Modelli Linguistici di Grande Dimensione per Tutti: Dalle Basi all'Utilizzo Pratico (Edizione 2026)

Questo corso è un'introduzione pratica e accessibile ai Large Language Models (LLM), come ChatGPT e Gemini. Progettato per studenti di ogni background, spiega in modo generale come funzionano i LLM, cosa possono e non possono fare, e come usarli efficacemente nello studio, nel lavoro e nella vita quotidiana. Attraverso dimostrazioni pratiche e esercizi guidati, imparerai tecniche di prompt, come valutare criticamente le uscite, come gestire allucinazioni e bias, e come utilizzare strumenti comuni (ad esempio documenti, riassunti, traduzione, compiti sui dati) in modo sicuro e responsabile. Al termine del corso sarai in grado di creare un tuo "flusso di lavoro LLM" per compiti reali — scrittura, ricerca, pianificazione e produttività — senza necessità di competenze avanzate in programmazione.

Dalla logica matematica fondamentale all'orchestrazione distribuita di agenti: formando architetti di sistemi di alto livello per l'era dei grandi modelli.

1. Cognitivo: Comprendere i pilastri matematici dell'apprendimento automatico (algebra lineare, calcolo, probabilità) e la linea storica delle architetture neurali dai Perceptron agli LSTM.
2. Abilità pratiche: Navigare server remoti usando comandi Unix shell e implementare grafici computazionali di base con motori di differenziazione automatica.
3. Affective: Valorizzare l'importanza della "fondazione teorica" rispetto all'"astrazione prematura" quando si debuggano sistemi complessi come gli esplosioni di gradienti.
4. Generato
5. Cognitivo: Spiegare i meccanismi del flusso post-addestramento, inclusa la distinzione tra Supervised Fine-Tuning (SFT) e framework di Reinforcement Learning (RL) come GRPO.
6. Abilità pratiche: Progettare un flusso di addestramento a più fasi — dal Cold Start al Fine Alignment — utilizzando tecniche di Parameter-Efficient Fine-Tuning (PEFT) come LoRA.
7. Affective: Valorizzare lo spostamento dal vedere l'IA come una "scatola nera magica" a un sistema ingegnerizzato di strati meccanici e ragionamento interno deliberato.
8. Cognitivo: Confrontare framework di integrazione lineare con orchestramenti ciclici basati su grafi e distinguere tra protocolli di integrazione verticale (MCP) e orizzontale (A2A).
9. Abilità pratiche: Definire nodi specializzati e archi condizionali usando principi della teoria dei grafi e implementare un server MCP con FastMCP per collegare agenti a dati esterni.
10. Affective: Valorizzare l'importanza dell'esecuzione ciclica e della gestione dello stato per imitare flussi cognitivi umani complessi.