Glossario

Data limite delle conoscenze (knowledge cutoff)

Che cos’è Data limite delle conoscenze (knowledge cutoff)?

La data limite delle conoscenze (knowledge cutoff) è il momento fino al quale arrivano i dati di addestramento di un modello linguistico. Eventi, prezzi, leggi o prodotti successivi non sono noti al modello di per sé, che può quindi fornire informazioni superate se non riceve dati aggiornati. Vi si rimedia con metodi che integrano, al momento della richiesta, documenti propri o contenuti web attuali.

Come aiuta KI.ordo

Gli agenti KI.ordo compensano la data limite usando le conoscenze caricate e lo strumento «Leggere pagina web» per consultare pagine pubbliche aggiornate.

Scopri di più →

Temi

LLM
Attualità
Concetti base

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Modello linguistico di grandi dimensioni (LLM)

Un modello linguistico di grandi dimensioni (Large Language Model, LLM) è una rete neurale addestrata su enormi quantità di testo, in grado quindi di comprendere e generare linguaggio. Funziona calcolando passo dopo passo il token successivo più probabile. Gli LLM scrivono, riassumono, traducono, rispondono a domande e generano codice; esempi noti sono Claude, GPT, Gemini e Llama. Senza accesso a fonti aggiornate conoscono solo ciò che era nei dati di addestramento.

Modelli linguistici
IA generativa
+1

Allucinazione

Si parla di allucinazione quando un modello di IA produce un output convincente ma errato o del tutto inventato, ad esempio una sentenza inesistente, un numero sbagliato o una fonte fittizia. La causa: i modelli linguistici generano formulazioni probabili, non consultano automaticamente i fatti. Il rischio diminuisce se le risposte si basano su fonti verificate, se vengono indicati i riferimenti e se le persone controllano i risultati importanti.

Modelli linguistici
Affidabilità
+1

Modello

Retrieval-Augmented Generation (RAG)

La Retrieval-Augmented Generation unisce ricerca e generazione di testo: prima di rispondere, il sistema cerca in una raccolta di conoscenze, come manuali, linee guida o FAQ, i passaggi pertinenti e li fornisce al modello linguistico come contesto. La risposta si basa così su contenuti aziendali aggiornati e non solo sulle conoscenze apprese in addestramento. Questo riduce le affermazioni inventate, rende tracciabili le fonti e consente aggiornamenti senza nuovo addestramento.

RAG
ricerca nelle conoscenze
+1

Dati di addestramento

I dati di addestramento sono gli esempi da cui un modello di IA apprende schemi: grandi raccolte di testi per i modelli linguistici, immagini etichettate per quelli visivi. La loro qualità, varietà e attualità determinano in larga misura quanto un modello sarà affidabile ed equo e quanto aggiornate saranno le sue conoscenze. Per le aziende conta inoltre se un fornitore usa i dati dei clienti per ulteriori addestramenti.

Dati
Addestramento
+1