romanoremo.it
Tutti i corsi
AI & Automazioni

LLM e Prompt Engineering Avanzato

Chi usa gli assistenti AI da un po' arriva sempre allo stesso punto: i risultati sono discreti ma incostanti, e non si riesce a inserirli in un processo di cui ci si possa fidare. Questo corso affronta esattamente quel salto.

Si parte da una comprensione concettuale di come funzionano i modelli linguistici, quanto basta per capire perché certe tecniche funzionano, e si passa a quelle tecniche: chain of thought, few-shot, tree of thought, strutturazione degli output in JSON, valutazione sistematica delle risposte.

La seconda metà è dedicata a RAG e integrazione: costruire una base di conoscenza aziendale che il modello possa consultare, e collegare un LLM a flussi di lavoro reali via API. È il corso più tecnico del catalogo insieme a Creare Agenti AI.

Durata indicativa
20 ore
Livello
Avanzato
Prerequisiti
Uso quotidiano di assistenti AI. Utile una familiarità di base con API e JSON, anche non da sviluppatore.

A chi è rivolto

  • Chi usa già quotidianamente gli assistenti AI e vuole andare oltre
  • Team tecnici che devono integrare LLM nei propri processi
  • Responsabili di progetti di automazione e knowledge management
  • Consulenti e professionisti che costruiscono soluzioni per i clienti

Cosa saprai fare

  • Capire a livello concettuale come ragiona un modello linguistico
  • Applicare tecniche di prompting avanzate in modo sistematico
  • Progettare un sistema RAG su documenti aziendali
  • Ottenere output strutturati e affidabili in JSON
  • Valutare le risposte e ridurre le allucinazioni
  • Integrare un LLM via API in un flusso di lavoro esistente

Programma

  1. 01

    Architettura dei Large Language Models (concettuale)

    Token, contesto, temperatura e limiti dell'addestramento. Senza matematica, ma con quanto basta per prevedere il comportamento del modello.

  2. 02

    Tecniche avanzate: chain of thought, few-shot, tree of thought

    Le strategie che migliorano in modo misurabile i risultati sui compiti complessi, e i casi in cui invece peggiorano le cose.

  3. 03

    RAG: costruire knowledge base aziendali con AI

    Retrieval Augmented Generation: dare al modello accesso ai documenti aziendali. Chunking, embedding, recupero e composizione della risposta.

  4. 04

    Strutturare output: JSON, markdown e dati strutturati

    Ottenere risposte in un formato che un altro sistema possa consumare, con validazione e gestione dei casi in cui il formato salta.

  5. 05

    Valutazione output, fact-checking e riduzione allucinazioni

    Costruire un set di test, misurare la qualità nel tempo e introdurre controlli automatici prima che l'output arrivi a un utente.

  6. 06

    Integrazione LLM via API in flussi di lavoro reali

    Chiamate API, gestione di costi e latenza, cache e fallback. Come si passa da una demo a qualcosa che gira tutti i giorni.

Percorsi su misura

Nessun corso è un pacchetto chiuso. Durata, taglio e profondità si concordano sugli obiettivi di chi partecipa, e si possono mescolare argomenti di corsi diversi in un percorso unico. Lavoro sia con gruppi aziendali sia con una persona sola: dimmi cosa ti serve e costruiamo il programma.

Richiedi informazioni

Domande frequenti

Bisogna saper programmare?

Non è indispensabile, ma i moduli su RAG e integrazione API rendono molto di più a chi ha una minima familiarità con il codice.

Che differenza c'è con AI per il Business?

AI per il Business è introduttivo e non tecnico. Questo è il passo successivo: sistematizza l'uso e affronta l'integrazione nei processi.

Si costruisce un RAG funzionante?

Sì, è l'esercitazione centrale del corso. Nei percorsi aziendali si usa documentazione reale dell'azienda.

Quali modelli si usano?

Si lavora con i principali modelli disponibili, confrontandoli. Le tecniche insegnate sono indipendenti dal fornitore.

Corsi correlati