Roberto TAGLIAFERRI | GENERATIVE ARTIFICIAL INTELLIGENCE AND APPLICATIONS
Roberto TAGLIAFERRI GENERATIVE ARTIFICIAL INTELLIGENCE AND APPLICATIONS
cod. 0222800031
GENERATIVE ARTIFICIAL INTELLIGENCE AND APPLICATIONS
| 0222800031 | |
| DIPARTIMENTO DI SCIENZE AZIENDALI - MANAGEMENT & INNOVATION SYSTEMS | |
| CORSO DI LAUREA MAGISTRALE | |
| DATA SCIENCE E GESTIONE DELL'INNOVAZIONE | |
| 2025/2026 |
| ANNO CORSO 2 | |
| ANNO ORDINAMENTO 2022 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| INF/01 | 6 | 42 | LEZIONE |
| Obiettivi | |
|---|---|
| OBIETTIVO GENERALE L’OBIETTIVO GENERALE DELL’INSEGNAMENTO È LO STUDIO DELLE TEMATICHE RELATIVE ALLO SVILUPPO DI APPLICAZIONI BASATE SU GENERATIVE AI. DATA LA COMPLESSITÀ DELL’ARGOMENTO, L’INSEGNAMENTO SI CONCENTRERÀ PRIMA SULLE BASI TEORICHE E, SUCCESSIVAMENTE, SU STRUMENTI E TECNICHE PER L’INTERAZIONE CON MODELLI PRE-ADDESTRATI DI TIPO COMMERCIALE E OPEN-SOURCE. CONOSCENZA E CAPACITÀ DI COMPRENSIONE GLI STUDENTI, AL TERMINE DEL PERCORSO FORMATIVO, AVRANNO ACQUISITO CONOSCENZE TEORICHE RELATIVE ALLE ARCHITETTURE PER LA GENERATIVE AI CON PARTICOLARE RIFERIMENTO AI TASK RELATIVI ALLA GENERAZIONE DEL TESTO E ALTRI CONTENUTI MULTIMEDIALI (E.G., GENERATIVE ADVERSARIAL NETWORKS, CONTRASTIVE LEARNING, EMBEDDINGS, TRANSFORMERS, ENCODERS/DECODERS, SELF-ATTENTION, ETC.). PARTICOLARE ATTENZIONE SARÀ DEDICATA AI LARGE LANGUAGE MODELS PRE-ADDESTRATI E AI MODELLI PROBABILISTICI SUI QUALI SI FONDANO. GLI STUDENTI CONOSCERANNO, ALTRESÌ, GLI HUB (E.G., HUGGING FACE, OLLAMA) E LE METODOLOGIE (E.G., PROMPT ENGINEERING, FINE-TUNING), I TOOL DI SVILUPPO (E.G., LANGCHAIN, GRIDTAPE, AUTOGEN) E LE APPLICAZIONI (E.G., CODE GENERATION) PER ALCUNE DELLE FAMIGLIE DI MODELLI ALLO STATO DELL’ARTE (E.G., CHATGPT, LLAM, MISTRAL, GEMINI, GEMMA, SORA, ETC.). INFINE, CI SI FOCALIZZERÀ SULLO STUDIO DEI FRAMEWORK PER LA REALIZZAZIONE DI SISTEMI BASATI SU LLM AGENTS. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE ALLA FINE DEL CORSO, GLI STUDENTI SARANNO, QUINDI, IN GRADO DI: • APPLICARE LE CONOSCENZE ACQUISITE PER SVILUPPARE APPLICAZIONI PYTHON BASATE SU LLM E SISTEMI CON ARCHITETTURA BASATA SU LLM AGENTS; • APPLICARE LE CORRETTE TECNICHE DI PROMPT ENGINEERING RISPETTO AGLI SPECIFICI OBIETTIVI DI INTERAZIONE CON GLI LLM; AUTONOMIA DI GIUDIZIO GLI STUDENTI SAPRANNO: • ANALIZZARE LE CARATTERISTICHE DEI DIVERSI MODELLI PRE-ADDESTRATI A DISPOSIZIONE E SELEZIONARE QUELLI PIÙ ADEGUATI ALLE PROPRIE ESIGENZE; • SELEZIONARE LE TECNICHE DI PROMPT ENGINEERING PIÙ ADEGUATE ALLO SPECIFICO SCENARIO APPLICATIVO. CAPACITÀ DI APPRENDIMENTO INFINE, LO STUDENTE SVILUPPERÀ LE CAPACITÀ DI: • STUDIARE IN MODO AUTONOMO, INTEGRANDO EFFICACEMENTE LE CONOSCENZE ACQUISITE; • MANTENERE AGGIORNATE LE PROPRIE COMPETENZE IN UN SETTORE IN CONTINUA EVOLUZIONE COME L'INFORMATICA; • APPRENDERE E COMPRENDERE LE PROBLEMATICHE DI NUOVI SETTORI APPLICATIVI. |
| Prerequisiti | |
|---|---|
| I CONCETTI DI BASE ACQUISITI NELLA LAUREA TRIENNALE IN MATEMATICA, ALGORITMI E STRUTTURE DATI, PROBABILITÀ E STATISTICA E PROGRAMMAZIONE DEI COMPUTER. |
| Contenuti | |
|---|---|
| INTRODUZIONE ALLE RETI NEURALI E ALLE RETI PROFONDE CONVOLUTIVE. TRANSFORMERS GENERATIVE ADVERSARIAL NETWORKS AUTOENCODERS & DIFFUSION MODELS ECOSISTEMI PER L’INTERAZIONE CON I LARGE LANGUAGE MODELS (E.G., HUGGING FACE, OLLAMA, GROQ, ETC.) APPROFONDIMENTI SULLE TECNICHE DI SVILUPPO DELL’ARCHITETTURA TRANSFORMER (E.G., EMBEDDINGS LAYER, DECODING STRATEGIES, ETC.) TECNICHE DI PROMPTING API PER L’INVOCAZIONE DEI LLM DA PYTHON (OPENAI, OLLAMA, GROQ, ETC.) SVILUPPO DI APP LLM-BASED LLM-BASED AGENTS E MULTI-AGENTS SYSTEM USO DEI MODELLI GENERATIVI MULTIMODALI EVALUATION METRICS |
| Metodi Didattici | |
|---|---|
| L’INSEGNAMENTO (42 ORE DI LEZIONI FRONTALI) È ARTICOLATO IN DUE PARTI DI 21 ORE CIASCUNA. LA PRIMA PARTE AFFRONTA ARGOMENTI DI CARATTERE TEORICO SULLE ARCHITETTURE DEI MODELLI GENERATIVI. LA SECONDA PARTE AFFRONTA LE PROBLEMATICHE CHE RIGUARDANO IL DESIGN E LO SVILUPPO DELLE DIVERSE TIPOLOGIE DI APPLICAZIONI BASATE SU GENERATIVE AI (CHATBOT, RAG, AI AGENT, MULTI-AGENTS, ETC.). LA FREQUENZA ALLE LEZIONI NON È OBBLIGATORIA MA È FORTEMENTE CONSIGLIATA. |
| Verifica dell'apprendimento | |
|---|---|
| PROVA ORALE DOPO LA FINE DEL CORSO CHE INCLUDE LA PRESENTAZIONE DI UN PROGETTO DI DESIGN E SVILUPPO DI APPLICAZIONI LLM-BASED CONCORDATO CON I DOCENTI DURANTE IL CORSO. LA PROVA ORALE CON LA DISCUSSIONE DEL PROJECT WORK È FINALIZZATA A VALUTARE IL LIVELLO DI PADRONANZA DELLA DISCIPLINA. TALE LIVELLO VIENE ESPRESSO SULLA BASE DELLA SCALA DI VOTI DA 18/30 (CONOSCENZA LIMITATA DELL’ARGOMENTO) AL 30/30 LODE (IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI). LA DURATA DELLA PROVA È DI CIRCA 30 MINUTI. |
| Testi | |
|---|---|
| C. M. BISHOP, H. BISHOP: "DEEP LEARNING - FOUNDATIONS AND CONCEPTS", SPRINGER NATURE, BERLIN, 2024 M. LANHAM: “AI AGENT IN ACTION”, MANNING, 2025 J. ALAMMAR, M GROOTENDORST: “HANDS-ON LARGE LANGUAGE MODELS: LANGUAGE UNDERSTANDING AND GENERATION”, O’REILLY, 2024 R. INFANTE: “LANGCHAIN IN ACTION”, MANNING, 2025 |
| Altre Informazioni | |
|---|---|
| LA FREQUENZA DELL'INSEGNAMENTO È FORTEMENTE CONSIGLIATA IN QUANTO CONSENTE UNA PIÙ RAPIDA ED EFFICACE COMPRENSIONE DEI FONDAMENTI TEORICI E DELLE TECNICHE APPLICATIVE. LO STUDENTE DOVRÀ DEDICARE UN ADEGUATO NUMERO DI ORE DI STUDIO, IN AGGIUNTA A QUELLE TRASCORSE IN AULA, PER IL NECESSARIO CONSOLIDAMENTO DELLA PROPRIA CONOSCENZA E PER LO SVILUPPO DELL’ABILITÀ APPLICATIVA DA ACQUISIRE. AI FINI DELLA VERIFICA DEL PROFITTO, PER LA PROVA ORALE LO STUDENTE DOVRÀ DEDICARE DELLE ORE DI STUDIO AL CONSOLIDAMENTO DELLA PADRONANZA DEI CONCETTI ED ALLA ACQUISIZIONE DI UNA ADEGUATA PROPRIETÀ DI LINGUAGGIO. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2025-08-21]
