Nel mondo dell’intelligenza artificiale, l’addestramento di modelli di linguaggio su dati specifici è una pratica fondamentale per ottenere risultati personalizzati e accurati. Sentiamo spesso parlare del Fine Tuning LLM e in questo articolo, ti guiderò attraverso il processo di addestramento di un modello di linguaggio, utilizzando come esempio il modello Gemma2 da 2 miliardi di…
Leggi tutto
In NetAI, sempre attenti agli sviluppi del settore, abbiamo analizzato questo studio scientifico e ve ne proporremo un riassunto dettagliato con alcune riflessioni.
Parleremo inoltre del confronto tra RAG e LC descritto nel paper, mettendo in luce i loro punti di forza e debolezza. Presenteremo l’ innovativo metodo ibrido chiamato SELF-ROUTE proposto da questi ricercatori, progettato per combinare i vantaggi di entrambe le tecnologie.
Nell’ambito dell’intelligenza artificiale, il Naive Bayes Classifier è un potente strumento basato sulla teoria della probabilità condizionata. Per comprendere meglio il suo funzionamento, esaminiamone un esempio.
Ma perchè un articolo sul Naive Bayes Classifier?
Questo algoritmo è noto per la sua semplicità ed efficienza, rendendolo un punto di partenza ideale per chi si avvicina al machine learning. Il Naive Bayes si basa sul teorema di Bayes, utilizzando la probabilità condizionata per fare previsioni.
GraphRAG di Microsoft: Una Nuova Frontiera per il Recupero e la Generazione di Informazioni
Già da mesi una delle nostre sfide principali è quella di migliorare la capacità degli LLM di comprendere e generare risposte accurate e contestualmente rilevanti.
Ovviamente non ci siamo fatti scapare il fatto che Microsoft ha recentemente rilasciato un sistema innovativo chiamato GraphRAG (Graph Retrieval-Augmented Generation), che combina l’utilizzo dei grafi con la RAG per superare alcune delle limitazioni dei sistemi RAG tradizionali.
In questo articolo, esploreremo le basi di AutoGen, un framework open-source multi-agente che permette di creare workflow complessi utilizzando agenti AI, sviluppato da Microsoft.
Che tu sia un neofita o abbia già esperienza con agenti AI, questo articolo ti fornirà una introduzione completa e pratica su come utilizzare AutoGen.
La risposta è chiara e coincisa e la troviamo direttamente sul sito di Microsoft:
“AutoGen is an open-source programming framework for building AI agents and facilitating cooperation among multiple agents to solve tasks. AutoGen aims to provide an easy-to-use and flexible framework for accelerating development and research on agentic AI, like PyTorch for Deep Learning. It offers features such as agents that can converse with other agents, LLM and tool use support, autonomous and human-in-the-loop workflows, and multi-agent conversation patterns.”
Oggi esploreremo Gemma 2: il Nuovo Modello Google. In questo articolo, analizzeremo in dettaglio tutti gli aspetti tecnici e le innovazioni introdotte con questo modello. Se sei un neofita del mondo del Machine Learning e dei modelli di linguaggio, non preoccuparti: spiegheremo tutto dalle basi.
Introduzione a Gemma 2: il Nuovo Modello Google
Google ha recentemente rilasciato Gemma 2, la seconda iterazione dei loro modelli open weight. Questa famiglia di modelli include tre versioni con 2, 9 e 27 miliardi di parametri, ma al momento Google ha rilasciato solo i modelli con 9 e 27 miliardi di parametri.
Nel mondo dinamico dell’intelligenza artificiale, ChatGPT si rivela uno strumento prezioso per migliorare l’utilizzo di Excel. Vediamo ora sei esempi pratici sugli Utilizzo di ChatGPT per Excel e in particiolare come integrare ChatGPT nel tuo flusso di lavoro quotidiano con Excel, completi di prompt specifici.
ChatGPT è noto per la sua abilità nel fornire chiarimenti su una vasta gamma di argomenti. Pertanto, perché non approfittare di questa risorsa per risolvere i tuoi dubbi su Excel? Ecco alcuni modelli di prompt che puoi sperimentare per vedere in azione le sue capacità.
Fine-Tuning o ICL? Nel panorama in rapida evoluzione dell’intelligenza artificiale, i modelli di linguaggio di grandi dimensioni (LLM) stanno diventando sempre più centrali. Una delle tecniche emergenti per migliorare le prestazioni di questi modelli senza modificare i loro pesi è l’In-Context Learning (ICL). Ma è davvero sufficiente per compiti complessi come l’esecuzione delle istruzioni? Un recente studio condotto da Hao Zhao, Maksym Andriushchenko, Francesco Croce e Nicolas Flammarion esplora questa domanda in profondità.
In questo episodio speciale del nostro podcast, focalizzato esclusivamente sulla sezione dedicata agli Assistenti Virtuali, abbiamo il piacere di presentare una panoramica completa e approfondita. Il nostro obiettivo è quello di guidare i Chief Technology Officer (CTO) e i Chief Executive Officer (CEO) attraverso le complessità e le innovazioni più recenti che caratterizzano le tecnologie dei Large Language Models.
Come già reso noto, da diverse settimane ci stiamo occupando di sviluppo di progetti software nell’ambito della tecnologia chiamata RAG (Retrieval-Augmented Generation) approfondendo in particolare l’utilizzo del framework open-source più in voga in questo momento: LangChain.
In questo articolo andremo a spiegare com usare Gmail con un RAG in un progetto che abbiamo chiamato MailGenie: un assistente virtuale che semplifica il modo in cui interagiamo con Gmail.
