Corso 1: Intelligenza Artificiale — 40 ore

1.1 Che cosa è (e non è) l’AI
Dai sistemi a regole al machine learning; apprendimento supervisionato, non supervisionato, per rinforzo; il ruolo dei dati e della potenza di calcolo; perché il 2022 è stato uno spartiacque. Lab: esplorazione di un dataset reale e osservazione di come i dati determinano il comportamento del modello (bias, dati mancanti, sbilanciamenti).
1.2 Come funziona davvero un modello generativo
Token, embedding, attenzione: il transformer spiegato senza matematica. Pre-addestramento e fine-tuning. Perché nascono le allucinazioni; finestra di contesto; temperatura e casualità; multimodalità. Lab: stesso compito su tre modelli diversi, confronto e analisi degli errori.
1.3 Dialogare con i modelli: prompting e verifica
Struttura di un buon prompt (ruolo, contesto, vincoli, formato, esempi); scomposizione dei compiti; chain-of-thought; uso di documenti allegati. Metodo di verifica dell’output: quando fidarsi, come controllare, come citare le fonti. Lab: costruzione di una libreria personale di prompt riutilizzabili per il proprio lavoro.
1.4 L’ecosistema degli strumenti
Assistenti conversazionali, ricerca aumentata, generazione di immagini, trascrizione e sintesi audio/video, analisi documentale, primi agenti. Criteri di scelta: costo, privacy, qualità, lock-in. Lab: automazione end-to-end di un processo reale portato dai partecipanti (es. rassegna documenti → sintesi → bozza di risposta) con strumenti no-code.
1.5 Rischi, regole e responsabilità
Privacy e GDPR nell’uso quotidiano; AI Act europeo e obblighi per chi usa l’AI; diritto d’autore su input e output; sicurezza dei dati aziendali; deepfake e disinformazione; impatto sul lavoro.

Corso 2: AI applicata con Python — 40 ore

2.1 Python essenziale per l’AI
Ambiente di lavoro (venv, pip, notebook, VS Code); tipi, strutture dati, funzioni, gestione errori; lettura/scrittura di file e JSON; chiamate HTTP. Prima chiamata a un’API di un modello linguistico, gestione delle chiavi. Deliverable: script funzionante che elabora un file di testo tramite AI.
2.2 Programmare con le API dei modelli
Messaggi, system prompt, parametri; output strutturato e validazione con JSON Schema; function calling e tool use; streaming; gestione di rate limit, retry e fallback; controllo e stima dei costi; elaborazione in batch. Deliverable: estrattore di dati strutturati da testo libero, con validazione.
2.3 Documenti, dati e RAG
Ingestione di PDF, email, fogli di calcolo; chunking; embedding e ricerca semantica; database vettoriali (Chroma/pgvector); ricerca ibrida e re-ranking; citazione delle fonti. Errori tipici delle pipeline RAG e come diagnosticarli. Deliverable: assistente che risponde su un corpus documentale proprio, con riferimenti verificabili.
2.4 Agenti e automazione dei processi
Differenza tra workflow deterministico e agente; ciclo osserva-decidi-agisci; strumenti esterni e integrazioni (MCP, API di terze parti); memoria e stato; human-in-the-loop e punti di controllo; quando non usare un agente. Deliverable: agente che completa un compito multi-step su dati reali.
2.5 Valutazione, sicurezza e messa in produzione
Costruzione di un set di test e metriche (accuratezza, groundedness, costo, latenza); valutazione automatica e revisione umana; prompt injection e trattamento di input non fidati; anonimizzazione dei dati; logging e monitoraggio.

Ogni modulo si completa con un’esercitazione pratica.
Project work finale: presentazione di un caso d’uso personale (Corso 1) e progetto individuale con code review collettiva (Corso 2).

Corso 3: Immagini, video e audio professionali con AI — 40 ore

3.1 Come le macchine vedono
Come un’immagine diventa numeri: pixel, caratteristiche, embedding. Classificazione, rilevamento, segmentazione, OCR e tracciamento video. Modelli multimodali e loro errori; obblighi di trasparenza dell’AI Act (dal 2 agosto 2026) e marcatura C2PA. Lab: prove di riconoscimento su materiale dei partecipanti, per capire dove il modello regge davvero.
3.2 Generare immagini
Come nasce un’immagine dal rumore (diffusione); costruzione del prompt (soggetto, composizione, luce, stile); limiti attuali su testo, mani e coerenza. Panorama degli strumenti (Midjourney, FLUX, GPT Image, Imagen, Firefly); controllo con immagine di riferimento, inpainting, outpainting, upscaling. Diritto d’autore su input e output. Lab: set coerente di sei immagini per un uso reale.
3.3 Generare e montare video
Generazione video da testo, immagine o video di partenza; panorama degli strumenti (Sora, Veo, Kling, Runway, Luma) su durata, coerenza e costo. Post-produzione assistita: upscaling, rimozione oggetti, sottotitoli. Consenso e obblighi di etichettatura per volti e persone. Lab: realizzazione di uno spot da 15-20 secondi.
3.4 Voce, musica e suono
Sintesi vocale e clonazione della voce (consenso e liberatorie); doppiaggio con sincronizzazione labiale; trascrizione e pulizia audio. Musica generata (Suno, Udio, ElevenLabs) e diritti di pubblicazione. Lab: sonorizzazione del video realizzato nel modulo precedente.
3.5 Modelli aperti, GPU e pipeline proprie
Quando uscire dai servizi in abbonamento: Hugging Face, licenze dei modelli, requisiti hardware. ComfyUI e flussi a nodi; LoRA per personalizzare uno stile o un volto; affitto di GPU cloud (RunPod, Vast.ai). Project work finale: set coerente di sei immagini con un LoRA addestrato dai partecipanti.