Concetti chiave dell'IA generativa
In questa pagina
- Padroneggiare il vocabolario essenziale
- RAG — Generazione aumentata dal recupero
- Embedding — Rappresentazioni vettoriali
- Fine-tuning — Adattamento su misura
- Temperatura — Il cursore della creatività
- Allucinazioni — Quando il modello inventa
- Grounding — Ancoraggio alla realtà
- Prompt — L’istruzione al modello
- Punti chiave
Aggiornato il 2 novembre 2026 — Le Chat diventa Vibe. Dal 28 maggio 2026, Le Chat è ora Vibe (sempre all’indirizzo chat.mistral.ai): un unico agente per lavoro e codice, che mantiene le tue conversazioni, impostazioni e abbonamenti. L’esperienza legacy di Le Chat rimane accessibile nella modalità Chat; nella modalità Work, gli agenti sono ora competenze (invocate con
@), le memorie sono diventate la base di conoscenza e la ricerca approfondita è diventata la competenza Deep Research. I piani si chiamano ora Mistral Free, Pro, Team ed Enterprise. Questa lezione utilizza il nome Vibe; alcuni menu qui descritti potrebbero aver cambiato nome o posizione.
Padroneggiare il vocabolario essenziale
Ci sono una manciata di termini che incontrerai in ogni riunione, in ogni documento e in ogni discussione con un team tecnico sull’IA generativa: RAG, embedding, fine-tuning, temperatura, allucinazioni, grounding. Questa lezione li spiega uno per uno, non come definizioni da glossario, ma come strumenti che saprai utilizzare in una conversazione reale. Quando un fornitore ti propone «un chatbot RAG con embedding Mistral», saprai esattamente cosa ti sta vendendo e quali domande porre.
RAG — Generazione aumentata dal recupero
Il RAG (Retrieval-Augmented Generation, generazione aumentata dal recupero) è una delle tecniche più diffuse per migliorare la qualità delle risposte di un LLM. Il principio parte da una semplice osservazione: invece di affidarsi esclusivamente alla conoscenza interna del modello, gli fornisci, al momento della domanda, informazioni rilevanti estratte da un database esterno.
Il meccanismo si svolge in quattro passaggi:
- L’utente pone una domanda
- Un sistema di ricerca identifica i documenti rilevanti in una base di conoscenza
- Questi documenti vengono iniettati nel contesto del modello
- Il modello genera la sua risposta basandosi su queste nuove informazioni
Perché è così importante? Perché il RAG risolve un problema fondamentale degli LLM: la loro conoscenza è congelata alla data del loro addestramento. Un modello addestrato l’anno scorso non sa nulla del tuo nuovo catalogo prodotti, della riorganizzazione del tuo dipartimento o dei regolamenti pubblicati il mese scorso. Con il RAG, può rispondere a domande su eventi recenti, su dati interni alla tua azienda o su documenti che fornisci. Immagina un dipartimento delle risorse umane che riceve ogni settimana le stesse domande sul contratto collettivo: un assistente RAG collegato agli accordi aziendali risponde citando l’articolo corretto, invece di improvvisare basandosi sulla memoria. Questa è la tecnica che alimenta la ricerca web di Vibe e la maggior parte dei chatbot aziendali.
Embedding — Rappresentazioni vettoriali
Gli embedding sono rappresentazioni numeriche del testo sotto forma di vettori, ovvero liste di numeri. Ogni parola, frase o documento viene trasformato in un punto in uno spazio matematico ad alta dimensionalità. L’idea chiave si riassume in una frase: due testi semanticamente vicini avranno embedding vicini in questo spazio. «Cane» e «canino» saranno vicini; «cane» e «foglio di calcolo» saranno molto distanti, anche se nessuna di queste coppie condivide lettere comuni significative.
Questa proprietà cambia tutto per il recupero delle informazioni. Una ricerca tradizionale per parole chiave non troverà un documento sulla «risoluzione consensuale» se cerchi «fine amichevole del contratto»; una ricerca semantica tramite embedding sì, perché entrambe le formulazioni puntano alla stessa area dello spazio vettoriale. Oltre alla ricerca, gli embedding vengono utilizzati per classificare automaticamente i testi per tema, rilevare duplicati o contenuti simili e, come abbiamo visto nella lezione precedente di questa sezione, per selezionare documenti rilevanti in una pipeline RAG. Mistral offre modelli di embedding dedicati, Mistral Embed e Codestral Embed, che trasformano il tuo testo in vettori utilizzabili.
Fine-tuning — Adattamento su misura
Il fine-tuning consiste nel continuare l’addestramento di un modello pre-addestrato con i tuoi dati, per adattarlo a una necessità specifica. L’immagine più accurata è quella di un medico di base formato come specialista: la conoscenza generale c’è già, aggiungi un’expertise mirata.
Vi ricorri in diverse situazioni. Un brand che vuole che tutte le sue risposte ai clienti rispettino un tono e uno stile specifici può effettuare il fine-tuning di un modello sui suoi migliori scambi passati. Uno studio legale o un dipartimento medico può instillare un vocabolario specifico del settore che il modello generalista gestisce in modo approssimativo. Un team che elabora migliaia di email al giorno può specializzare un modello su un compito specifico come la classificazione o l’estrazione di entità, ottenendo risultati migliori rispetto a un prompt generico. Infine, la distillazione consiste nel trasferire la conoscenza da un modello grande a uno piccolo, per ottenere prestazioni simili a un costo molto inferiore. In Mistral, è la piattaforma Forge che ti permette di eseguire il fine-tuning dei modelli Open: prepari un dataset di coppie domanda-risposta, avvii l’addestramento e ottieni un modello personalizzato distribuibile via API.
Temperatura — Il cursore della creatività
La temperatura è un parametro che controlla il grado di «creatività» — tecnicamente, di casualità — nelle risposte del modello. A bassa temperatura (da 0 a 0,3), il modello sceglie sistematicamente le risposte più probabili: il risultato è prevedibile, preciso e riproducibile, il che si adatta a compiti fattuali, estrazione di dati e codice. A temperatura media (da 0,4 a 0,7), ottieni un equilibrio tra coerenza e varietà adatto alla maggior parte degli usi conversazionali. Ad alta temperatura (da 0,8 a 1,0), il modello esplora formulazioni meno ovvie: più creatività, ma anche più rischio di errori, un’impostazione da riservare al brainstorming e alla scrittura creativa.
Su Vibe, la temperatura è gestita automaticamente; non devi preoccupartene. Tramite l’API, tuttavia, puoi definirla con precisione per ogni richiesta ed è una leva potente: la stessa domanda posta a 0,1 e a 0,9 produrrà nel primo caso una risposta da contabile, nel secondo una risposta da copywriter.
Allucinazioni — Quando il modello inventa
Le allucinazioni sono risposte che sembrano plausibili ma sono fattualmente errate. Il modello «inventa» informazioni e, ecco il pericolo, lo fa con lo stesso tono sicuro di quando dice la verità. La causa è strutturale: un LLM prevede token probabili, non fatti verificati. Può quindi produrre testi linguisticamente impeccabili ma fattualmente falsi. Le aree a rischio sono ben identificate: date precise, cifre e statistiche, citazioni attribuite a persone reali, riferimenti a studi o articoli e dettagli tecnici specifici. Chiedi a un modello la bibliografia di un autore poco conosciuto: ti fornirà volentieri titoli di libri perfettamente credibili… che non esistono.
Non elimini le allucinazioni, le limiti. Il RAG ancorare le risposte a fonti verificate; una bassa temperatura favorisce le risposte più probabili; chiedere al modello le fonti e verificarle tu stesso rivela le invenzioni; il grounding, che vediamo subito dopo, collega il modello a dati reali. E su qualsiasi argomento critico, la regola rimane assoluta: non fidarti mai ciecamente di una risposta.
Grounding — Ancoraggio alla realtà
Il grounding si riferisce a tutte le tecniche che collegano un modello a fonti di informazioni affidabili e aggiornate. Il RAG è una forma, ma il concetto è più ampio. La ricerca web permette al modello di verificare i fatti su Internet invece di attingere alla sua memoria congelata. La connessione ai database gli dà accesso ai tuoi dati interni: il tuo inventario reale, i tuoi clienti reali. Il function calling, infine, gli permette di chiamare API esterne per ottenere dati in tempo reale: il meteo, il prezzo di un’azione, lo stato di un sistema. La differenza è decisiva: il grounding trasforma un assistente che «sa le cose» in un assistente che «può verificare le cose».
Prompt — L’istruzione al modello
Il prompt è il testo che invii al modello: la tua istruzione, la tua domanda, la tua richiesta. La sua qualità determina in gran parte quella della risposta: è l’argomento di un’intera lezione più avanti in questo corso. Tieni a mente ora tre nozioni. Il system prompt raggruppa le istruzioni generali date al modello inizialmente (tono, ruolo, vincoli), configurabili tramite API. Il user prompt è il tuo messaggio effettivo, la domanda o il compito da svolgere. E il few-shot prompting consiste nel fornire esempi di risposte attese per guidare il modello: mostrare è spesso meglio che spiegare.
Punti chiave
- Il RAG arricchisce le risposte del modello con nuovi dati esterni
- Gli embedding trasformano il testo in vettori per la ricerca semantica
- Il fine-tuning adatta un modello alle tue esigenze specifiche tramite Forge
- La temperatura controlla l’equilibrio tra precisione e creatività
- Le allucinazioni sono risposte plausibili ma false; il grounding ancora il modello a dati verificabili per limitarle