Comunicazione e ai generativa
A.A. 2025/2026
Obiettivi formativi
Nell'ambito delle discipline informatiche lo studente acquisirà conoscenza e comprensione:
- Che cos'è l'Intelligenza Artificiale Generativa e come funziona: modelli di linguaggio, generazione automatica di immagini, audio e video.
- Principi di base del funzionamento dei modelli generativi e delle tecniche di interazione con essi (prompting).
- Applicazioni dell'AI generativa nella comunicazione digitale.
- Questioni critiche: affidabilità, bias e trasparenza nei contenuti generati da AI.
- Che cos'è l'Intelligenza Artificiale Generativa e come funziona: modelli di linguaggio, generazione automatica di immagini, audio e video.
- Principi di base del funzionamento dei modelli generativi e delle tecniche di interazione con essi (prompting).
- Applicazioni dell'AI generativa nella comunicazione digitale.
- Questioni critiche: affidabilità, bias e trasparenza nei contenuti generati da AI.
Risultati apprendimento attesi
Nell'ambito delle discipline informatiche lo studente acquisirà competenze:
- Utilizzare l'AI generativa come strumento di supporto in progetti di comunicazione digitale.
- Scrivere prompt efficaci per ottenere risultati rilevanti e coerenti da modelli generativi.
- Analizzare criticamente un contenuto generato da AI, valutandone la qualità comunicativa, l'aderenza al contesto e i potenziali difetti.
- Integrare l'AI generativa in processi di creazione e revisione di testi e produzione di contenuti multimediali.
- Utilizzare l'AI generativa come strumento di supporto in progetti di comunicazione digitale.
- Scrivere prompt efficaci per ottenere risultati rilevanti e coerenti da modelli generativi.
- Analizzare criticamente un contenuto generato da AI, valutandone la qualità comunicativa, l'aderenza al contesto e i potenziali difetti.
- Integrare l'AI generativa in processi di creazione e revisione di testi e produzione di contenuti multimediali.
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
Il corso è strutturato in mini-moduli
Modulo 1 - Fondamenti di Intelligenza Artificiale e terminologia di base.
Definizione di Intelligenza Artificiale, Machine Learning, Deep learning, modello generativo, information retrieval. Concetti di base di machine learning: tipi di apprendimento, dati, task, modelli e loss function.
Modulo 2 - Modelli generativi: sviluppo e funzionamento.
Architettura e addestramento dei modelli (Transformer, LLM): embedding (rappresentazione numerica), positional encoding, neural network e meccanismo di attenzione. Gestione della posizione, semantica e contesto delle parole. Fasi di training, inferenza, fine-tuning. Reinforcement learning from human feedback (RLHF) Retrieval-Augmented Generation (RAG), Deep Search e modelli ibridi.
Modulo 3 - Valutazione dei modelli di AI generativa.
Metriche, benchmarks, leadearboards. Valutazione intrinseca ed estrinseca. Accuracy e matrice di confusione. BLEU score, BertScore. Dataset di riferimento e open leaderboard.
Modulo 4 - Prompt Engineering
Gestione delle richieste utente da parte di un LLM online. Temperatura e randomizzazione delle risposte. System, role, and contextual prompting. Zero-shot, one-shot, few-shot prompting. Metodologia RISEN (Role, Instructions, Steps, End goal, Narrowing) per la creazione del primo prompt. Prompting avanzato: Chain of Thought (CoT), Tree of Thought (ToT). Best practices nel prompting e contextualizzazione nella comunicazione.
Modulo 5 - AI generativa multimodale
Cenni a rappresentazione e modelli per la generazione di immagini, audio e video mediante Transformer e Stable Diffusion. Dataset per immagini e audio. Limiti dell'AI generativa multimodale. Prompt engineering per modelli generativi di immagini e audio.
Modulo 6 - Questioni critiche ed etiche
Bias nei dati, nei modelli, nei prompt: fonti, impatti e mitigazione. Quantificazione e verifica di bias in LLMs. Affidabilità e trasparenza: explainability, watermarking, tracciabilità.
Durante il corso, gli studenti saranno inoltre coinvolti in:
- Esercitazioni pratiche di prompt engineering, con focus su casi d'uso nella comunicazione digitale e mediazione linguistica.
- Analisi critica di contenuti generati da AI.
- Attività che integrano strumenti di AI generativa in processi di creazione di contenuti multimediali
Modulo 1 - Fondamenti di Intelligenza Artificiale e terminologia di base.
Definizione di Intelligenza Artificiale, Machine Learning, Deep learning, modello generativo, information retrieval. Concetti di base di machine learning: tipi di apprendimento, dati, task, modelli e loss function.
Modulo 2 - Modelli generativi: sviluppo e funzionamento.
Architettura e addestramento dei modelli (Transformer, LLM): embedding (rappresentazione numerica), positional encoding, neural network e meccanismo di attenzione. Gestione della posizione, semantica e contesto delle parole. Fasi di training, inferenza, fine-tuning. Reinforcement learning from human feedback (RLHF) Retrieval-Augmented Generation (RAG), Deep Search e modelli ibridi.
Modulo 3 - Valutazione dei modelli di AI generativa.
Metriche, benchmarks, leadearboards. Valutazione intrinseca ed estrinseca. Accuracy e matrice di confusione. BLEU score, BertScore. Dataset di riferimento e open leaderboard.
Modulo 4 - Prompt Engineering
Gestione delle richieste utente da parte di un LLM online. Temperatura e randomizzazione delle risposte. System, role, and contextual prompting. Zero-shot, one-shot, few-shot prompting. Metodologia RISEN (Role, Instructions, Steps, End goal, Narrowing) per la creazione del primo prompt. Prompting avanzato: Chain of Thought (CoT), Tree of Thought (ToT). Best practices nel prompting e contextualizzazione nella comunicazione.
Modulo 5 - AI generativa multimodale
Cenni a rappresentazione e modelli per la generazione di immagini, audio e video mediante Transformer e Stable Diffusion. Dataset per immagini e audio. Limiti dell'AI generativa multimodale. Prompt engineering per modelli generativi di immagini e audio.
Modulo 6 - Questioni critiche ed etiche
Bias nei dati, nei modelli, nei prompt: fonti, impatti e mitigazione. Quantificazione e verifica di bias in LLMs. Affidabilità e trasparenza: explainability, watermarking, tracciabilità.
Durante il corso, gli studenti saranno inoltre coinvolti in:
- Esercitazioni pratiche di prompt engineering, con focus su casi d'uso nella comunicazione digitale e mediazione linguistica.
- Analisi critica di contenuti generati da AI.
- Attività che integrano strumenti di AI generativa in processi di creazione di contenuti multimediali
Prerequisiti
Nessun prerequisito
Metodi didattici
Lezioni frontali, discussioni di gruppo ed esercitazioni al pc
Materiale di riferimento
Slides e dispensa fornita dal docente
Prompt engineering whitepaper by Lee Boonstra
Prompt engineering whitepaper by Lee Boonstra
Modalità di verifica dell’apprendimento e criteri di valutazione
Esame scritto. L'esame avrà una durata di 1 ora e mezza e prevederà 3 domande aperte su tutto il programma del corso. Gli studenti e le studentesse dovranno dimostrare di a) Conoscere la terminologia e i principi di funzionamento dell'AI generativa b) Sapere interagire al meglio con un modello di AI generativa per testo c) Aver sviluppato un pensiero critico su alcuni temi legati all'AI generativa, quali la valutazione quantitativa dei modelli, l'esposizione a bias e i limiti dell'AI generativa per immagini, audio e video.
Siti didattici
Docente/i