Gli input sono numeri
Una rete neurale non “vede” parole, immagini o suoni come noi: riceve numeri che rappresentano caratteristiche del problema.
Prima di iniziare
Una rete neurale spiegata senza tecnicismi inutili
I pesi dicono quanto conta un segnale
Ogni collegamento moltiplica il valore in arrivo per un peso. Peso grande = influenza maggiore; segno positivo o negativo = spinta in direzioni opposte.
Il bias sposta la soglia
Il bias è un valore aggiunto alla somma pesata. È come una manopola che rende un neurone più o meno facile da “attivare”.
L’attivazione trasforma il risultato
Dopo la somma, una funzione di attivazione decide come il neurone risponde. È qui che la rete acquisisce comportamento non lineare.
Il segnale procede verso l’output
I risultati di uno strato diventano gli input dello strato successivo. Questo passaggio in avanti si chiama forward propagation.
La formula chiave di un neuronez = (x₁·w₁ + x₂·w₂ + …) + b
→
Poi applica l’attivazioneoutput = f(z)
Traduzione in linguaggio comune
Un neurone non “pensa”: fa un piccolo calcolo
Immagina tre colleghi che danno un parere. Il neurone non ascolta tutti allo stesso modo: a ogni parere assegna un peso. Poi somma tutto, aggiunge il proprio bias e produce un numero. Quel numero diventa il messaggio da passare allo strato successivo.
Esempio lampo
Input: 0,80 e 0,40
Pesi: +1,20 e −0,50
Bias: −0,30
z = 0,80×1,20 + 0,40×(−0,50) − 0,30 = 0,46
Con Sigmoid: output ≈ 0,61
Laboratorio
Costruisci e osserva la rete
Rete pronta
Se è la prima volta, prova così:
- Carica AND nei preset.
- Clicca la riga 1,1 della tavola di verità.
- Propaga il segnale e guarda quali neuroni si illuminano.
- Clicca una linea, cambia un peso e osserva come cambia l’output.
Colore linea = segno del peso
Spessore = grandezza del peso
Luminosità = intensità del segnale che passa
Anello del neurone = quanto è attivo
Output—Premi “Propaga il segnale”
🔎
Che cosa è appena successo?
Premi Propaga il segnale. Qui comparirà una spiegazione passo passo dei calcoli effettuati dalla rete.
💡
Interpretazione intuitiva
Immagina ogni neurone come un piccolo “votatore”: riceve segnali, li pesa, aggiunge una propria predisposizione (bias) e decide quanto segnale passare avanti.
Modalità logica
Nessun preset selezionato
Carica AND, OR, XOR o NOT per confrontare la risposta della rete con una semplice porta logica.
Dal calcolo all’apprendimento
Come “impara” una rete neurale?
Fa una previsione
La rete usa i pesi attuali e produce un output.
Confronta con la risposta corretta
La differenza viene misurata con una funzione di errore (loss).
Attribuisce la “responsabilità”
Con la backpropagation stima quanto ogni peso ha contribuito all’errore.
Corregge un po’ i pesi
La discesa del gradiente sposta i pesi nella direzione che tende a ridurre l’errore.
Ripete molte volte
Con molti esempi e molte iterazioni, la rete può trovare configurazioni di pesi più efficaci.
Mini laboratorio di addestramento
Qui usiamo una piccola rete con Sigmoid e dati logici. Non è “magia”: vedrai l’errore diminuire mentre i pesi vengono aggiustati.
Prima prepara una rete casuale, poi avvia l’addestramento.
Errore medio durante l’addestramento—
In generale, se la curva scende significa che la rete sta adattando i pesi per fare previsioni più vicine alle risposte attese.
Importante: questo simulatore mostra una rete feed-forward molto piccola. I moderni sistemi di IA possono avere architetture enormemente più complesse, ma l’idea di base “parametri → calcolo → errore → aggiornamento” resta un tassello fondamentale per capire l’apprendimento automatico.
Collegamento con ChatGPT e i modelli generativi
Da una piccola rete neurale all’IA generativa
Che cosa resta uguale?
Anche nei grandi modelli linguistici ci sono enormi quantità di parametri numerici appresi durante l’addestramento. Quando scriviamo un prompt, il modello trasforma le parole in numeri, li elabora attraverso molti strati e produce dei punteggi per i possibili token successivi.
Che cosa cambia?
Un LLM moderno non è semplicemente la piccola rete qui sopra: usa architetture Transformer, meccanismi di attention, vettori ad alta dimensione e miliardi di parametri. Il laboratorio qui sotto mostra solo l’idea di fondo: attivazioni + pesi → punteggi → probabilità → scelta del token.
Durante l’addestramentoi pesi vengono appresi e correttiLa rete confronta le previsioni con esempi e modifica i parametri.
→
Durante la generazionei pesi già appresi vengono usatiIl modello non “inventa i pesi” a ogni domanda: applica quelli che ha appreso.
Prompt→Token→Vettori numerici→Strati / neuroni→Punteggi→Probabilità→Token successivo
Prompt in ingresso
1. Neuroni / caratteristiche che si attivano
Questi nomi sono etichette didattiche. Nei modelli reali i neuroni non hanno necessariamente significati così puliti e leggibili.
2. Pesi appresi verso i token candidati
Peso positivo = quella caratteristica favorisce il candidato; peso negativo = lo penalizza.
3. Dal punteggio alla probabilità
Premi “Attiva i neuroni e calcola” per seguire il passaggio.
Idea da portare a casa: un modello generativo non cerca una frase già memorizzata in un archivio. A ogni passo calcola una distribuzione di probabilità sui possibili token successivi usando moltissimi parametri appresi. Poi aggiunge un token e ripete il processo.
Parole chiave
Glossario essenziale
Neurone artificiale
Una piccola unità di calcolo: combina numeri in ingresso, pesi e bias e produce un valore in uscita.
Peso (weight)
Parametro che moltiplica un segnale. Durante l’addestramento è uno dei valori che la rete modifica.
Bias
Parametro aggiunto alla somma pesata. Permette di spostare la soglia di attivazione di un neurone.
Layer / strato
Gruppo di neuroni che lavora allo stesso livello: input, hidden (nascosto) o output.
Forward propagation
Passaggio dei dati dall’input all’output attraverso i vari strati.
Funzione di attivazione
Trasformazione applicata al valore z. Introduce comportamenti non lineari e determina la risposta del neurone.
Loss
Numero che quantifica quanto la previsione della rete è distante dal risultato desiderato.
Backpropagation
Procedura che fa risalire l’informazione sull’errore attraverso la rete per calcolare come correggere i parametri.
Epoca
Un passaggio di addestramento sull’insieme degli esempi disponibili.
Learning rate
Grandezza del passo con cui i pesi vengono aggiornati. Troppo grande può rendere instabile l’apprendimento; troppo piccolo può rallentarlo.
Token
Unità di testo elaborata dal modello. Può corrispondere a una parola intera, a una parte di parola, a punteggiatura o ad altri frammenti.
Transformer
Architettura alla base di molti moderni modelli linguistici. Usa, tra le altre cose, il meccanismo di attention per mettere in relazione parti diverse del contesto.
Logit / punteggio
Numero grezzo prodotto prima di trasformarlo in probabilità. Token con punteggio maggiore tendono a ricevere probabilità maggiore.
Softmax
Funzione che trasforma una serie di punteggi in valori positivi che sommano a 1, interpretabili come una distribuzione di probabilità.
Temperatura
Parametro usato nella generazione per rendere la distribuzione dei token più concentrata o più piatta. Non è un “livello di creatività” in senso umano.
Inferenza
Fase in cui un modello già addestrato usa i parametri appresi per elaborare un input e produrre una risposta.
Materiali per lo studio e la formazione
Dispense scaricabili in quattro formati
La prima accompagna studenti e corsisti passo passo; la seconda offre al docente una guida didattica più ampia, con attività, domande, errori tipici e chiavi di lettura per collegare reti neurali e IA generativa. Per ciascuna puoi scegliere il formato più adatto al tuo uso.
Per studenti e corsisti
Studiare una rete neurale
Guida visuale in linguaggio semplice: neuroni, pesi, bias, attivazioni, propagazione, addestramento, loss, backpropagation e collegamento con i modelli generativi.
- Esempi numerici svolti
- Attività con Neural Network Explorer
- Autoverifica finale con soluzioni
Scegli il formato
Per docenti e formatori
Guida didattica alle reti neurali
Approfondimento disciplinare e metodologico: cornice concettuale, sequenze di lezione, domande guida, misconcezioni, attività laboratoriali e collegamento rigoroso con Transformer e IA generativa.
- Percorsi da 60, 90 e 120 minuti
- Note per la conduzione del laboratorio
- Griglia di osservazione e chiavi delle attività
Scegli il formato
Quale scegliere? DOCX per modificare rapidamente il testo in Word; PDF da Word per leggere o stampare la versione Word; TEX per intervenire direttamente sul sorgente LaTeX; PDF controllo TeX per verificare subito il risultato della compilazione. I file TEX sono autosufficienti: gli schemi sono realizzati in TikZ e non richiedono una cartella immagini separata.
Condividi l’esperienza
Esporta o stampa
Puoi salvare lo stato della rete in JSON oppure usare la funzione di stampa del browser per creare una scheda/PDF.