Corso di formazione Modelli linguistici avanzati per compiti di elaborazione del linguaggio naturale

Introduzione agli LLM e all’intelligenza generativa

• Analisi delle tecniche e dei modelli disponibili
• Considerazioni sulle applicazioni e i casi d’uso
• Riconoscimento delle problematiche e limitazioni attuali

Utilizzo degli LLM per compiti di NLU

• Analisi del sentiment
• Riconoscimento delle entità nominate
• Estrazione delle relazioni tra elementi testuali<\/li>
• Parsing semantico

Utilizzo degli LLM per compiti di NLI

• Rilevamento della relazione logica tra enunciati
• Identificazione delle contraddizioni nei testi
• Individuazione di riscritture equivalenti

Utilizzo degli LLM per i grafi concettuali

• Estrazione di fatti e relazioni da testi non strutturati
• Deduzione di informazioni mancanti o nuove
• Applicazione dei grafi concettuali a scopi pratici

Utilizzo degli LLM per il ragionamento basato su conoscenza generale

• Produzione di spiegazioni, ipotesi e scenari plausibili
• Fruizione di database e dataset specializzati in tal senso
• Valutazione del grado di correttezza logica degli output

Utilizzo degli LLM per la generazione di dialoghi

• Creazione di interazioni con agenti conversazionali, chatbot e assistenti virtuali
• Gestione dinamica dei flussi dialogici
• Sfruttamento di dataset specifici e indicatori quantitativi

Utilizzo degli LLM per la generazione multimodale

• Produzione di immagini partendo da testi
• Generazione di testo a partire da immagini
• Creazione di video in base a istruzioni testuali o visive
• Sintesi audio basata su contenuti verbali
• Produzione di testo partendo da file sonori
• Realizzazione di modelli 3D tramite input testuali o visivi

Utilizzo degli LLM per l’apprendimento meta

• Adattamento dei modelli a nuovi ambiti, compiti e lingue
• Apprendimento rapido anche con pochi esempi di training
• Fruizione di dataset e framework dedicati all’apprendimento meta e al transfer learning

Utilizzo degli LLM per l’apprendimento avversario

• Protezione dei modelli da attacchi malevoli
• Rilevamento e riduzione di pregiudizi o errori nei risultati generati
• Sfruttamento di dataset e metodologie mirate a garantire robustezza contro input dannosi

Valutazione degli LLM e dell’intelligenza generativa

• Misurazione della qualità e diversità dei contenuti prodotti
• Utilizzo di indicatori come lo score Inception, la distanza Fréchet Inception e il punteggio BLEU
• Ricorso a metodi di valutazione umana tra cui sondaggi collettivi
• Adozione di tecniche avversarie quali test di Turing o sistemi discriminatori

Applicazione dei principi etici nell’utilizzo degli LLM e dell’intelligenza generativa

• Rispetto della giustizia e responsabilità sociale nei processi automatici
• Prevenzione di usi distorti o per scopi non legittimi
• Tutela dei diritti e della privacy sia degli autori che dei fruitori dei contenuti
• Promozione del sinergismo creativo tra esseri umani e macchine

Riepilogo e prospettive future