book

Modelli di progettazione dell'IA generativa

by Valliappa Lakshmanan, Hannes Hapke

October 2025

Intermediate to advanced

508 pages

12h 52m

Italian

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Per chi è questo libro?Convenzioni utilizzate in questo libroUtilizzo di esempi di codiceFormazione online O'ReillyCome contattarciRingraziamenti
Modelli di progettazione GenAICostruire sui modelli fondamentaliprompt e contestoUsare l'API del Model ProviderUsare un framework LLM-agnosticoEseguire il modello a livello localeCome vengono creati i modelli fondazionaliIl panorama dei modelli fondazionaliIA agenzialeL'autonomiaCaratteristiche degli agentiControllo a grana fineLogitTemperaturaCampionamento Top-KCampionamento del nucleoRicerca a raggieraApprendimento in contestoApprendimento a zero colpiApprendimento a pochi colpiPost-formazioneMetodi di post-formazioneMessa a punto di un modello di frontieraMessa a punto di un modello a peso apertoConsiderazioniL'organizzazione del resto del libro
Modello 1: Mascheramento dei logitiProblemaSoluzioneEsempiConsiderazioniRiferimentiModello 2: GrammaticaProblemaSoluzioneEsempiConsiderazioniRiferimentiModello 3: Trasferimento di stileProblemaSoluzioneConsiderazioniRiferimentiSchema 4: Neutralizzazione inversaProblemaSoluzioneEsempio 1: Generazione di un testo legaleEsempio 2: Stile personaleConsiderazioniRiferimentiSchema 5: Ottimizzazione del contenutoProblemaSoluzioneEsempioConsiderazioniRiferimentiRiassunto
Modello 6: RAG di baseProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 7: Indicizzazione semanticaProblemaSoluzioneEsempioConsiderazioniRiferimentiModello 8: Indicizzazione su scalaProblemaSoluzioneEsempioConsiderazioniRiferimentiRiassunto
Schema 9: Recupero consapevole dell'indiceProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 10: Postelaborazione dei nodiProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 11: Generazione affidabileProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 12: Ricerca profondaProblema SoluzioneEsempioConsiderazioniRiferimentiRiassunto
I limiti del ragionamento LLMCapacità conosciuteCapacità sconosciuteSchema 13: Catena di pensieriProblemaSoluzioneEsempiConsiderazioniRiferimentiSchema 14: Albero dei pensieri (ToT)ProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 15: Sintonizzazione dell'adattatoreProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 16: Evol-InstructProblemaSoluzioneEsempioConsiderazioniRiferimentiRiassunto
Schema 17: LLM come giudiceProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 18: RiflessioneProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 19: Iniezione di dipendenzaProblemaEsempioSoluzioneConsiderazioniRiferimentiSchema 20: Ottimizzazione del promptProblemaSoluzioneEsempioConsiderazioniRiferimentiRiassunto
Schema 21: Chiamata di strumentiProblemaSoluzioneEsempioStrumento meteoStrumento di geocodificaServer MCPClient MCPConsiderazioniMigliorare l'affidabilitàLimitazioni di MCPIniezione di promptRiferimentiSchema 22: Esecuzione del codiceProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 23: Collaborazione multiagenteProblemaSoluzioneEsempioConsiderazioniRiferimentiRiepilogo
Schema 24: Modello di linguaggio piccoloProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 25: Caching dei promptProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 26: Ottimizzazione dell'inferenzaProblemaSoluzioneEsempioRiferimentiSchema 27: Test di degradoProblemaSoluzioneStrumenti di monitoraggio delle prestazioniRiferimentiModello 28: Memoria a lungo termineProblemaSoluzioneEsempioConsiderazioniRiferimentiRiassunto
Schema 29: Generazione di modelliProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 30: Riformattazione assemblataProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 31: AutoverificaProblemaSoluzioneEsempioConsiderazioniRiferimentiSchema 32: GuardrailProblemaSoluzioneEsempioConsiderazioniRiferimentiSintesi

Flusso di lavoro agenzialeEsecuzione dell'applicazioneCosa fa l'applicazioneArchitettura del sistemaDistribuzioneSommario

Content preview from Modelli di progettazione dell'IA generativa

About the Authors

Valliappa (Lak) Lakshmanan works closely with management teams across a range of enterprises to help them employ data and AI-driven innovation to grow their businesses. Previously, he was the Director for Data Analytics and AI Solutions on Google Cloud and a Research Scientist at NOAA. He co-founded Google’s Advanced Solutions Lab and is the author of several O’Reilly books and Coursera courses. He was elected a Fellow of the American Meteorological Society (the highest honor offered by the AMS) for pioneering machine learning algorithms in severe weather prediction.

Hannes Hapke is a Senior Machine Learning Engineer at Digits, and has co-authored multiple machine learning publications, including the book Building Machine Learning Pipelines and Machine Learning Production Systems by O’Reilly Media. He has also presented state-of-the-art ML work at conferences like ODSC or OâReillyâs TensorFlow World and is an active contributor to TensorFlow’s TFX Addons project. Hannes is passionate about machine learning engineering and production machine learning use cases using the latest machine learning developments.