Come Funzionano Effettivamente gli LLM
Scorri per mostrare il menu
Hai parlato con Claude. Ora diamo un'occhiata sotto il cofano — senza alcuna matematica.
Passaggio 1: Il testo diventa numeri
I computer non possono leggere le parole — possono solo fare calcoli. Quindi, prima che accada qualsiasi cosa, il tuo messaggio viene suddiviso in parti chiamate token, e ogni token viene trasformato in un numero.
Un token corrisponde a circa 4 caratteri di testo inglese. Può essere una parola intera, una parte di parola o un segno di punteggiatura. Gli spazi e le maiuscole sono importanti — modificano il token.
Cosa vede effettivamente Claude
Quando scrivi:
Hello, marketing manager!
Claude riceve:
["Hello", ",", " marketing", " manager", "!"]
Che diventa:
[9906, 11, 8661, 6783, 0]
Cinque token. Cinque numeri. Questo è l'input.
Regola generale: 750 parole corrispondono a circa 1.000 token. Più token significa costo maggiore e risposta più lenta.
Passo 2: Prevedere il Prossimo Token
Una volta che tutto è trasformato in numeri, il modello fa una sola cosa: prevede cosa viene dopo. Ripetutamente.
Scrivi:
The capital of France is
Il modello valuta quale token è più probabile che segua:
- "Paris" — 92%;
- " Paris" — 5%;
- "Lyon" — 1%;
- "the" — 0,5%.
Sceglie quello più probabile. Poi ripete. Fino a quando decide di fermarsi.
Importante: il modello non ha scelto Paris perché conosce la risposta. L'ha scelto perché nei dati di addestramento questa frase era quasi sempre seguita da "Paris."
AI = previsione di pattern, non conoscenza.
Passo 3: Da Dove Provengono i Pattern
Il modello è stato addestrato su testi pubblici di internet, libri e codice — fino a una certa data di cutoff.
L'addestramento significa regolare le probabilità: quali token seguono quali, e in quale contesto.
Due conseguenze:
- Il modello non ha conoscenza di eventi recenti, dati aziendali o qualsiasi cosa successiva alla data di cutoff;
- Ha imparato da internet — inclusi i suoi errori. Se parte dei dati di addestramento era errata, il modello può ripetere quegli errori con sicurezza.
Perché l'AI Allucina
Una allucinazione si verifica quando il modello genera qualcosa che sembra sicuro e realistico — ma in realtà è sbagliato.
Esempi comuni: citazioni false, URL inventati, statistiche errate.
Questo accade perché l'obiettivo del modello è produrre la sequenza di token più probabile — non quella più vera. Se qualcosa sembra corretto, può generarlo anche se è falso.
La soluzione
La soluzione non consiste solo nel rendere il modello più intelligente. Si tratta di fornirgli strumenti — ricerca web, dati reali, documenti — affinché possa basarsi su fatti e non solo su schemi.
È esattamente ciò che hai visto nel capitolo precedente e che continuerai a utilizzare nei prossimi capitoli.
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
