← Panoramica e percorso

Kit per docenti

Pillole di LLM è pensato anche per la classe: niente da installare, niente account, tutto in italiano. Qui trovi percorsi di lezione già pronti, attività da fare con le demo e domande per la discussione.

Puoi usarlo liberamente. Testi e illustrazioni sono rilasciati con licenza CC BY-SA 4.0: puoi proiettarli, stamparli, adattarli e ridistribuirli, anche in materiali tuoi, citando «Pillole di LLM» con un link al sito e condividendo le modifiche con la stessa licenza. Ogni pillola si stampa bene (Ctrl/⌘ + P) e finisce con qualche domanda di verifica.

Percorsi di lezione

1 ora

Cos'è davvero un LLM

Per chi parte da zero: dalla frase ai numeri, fino alla parola successiva.

  1. Tokenizzazione · con la «tassa sull'italiano»
  2. Embedding
  3. Self-attention
  4. Predizione e generazione
2 ore

Dentro il Transformer

Per informatica, matematica e corsi universitari: l'architettura pezzo per pezzo.

  1. Positional encoding e RoPE
  2. Self-attention e multi-head
  3. Blocco Transformer e profondità
  4. Mixture of Experts
  5. Finestra di contesto e KV cache
1–2 ore

IA e società

Per educazione civica, filosofia e discipline umanistiche: chi decide come si comporta un modello?

  1. La tassa sull'italiano: le lingue non sono trattate allo stesso modo
  2. Fine-tuning e RLHF: le preferenze di chi?
  3. RAG e allucinazioni: fidarsi delle risposte
  4. Interpretabilità: capire cosa succede dentro
2 ore

LLM nel mondo reale

Per istituti tecnici e laboratori: dalla teoria agli strumenti che si usano davvero.

  1. Addestramento
  2. Inferenza locale e quantizzazione
  3. RAG
  4. Agenti e strumenti

Attività con le demo

PillolaAttivitàDomanda per la discussione
Tokenizzazione A coppie, ognuno scrive la stessa frase in italiano e in un'altra lingua che conosce e confronta i token. Se l'italiano costa più token, chi paga di più per usare l'IA? È giusto?
Embedding Proponete altre «equazioni» sul modello di re − uomo + donna ≈ regina (Parigi − Francia + Italia ≈ ?). Se i significati diventano geometria, anche gli stereotipi presenti nei testi finiscono nello spazio?
Self-attention Prima di cliccare, la classe prevede a quali parole guarderà ciascun token; poi si confronta con la demo. Perché il modello non può guardare le parole che vengono dopo?
Predizione Campionate 10 parole con temperatura 0,2 e poi con 1,8. Contate quante volte esce ogni parola. Quando conviene un modello prevedibile e quando uno creativo?
Contesto Stringete la finestra finché il modello «dimentica» il nome del gatto. A che punto succede? Cosa vuol dire che un modello «ricorda»? Ricorda davvero?
Fine-tuning e RLHF Ognuno fa l'annotatore da solo, poi si confrontano i modelli di ricompensa della classe. Se annotatori diversi premiano cose diverse, di chi sono i valori del modello finale?
Agenti Inventate un nuovo strumento per l'agente e scrivete la chiamata JSON che il modello dovrebbe produrre. Quali azioni non lascereste mai fare a un agente senza conferma?

Consigli pratici

  • Proiettore: ingrandite con Ctrl/⌘ + +; le demo si adattano allo schermo.
  • Verifica: ogni pillola termina con due o tre domande a scelta multipla, con spiegazione. Si possono usare come quiz lampo a fine lezione.
  • Onestà scientifica: le demo usano dati illustrativi (lo dichiarano); il tokenizer invece è reale, e la pillola sulla predizione mostra anche probabilità calcolate da un modello vero. Vale la pena dirlo agli studenti: è un buon esercizio di pensiero critico.
  • Avanzamento: il sito ricorda nel browser le pillole lette e i quiz fatti, senza account e senza inviare dati a nessuno.

Hai usato Pillole di LLM in classe? Mi piacerebbe saperlo, e ogni segnalazione di errori o proposta di attività è preziosa: puoi scrivere aprendo una segnalazione su GitHub.