stop;
• responsabilita di chi decide.

Questo e il punto in cui la skill, la memoria e il controllo operativo diventano fondamentali. La generazione di testo e solo una parte del sistema. Il vero valore nasce quando la conoscenza e la procedura sono organizzate in modo governabile.

Fonti di partenza

• AI Simplified 6 Concepts You Need to Know About Modern AI
• 5 AI Myths & The Truth Behind Them ML, Context, Agents & More
• Understanding AI Agent Hallucination in AI Systems
• Is Fine-Tuning Still Needed LLMs, RAG, & LoRA
• Why RAG Solutions Fail with Complex Documents & Vector Databases
• AI & Data Science Periodic Tables How They Work Together