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 - Natural Language Processing: concetti e strumenti Tecniche classiche di NLP: Bag of Words, TF-IDF. Tokenizzazione, stemming, lemmatizzazione. Similarità semantica e modelli di rappresentazione testuale. Cenni a modelli di representation learning per testo.
Modulo 3 - Modelli generativi: sviluppo e funzionamento Architettura e addestramento dei modelli (Transformer, LLM). Fasi di training, inferenza, fine-tuning. Reinforcement learning from human feedback (RLHF) Retrieval-Augmented Generation (RAG), Deep Search e modelli ibridi.
Modulo 4 - Valutazione dei modelli di AI generativa Dataset di riferimento e benchmark. Task e metriche di valutazione.
Modulo 5 - Prompt Engineering Tecniche principali: zero-shot, one-shot, few-shot prompting. Prompting avanzato: Chain of Thought (CoT), ReAct, system/role prompting. Best practices nel prompting e contextualizzazione nella comunicazione.
Modulo 6 - AI generativa multimodale
Cenni a rappresentazione e modelli per la generazione di immagini, audio e video. Limiti dell'AI generativa multimodale.
Modulo 7 - Questioni critiche ed etiche
Bias nei dati e nei modelli: fonti, impatti e mitigazione.
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 - Natural Language Processing: concetti e strumenti Tecniche classiche di NLP: Bag of Words, TF-IDF. Tokenizzazione, stemming, lemmatizzazione. Similarità semantica e modelli di rappresentazione testuale. Cenni a modelli di representation learning per testo.
Modulo 3 - Modelli generativi: sviluppo e funzionamento Architettura e addestramento dei modelli (Transformer, LLM). Fasi di training, inferenza, fine-tuning. Reinforcement learning from human feedback (RLHF) Retrieval-Augmented Generation (RAG), Deep Search e modelli ibridi.
Modulo 4 - Valutazione dei modelli di AI generativa Dataset di riferimento e benchmark. Task e metriche di valutazione.
Modulo 5 - Prompt Engineering Tecniche principali: zero-shot, one-shot, few-shot prompting. Prompting avanzato: Chain of Thought (CoT), ReAct, system/role prompting. Best practices nel prompting e contextualizzazione nella comunicazione.
Modulo 6 - AI generativa multimodale
Cenni a rappresentazione e modelli per la generazione di immagini, audio e video. Limiti dell'AI generativa multimodale.
Modulo 7 - Questioni critiche ed etiche
Bias nei dati e nei modelli: fonti, impatti e mitigazione.
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
Siti didattici
Docente/i