Il corso · 5 parti · 21 capitoli · 3 lab
Moduli e laboratori.
Ogni capitolo ha obiettivi, esempi pratici, errori da evitare e un approfondimento. I capitoli segnati 🧪 hanno un laboratorio su GitHub.
Capire l'AI
Che cos'è (e cosa non è) l'AI
AI, machine learning, deep learning, generativa: la mappa.
Breve storia dell'AI
Dai percettroni agli agenti, passando per il transformer.
Come funziona un LLM
Token, embedding, contesto: «predice, non capisce».
Perché l'AI sbaglia
Allucinazioni, bias e il pericolo della fiducia cieca.
Parlare con l'AI: l'arte di chiedere bene
I cinque ingredienti del prompt; few-shot e iterare.
Agenti AI
Dal prompt all'agente
Obiettivo, strumenti, memoria, autonomia.
Anatomia di un agente
I sei componenti, il function calling, ReAct e MCP.
Più agenti insieme
Workflow vs multi-agente: quando, e a che costo.
🧪 Lab: il tuo primo agente
Un agente minimale e completo, in locale.
Privacy, locale e hardware
Privacy e dati aziendali
Dove finiscono i dati, GDPR, classificare per sensibilità.
Modelli in locale: Ollama e LM Studio
Eseguire l'AI in casa; e gli strumenti in cloud.
Dimensionare i modelli sull'hardware
Parametri, quantizzazione, le tabelle pratiche.
🧪 Lab: un assistente privato
Sui tuoi documenti, 100% offline.
Conoscenza e RAG
Il problema della conoscenza
Obsidian, LLM Wiki, vector DB: chi fa cosa.
RAG spiegato bene
I cinque passi, e quando funziona davvero.
RAG: soppiantato, ma non del tutto
Long-context, agentico, fine-tuning: la coesistenza.
🧪 Lab: una knowledge base
RAG locale con citazioni e confronto con/senza.
AI in azienda
Sistema strutturato vs improvvisato
Gli ingredienti di un impianto sano; il ROI.
Quando l'AI fa danni
Casi reali e la checklist del rischio.
Introdurre l'AI: un percorso
Trovare i casi, il pilota, scalare, formare le persone.
Conclusione e come continuare
Il metodo, i lab, e il passo successivo.