// ExamSim exam file (format 2). Pure JSON inside ExamSim.register(...); validate with: node tools/validate-exam.js ai-realtest.exam ExamSim.register({ "format": 2, "id": "ai-realtest", "code": "AI-80", "title": "Intelligenza artificiale — Test completo", "description": "Ottanta domande sull'intelligenza artificiale: storia, machine learning, reti neurali, modelli linguistici, visione, dati e MLOps, etica e normativa, hardware. Mix di scelta singola e multipla, vero/falso, ordinamento, abbinamento, risposte numeriche e scenari.", "version": "v1.0", "settings": { "passThreshold": 70, "timePerQuestionSec": 83, "shuffleOptions": true }, "modes": [ { "id": "real", "name": { "en": "Full test (80 questions, 110 minutes)", "it": "Test completo (80 domande, 110 minuti)" }, "selection": "random", "exam": true, "count": 80, "timeSec": 6600, "passThreshold": 70 }, { "id": "standard", "name": { "en": "Quick mock (20 questions)", "it": "Simulazione rapida (20 domande)" }, "selection": "balanced", "count": 20 } ], "questions": [ { "topic": "Storia e concetti di base", "type": "single", "difficulty": 1, "text": "Chi propose nel 1950 un test per valutare se una macchina sa esibire un comportamento intelligente indistinguibile da quello di una persona?", "options": [ "Claude Shannon, nella teoria matematica della comunicazione", "Marvin Minsky, nel libro dedicato ai limiti del perceptron", "Alan Turing, nell'articolo «Computing Machinery and Intelligence»", "John McCarthy, durante il workshop estivo organizzato a Dartmouth" ], "answer": [2], "explanation": "Il «gioco dell'imitazione», poi detto test di Turing, è descritto da Alan Turing nel 1950.", "id": 1 }, { "topic": "Storia e concetti di base", "type": "single", "difficulty": 1, "text": "Dove e quando fu coniato il termine «intelligenza artificiale»?", "options": [ "Nella proposta per il workshop di Dartmouth del 1956, firmata tra gli altri da McCarthy e Minsky", "Alla presentazione commerciale dei primi sistemi esperti per le aziende, negli anni Ottanta del Novecento", "Nel saggio di Alan Turing del 1950, che apriva per la prima volta il dibattito sulle macchine che pensano", "In un grande congresso internazionale sulle reti neurali tenuto all'università di Stanford nel 1986" ], "answer": [0], "explanation": "Il termine compare nella proposta del workshop di Dartmouth (estate 1956), considerato l'atto di nascita della disciplina.", "id": 2 }, { "topic": "Storia e concetti di base", "type": "single", "difficulty": 2, "text": "Che cosa si intende con «inverno dell'IA»?", "options": [ "Una tecnica per raffreddare i data center e ridurre il consumo energetico durante l'addestramento dei modelli", "Un rallentamento stagionale delle ricerche dovuto alla chiusura invernale dei laboratori universitari e dei centri di ricerca", "Un periodo in cui i primi computer non riuscivano a funzionare correttamente a basse temperature nei laboratori", "Una fase di forte calo di fondi e interesse dopo promesse che la tecnologia non aveva mantenuto" ], "answer": [3], "explanation": "Gli inverni dell'IA (anni '70 e fine anni '80) furono periodi di disillusione e riduzione dei finanziamenti.", "id": 3 }, { "topic": "Storia e concetti di base", "type": "single", "difficulty": 1, "text": "Come si definisce un sistema di «IA ristretta» (narrow AI)?", "options": [ "Un sistema che funziona soltanto su dispositivi con memoria e capacità di calcolo molto ridotte, come i microcontrollori", "Un sistema progettato e addestrato per svolgere un compito specifico o un insieme limitato di compiti", "Un sistema capace di apprendere qualsiasi compito intellettuale umano senza bisogno di alcun riaddestramento, come farebbe una persona", "Un sistema in cui tutte le regole sono scritte a mano da esperti del settore e non possono mai essere modificate" ], "answer": [1], "explanation": "Tutti i sistemi attuali sono IA ristretta; l'intelligenza artificiale generale (AGI) resta un obiettivo ipotetico.", "id": 4 }, { "topic": "Storia e concetti di base", "type": "single", "difficulty": 1, "text": "Quale sistema di IBM sconfisse il campione del mondo di scacchi Garry Kasparov in un match del 1997?", "options": [ "AlphaGo, sviluppato da DeepMind e addestrato con apprendimento per rinforzo", "Watson, il sistema che vinse il quiz televisivo Jeopardy!", "ELIZA, il primo programma di conversazione in linguaggio naturale", "Deep Blue, un computer specializzato nella ricerca di mosse" ], "answer": [3], "explanation": "Deep Blue batté Kasparov nel 1997; AlphaGo (Go, 2016) e Watson (Jeopardy!, 2011) vennero dopo.", "id": 5 }, { "topic": "Storia e concetti di base", "type": "single", "difficulty": 1, "text": "Quale sistema di DeepMind sconfisse il campione di Go Lee Sedol nel 2016?", "options": [ "Deep Blue, che esplorava milioni di posizioni al secondo", "AlphaFold, specializzato nella previsione di strutture proteiche", "AlphaGo, che combinava reti neurali profonde e ricerca ad albero", "Stockfish, un motore scacchistico open source" ], "answer": [2], "explanation": "AlphaGo vinse 4-1 contro Lee Sedol nel marzo 2016.", "id": 6 }, { "topic": "Machine learning classico", "type": "single", "difficulty": 1, "text": "Quale paradigma di apprendimento usa esempi in cui è già nota la risposta corretta (etichetta)?", "options": [ "Apprendimento supervisionato, basato su coppie di input ed etichetta", "Apprendimento autonomo senza dati, basato solo su regole scritte a mano", "Apprendimento non supervisionato, che cerca strutture nei dati senza etichette", "Apprendimento per rinforzo, basato su ricompense ricevute da un ambiente" ], "answer": [0], "explanation": "Nel supervisionato il modello impara una funzione dagli input alle etichette note.", "id": 7 }, { "topic": "Machine learning classico", "type": "single", "difficulty": 2, "text": "Un'azienda vuole raggruppare i clienti in segmenti omogenei senza avere categorie predefinite. Quale approccio è il più adatto?", "options": [ "Apprendimento per rinforzo, con una ricompensa per ogni segmento", "Clustering, un metodo di apprendimento non supervisionato", "Classificazione supervisionata, con segmenti già etichettati a priori", "Regressione lineare, per prevedere l'importo di un acquisto" ], "answer": [1], "explanation": "Il clustering raggruppa esempi simili senza etichette (ad esempio con k-means).", "id": 8 }, { "topic": "Machine learning classico", "type": "single", "difficulty": 2, "text": "In un problema di apprendimento per rinforzo, che cosa cerca di massimizzare l'agente?", "options": [ "La ricompensa cumulativa ottenuta interagendo con l'ambiente nel tempo", "La varianza spiegata dalle prime componenti principali dei dati osservati nell'ambiente", "Il numero di parametri attivi nella rete durante ogni passo di addestramento della politica", "La precisione sul test set, calcolata su dati etichettati in precedenza da esperti umani" ], "answer": [0], "explanation": "L'agente impara una politica che massimizza la somma (scontata) delle ricompense future.", "id": 9 }, { "topic": "Machine learning classico", "type": "single", "difficulty": 1, "text": "Che cos'è l'overfitting?", "options": [ "Il modello è troppo semplice e non riesce a cogliere nemmeno i dati di addestramento che ha già visto molte volte", "Il modello si adatta così bene ai dati di addestramento da generalizzare male su dati nuovi", "Il modello usa troppa memoria della GPU durante la fase di inferenza e rallenta in modo evidente le risposte", "Il modello viene addestrato troppo in fretta, con un learning rate molto basso e un numero esiguo di epoche" ], "answer": [1], "explanation": "Overfitting = memorizzazione del rumore del training set; l'errore su dati nuovi è molto più alto.", "id": 10 }, { "topic": "Machine learning classico", "type": "single", "difficulty": 2, "text": "A che cosa serve l'analisi delle componenti principali (PCA)?", "options": [ "Aumentare il numero di esempi disponibili generando nuove righe sintetiche a partire dai dati", "Ottimizzare la velocità di calcolo delle moltiplicazioni di matrici eseguite su GPU e acceleratori", "Etichettare automaticamente gli esempi non classificati con la classe più frequente nel dataset", "Ridurre il numero di variabili proiettando i dati sulle direzioni di massima varianza" ], "answer": [3], "explanation": "La PCA è una tecnica di riduzione della dimensionalità non supervisionata.", "id": 11 }, { "topic": "Machine learning classico", "type": "single", "difficulty": 1, "text": "Quale algoritmo assegna ogni punto al centroide più vicino e ricalcola i centroidi fino alla convergenza?", "options": [ "Algoritmo k-means, usato per il clustering", "Albero decisionale, che divide i dati con regole successive", "Naive Bayes, basato sul teorema di Bayes", "Regressione logistica, con soglia sulla probabilità stimata" ], "answer": [0], "explanation": "k-means alterna assegnazione ai centroidi e aggiornamento dei centroidi.", "id": 12 }, { "topic": "Reti neurali e deep learning", "type": "single", "difficulty": 1, "text": "Quale funzione di attivazione restituisce max(0, x)?", "options": [ "Softmax, che trasforma un vettore in una distribuzione di probabilità", "ReLU (Rectified Linear Unit), molto usata nelle reti profonde", "Tangente iperbolica, che comprime i valori tra -1 e 1", "Sigmoide, che comprime i valori nell'intervallo tra 0 e 1" ], "answer": [1], "explanation": "ReLU(x) = max(0, x).", "id": 13 }, { "topic": "Reti neurali e deep learning", "type": "single", "difficulty": 2, "text": "Quale algoritmo calcola i gradienti della funzione di perdita rispetto ai pesi propagando l'errore dall'uscita verso gli strati precedenti?", "options": [ "Campionamento di Gibbs, usato nei modelli probabilistici", "Algoritmo k-nearest neighbors, che memorizza gli esempi di addestramento", "Discesa del gradiente stocastica, che usa solo i gradienti già calcolati", "Backpropagation, applicazione della regola della catena" ], "answer": [3], "explanation": "La backpropagation calcola i gradienti; l'ottimizzatore (SGD, Adam…) li usa per aggiornare i pesi.", "id": 14 }, { "topic": "Reti neurali e deep learning", "type": "single", "difficulty": 1, "text": "Quale tipo di rete neurale è stato per anni l'architettura di riferimento per classificare immagini?", "options": [ "Le reti ricorrenti LSTM, progettate per sequenze temporali", "Gli autoencoder variazionali, usati per generare dati", "Le macchine di Boltzmann ristrette, usate nei sistemi di raccomandazione", "Le reti convoluzionali (CNN), che applicano filtri su regioni locali" ], "answer": [3], "explanation": "Le CNN sfruttano località e condivisione dei pesi, ideali per immagini.", "id": 15 }, { "topic": "Reti neurali e deep learning", "type": "single", "difficulty": 2, "text": "Che cosa fa la tecnica del dropout durante l'addestramento?", "options": [ "Spegne casualmente una frazione di neuroni a ogni passo per ridurre l'overfitting", "Interrompe l'addestramento quando l'errore sul validation set smette di migliorare", "Riduce il learning rate man mano che l'addestramento procede", "Elimina in modo permanente i neuroni con pesi più piccoli per velocizzare l'inferenza" ], "answer": [0], "explanation": "Il dropout è una forma di regolarizzazione: disattiva neuroni a caso a ogni iterazione di training.", "id": 16 }, { "topic": "Reti neurali e deep learning", "type": "single", "difficulty": 1, "text": "Che cosa controlla il learning rate (tasso di apprendimento)?", "options": [ "L'ampiezza del passo con cui i pesi vengono aggiornati a ogni iterazione", "La velocità con cui il modello risponde agli utenti durante la fase di inferenza", "La percentuale di dati riservata alla validazione e al test finale del modello", "Il numero di strati nascosti e di neuroni presenti in ciascuno strato della rete neurale" ], "answer": [0], "explanation": "Un learning rate troppo alto può far divergere l'addestramento, troppo basso lo rende lentissimo.", "id": 17 }, { "topic": "Linguaggio naturale e LLM", "type": "single", "difficulty": 1, "text": "Quale architettura, presentata nel 2017 nell'articolo «Attention Is All You Need», è alla base dei moderni modelli linguistici di grandi dimensioni?", "options": [ "La macchina a vettori di supporto, basata sul massimo margine", "La rete ricorrente LSTM, basata su celle con memoria a lungo termine", "Il Transformer, basato sul meccanismo di attenzione", "La rete convoluzionale ResNet, basata su connessioni residue" ], "answer": [2], "explanation": "Il Transformer sostituisce la ricorrenza con l'attenzione ed è parallelizzabile in addestramento.", "id": 18 }, { "topic": "Linguaggio naturale e LLM", "type": "single", "difficulty": 1, "text": "Nel contesto dei modelli linguistici, che cos'è un «token»?", "options": [ "Un blocco di memoria della GPU riservato ai pesi e alle attivazioni intermedie del modello", "Una chiave segreta che autorizza l'accesso all'interfaccia di programmazione (API) del modello", "Un parametro numerico che regola la creatività e la variabilità delle risposte generate", "Un'unità di testo (parola, parte di parola o simbolo) in cui viene suddiviso l'input" ], "answer": [3], "explanation": "I testi vengono convertiti in sequenze di token prima di entrare nel modello.", "id": 19 }, { "topic": "Linguaggio naturale e LLM", "type": "single", "difficulty": 1, "text": "Che cosa indica il termine «allucinazione» riferito a un modello linguistico?", "options": [ "La capacità del modello di riconoscere immagini anche molto sfocate o di bassa qualità", "Il fenomeno per cui il modello rifiuta di rispondere a domande sensibili o potenzialmente pericolose", "La generazione di contenuti plausibili ma falsi o non supportati da fonti", "Un errore hardware che produce caratteri casuali nell'output del modello durante la generazione" ], "answer": [2], "explanation": "Le allucinazioni sono affermazioni fluenti ma inventate o errate.", "id": 20 }, { "topic": "Linguaggio naturale e LLM", "type": "single", "difficulty": 2, "text": "Che cosa significa RAG (Retrieval-Augmented Generation)?", "options": [ "Il modello genera risposte volutamente casuali per aumentare la varietà e l'originalità del testo prodotto", "Il modello comprime i propri pesi con tecniche di quantizzazione per poter girare su dispositivi mobili", "Il modello viene riaddestrato da zero ogni notte con tutte le domande ricevute dagli utenti nel corso della giornata", "Il modello recupera documenti pertinenti da una base di conoscenza e li usa come contesto per rispondere" ], "answer": [3], "explanation": "RAG affianca ricerca (retrieval) e generazione: riduce le allucinazioni e permette dati aggiornati senza riaddestrare.", "id": 21 }, { "topic": "Linguaggio naturale e LLM", "type": "single", "difficulty": 2, "text": "A che cosa serve il parametro «temperature» nella generazione di testo?", "options": [ "A misurare il calore dissipato dalla GPU durante l'inferenza e a regolare le ventole", "A stabilire la lunghezza massima della risposta, espressa in numero di token generati", "A regolare il grado di casualità con cui viene scelto il token successivo", "A decidere quanti documenti recuperare da una base di conoscenza prima di rispondere" ], "answer": [2], "explanation": "Temperature bassa = risposte più deterministiche; alta = più varie (e più rischiose).", "id": 22 }, { "topic": "Visione artificiale e IA generativa", "type": "single", "difficulty": 2, "text": "Quali due reti si sfidano in una GAN (Generative Adversarial Network)?", "options": [ "Un encoder e un decoder che comprimono in uno spazio latente e poi ricostruiscono lo stesso input di partenza", "Un generatore, che crea esempi, e un discriminatore, che prova a distinguerli da quelli reali", "Un agente e un ambiente che si scambiano azioni e ricompense a ogni passo di interazione, nell'apprendimento per rinforzo", "Un classificatore e un regressore addestrati in parallelo sugli stessi dati etichettati da esperti" ], "answer": [1], "explanation": "Il gioco avversario tra generatore e discriminatore (Goodfellow, 2014) porta a campioni sempre più realistici.", "id": 23 }, { "topic": "Visione artificiale e IA generativa", "type": "single", "difficulty": 2, "text": "Come generano immagini i modelli di diffusione?", "options": [ "Copiano pixel e ritagli da immagini simili presenti nell'archivio di addestramento e li ricompongono", "Partono da rumore casuale e lo ripuliscono gradualmente, guidati dal testo di descrizione", "Sovrappongono filtri convoluzionali fissi a una fotografia scelta dall'utente, senza alcun addestramento", "Partono da un'immagine nitida e la comprimono fino a ottenere una descrizione testuale di poche parole" ], "answer": [1], "explanation": "La diffusione impara a invertire un processo che aggiunge rumore; in generazione rimuove rumore passo dopo passo.", "id": 24 }, { "topic": "Visione artificiale e IA generativa", "type": "single", "difficulty": 2, "text": "Quale compito di visione artificiale assegna una classe a ciascun pixel dell'immagine?", "options": [ "Super-risoluzione, che aumenta il numero di pixel di un'immagine", "Rilevamento di oggetti, che disegna rettangoli attorno agli oggetti", "Segmentazione semantica, che separa le regioni per categoria", "Classificazione di immagini, che assegna una sola etichetta all'intera immagine" ], "answer": [2], "explanation": "La segmentazione semantica produce una mappa di etichette pixel per pixel.", "id": 25 }, { "topic": "Dati, valutazione e MLOps", "type": "single", "difficulty": 2, "text": "Quale metrica indica, tra gli esempi predetti come positivi, la quota di quelli realmente positivi?", "options": [ "Recall, cioè la quota di positivi reali individuati dal modello", "RMSE, cioè la radice dell'errore quadratico medio", "Precision, cioè TP / (TP + FP)", "Accuracy, cioè la quota complessiva di predizioni corrette" ], "answer": [2], "explanation": "Precision = TP / (TP + FP); recall = TP / (TP + FN).", "id": 26 }, { "topic": "Dati, valutazione e MLOps", "type": "single", "difficulty": 1, "text": "Perché si tiene da parte un test set che non viene mai usato durante l'addestramento?", "options": [ "Per avere una stima onesta delle prestazioni su dati mai visti dal modello", "Per velocizzare l'addestramento riducendo la quantità di dati da elaborare", "Per poter scegliere gli iperparametri migliori provando molte configurazioni", "Per aumentare il numero di esempi disponibili nella fase di riaddestramento" ], "answer": [0], "explanation": "Il test set serve solo alla valutazione finale; per gli iperparametri si usa il validation set.", "id": 27 }, { "topic": "Etica, sicurezza e normativa", "type": "single", "difficulty": 2, "text": "Come classifica i sistemi di IA il Regolamento europeo sull'intelligenza artificiale (AI Act)?", "options": [ "In base alla potenza di calcolo usata: bassa, media, alta ed esaflop", "In base al livello di rischio: inaccettabile, alto, limitato e minimo", "In base al paese di origine dell'azienda che sviluppa il modello", "In base al settore commerciale: pubblico, privato, sanitario e finanziario" ], "answer": [1], "explanation": "L'AI Act adotta un approccio basato sul rischio, con divieti per le pratiche a rischio inaccettabile.", "id": 28 }, { "topic": "Hardware, strumenti e applicazioni", "type": "single", "difficulty": 1, "text": "Perché le GPU sono particolarmente adatte all'addestramento delle reti neurali?", "options": [ "Consumano meno energia di ogni altro tipo di processore, a parità di calcoli eseguiti", "Possono funzionare senza memoria dedicata, usando direttamente il disco durante il calcolo", "Eseguono in parallelo un enorme numero di operazioni su matrici e vettori", "Hanno una frequenza di clock molto più alta di qualsiasi CPU e completano ogni operazione prima" ], "answer": [2], "explanation": "L'addestramento è dominato da prodotti matriciali, molto parallelizzabili.", "id": 29 }, { "topic": "Hardware, strumenti e applicazioni", "type": "single", "difficulty": 1, "text": "Quale tra queste è una libreria open source per il deep learning sviluppata inizialmente da Meta (Facebook)?", "options": [ "TensorFlow, nato nei laboratori di Google Brain", "Scikit-learn, pensata per il machine learning classico", "PyTorch, molto diffusa nella ricerca", "Keras, interfaccia di alto livello originariamente creata da François Chollet" ], "answer": [2], "explanation": "PyTorch nasce nel laboratorio di ricerca sull'IA di Facebook (oggi Meta).", "id": 30 }, { "topic": "Storia e concetti di base", "type": "multiple", "difficulty": 2, "text": "Quali dei seguenti eventi sono avvenuti dopo il 2015? Seleziona i due corretti.", "options": [ "Il workshop di Dartmouth, organizzato nell'estate del 1956", "La partita in cui AlphaGo ha sconfitto Lee Sedol, giocata nel 2016", "La pubblicazione dell'articolo sul Transformer, uscito nel 2017", "La vittoria di Deep Blue su Kasparov, avvenuta nel 1997" ], "answer": [1, 2], "explanation": "AlphaGo-Lee Sedol (2016) e il Transformer (2017) sono posteriori al 2015; Deep Blue (1997) e Dartmouth (1956) no.", "id": 31 }, { "topic": "Machine learning classico", "type": "multiple", "difficulty": 2, "text": "Quali dei seguenti algoritmi appartengono all'apprendimento supervisionato? Seleziona i tre corretti.", "options": [ "DBSCAN, che individua gruppi in base alla densità dei punti", "k-means, che raggruppa i punti attorno a centroidi", "Macchina a vettori di supporto (SVM), che cerca il massimo margine", "Foresta casuale (random forest), che combina molti alberi decisionali", "Regressione logistica, che stima la probabilità di una classe" ], "answer": [2, 3, 4], "explanation": "k-means e DBSCAN sono algoritmi di clustering (non supervisionati).", "id": 32 }, { "topic": "Machine learning classico", "type": "multiple", "difficulty": 2, "text": "Quali tecniche aiutano a ridurre l'overfitting? Scegli le tre corrette.", "options": [ "Dropout, che spegne casualmente alcuni neuroni durante il training", "Aumentare le epoche all'infinito, anche dopo che la validazione ha smesso di migliorare", "Early stopping, che interrompe l'addestramento quando la validazione peggiora", "Regolarizzazione L2, che penalizza i pesi di valore elevato", "Ridurre il training set ai soli esempi più semplici da classificare" ], "answer": [0, 2, 3], "explanation": "Regolarizzazione, early stopping e dropout riducono l'overfitting; più epoche o meno dati lo peggiorano.", "id": 33 }, { "topic": "Reti neurali e deep learning", "type": "multiple", "difficulty": 2, "text": "Quali dei seguenti sono funzioni di attivazione? Seleziona le tre corrette.", "options": [ "Adam, che adatta il passo di aggiornamento di ogni parametro", "Sigmoide, con uscita compresa tra 0 e 1", "Entropia incrociata, usata per misurare l'errore di classificazione", "ReLU, che azzera i valori negativi", "Tangente iperbolica (tanh), con uscita compresa tra -1 e 1" ], "answer": [1, 3, 4], "explanation": "L'entropia incrociata è una funzione di perdita; Adam è un ottimizzatore.", "id": 34 }, { "topic": "Reti neurali e deep learning", "type": "multiple", "difficulty": 2, "text": "Quali dei seguenti sono algoritmi di ottimizzazione usati per addestrare reti neurali? Seleziona i due corretti.", "options": [ "Adam, che mantiene stime dei momenti del gradiente", "Softmax, che normalizza le uscite in probabilità", "Discesa del gradiente stocastica (SGD), che aggiorna i pesi su mini-batch", "Dropout, che disattiva casualmente alcuni neuroni", "ReLU, che introduce la non linearità nei neuroni" ], "answer": [0, 2], "explanation": "Adam e SGD sono ottimizzatori; gli altri sono funzioni di attivazione o tecniche di regolarizzazione.", "id": 35 }, { "topic": "Linguaggio naturale e LLM", "type": "multiple", "difficulty": 3, "text": "Quali tecniche permettono di adattare un modello linguistico a un dominio specifico? Seleziona le tre corrette.", "options": [ "Aumentare il learning rate fino a far divergere l'addestramento del modello", "RAG, che fornisce al modello documenti recuperati da una base di conoscenza", "Fine-tuning su esempi del dominio, che aggiorna i pesi del modello", "Rimuovere il tokenizer dal modello prima di usarlo per l'inferenza", "Prompt con esempi (few-shot), che mostrano il formato di risposta desiderato" ], "answer": [1, 2, 4], "explanation": "Fine-tuning, RAG e few-shot prompting sono strategie comuni di adattamento; le altre opzioni danneggiano il modello.", "id": 36 }, { "topic": "Visione artificiale e IA generativa", "type": "multiple", "difficulty": 2, "text": "Quali dei seguenti sono esempi di modelli generativi? Seleziona i tre corretti.", "options": [ "Una regressione lineare che stima il prezzo di un immobile", "Un modello di diffusione che crea immagini da una descrizione testuale", "Una GAN che genera volti sintetici realistici", "Un modello linguistico che scrive un testo a partire da un prompt", "Un filtro antispam che assegna a ogni e-mail l'etichetta «spam» o «non spam»" ], "answer": [1, 2, 3], "explanation": "Il filtro antispam e la regressione sono modelli discriminativi/predittivi, non generativi.", "id": 37 }, { "topic": "Dati, valutazione e MLOps", "type": "multiple", "difficulty": 2, "text": "Quali dei seguenti sono metriche per problemi di classificazione? Seleziona le tre corrette.", "options": [ "RMSE, radice dell'errore quadratico medio sui valori numerici", "Punteggio F1, media armonica di precision e recall", "Accuracy, quota di predizioni corrette sul totale", "Recall, quota di positivi reali individuati dal modello", "MAE, errore assoluto medio tra valori previsti e reali" ], "answer": [1, 2, 3], "explanation": "RMSE e MAE sono metriche tipiche della regressione.", "id": 38 }, { "topic": "Dati, valutazione e MLOps", "type": "multiple", "difficulty": 2, "text": "Quali pratiche rientrano nel MLOps? Seleziona le tre corrette.", "options": [ "Versionare dataset, codice e modelli per poter riprodurre i risultati", "Monitorare il drift dei dati e delle prestazioni in produzione", "Eliminare i log di inferenza per evitare di analizzare gli errori", "Automatizzare test e rilascio con pipeline di integrazione continua", "Addestrare il modello una sola volta e non controllarlo mai più" ], "answer": [0, 1, 3], "explanation": "Il MLOps porta nel machine learning le pratiche DevOps: monitoraggio, versionamento e automazione.", "id": 39 }, { "topic": "Etica, sicurezza e normativa", "type": "multiple", "difficulty": 2, "text": "Quali misure aiutano a mitigare il bias in un sistema di IA? Seleziona le due corrette.", "options": [ "Usare solo i dati del gruppo più numeroso per avere un dataset omogeneo", "Eliminare ogni documentazione sul modello per evitare contestazioni", "Misurare le prestazioni separatamente per gruppo con metriche di equità", "Verificare che i dati di addestramento rappresentino adeguatamente i diversi gruppi" ], "answer": [2, 3], "explanation": "Audit dei dati e metriche per gruppo sono pratiche standard; le altre opzioni peggiorano il problema.", "id": 40 }, { "topic": "Etica, sicurezza e normativa", "type": "multiple", "difficulty": 3, "text": "Quali pratiche sono vietate dall'AI Act europeo in quanto a rischio inaccettabile? Seleziona le due corrette.", "options": [ "Un chatbot di assistenza clienti che si dichiara un'IA", "La manipolazione subliminale che induce a comportamenti dannosi", "Un filtro antispam che classifica le e-mail in arrivo", "Un assistente vocale che imposta sveglie e promemoria", "Il «social scoring» di cittadini da parte delle autorità pubbliche" ], "answer": [1, 4], "explanation": "Il social scoring pubblico e le tecniche manipolative dannose sono tra le pratiche vietate; chatbot e filtri non lo sono.", "id": 41 }, { "topic": "Hardware, strumenti e applicazioni", "type": "multiple", "difficulty": 1, "text": "Quali dei seguenti sono acceleratori hardware usati per l'IA? Seleziona i due corretti.", "options": [ "Disco rigido meccanico, usato per archiviare grandi dataset", "GPU (Graphics Processing Unit), molto usate per l'addestramento", "TPU (Tensor Processing Unit), progettata da Google per calcoli tensoriali", "Router Wi-Fi, usato per collegare dispositivi alla rete locale" ], "answer": [1, 2], "explanation": "GPU e TPU accelerano i calcoli di deep learning; disco e router non eseguono calcoli di rete neurale.", "id": 42 }, { "topic": "Storia e concetti di base", "type": "truefalse", "difficulty": 2, "text": "Il perceptron fu introdotto da Frank Rosenblatt alla fine degli anni Cinquanta.", "answer": true, "explanation": "Rosenblatt presentò il perceptron nel 1958.", "id": 43 }, { "topic": "Storia e concetti di base", "type": "truefalse", "difficulty": 1, "text": "Il machine learning è un sottoinsieme dell'intelligenza artificiale.", "answer": true, "explanation": "L'IA è il campo più ampio; il machine learning ne è una parte.", "id": 44 }, { "topic": "Machine learning classico", "type": "truefalse", "difficulty": 2, "text": "Un modello che raggiunge il 99% di accuracy è sempre un buon modello, anche se il 99% degli esempi appartiene a una sola classe.", "answer": false, "explanation": "Con classi molto sbilanciate basta predire sempre la classe maggioritaria per ottenere il 99%: servono precision, recall e altre metriche.", "id": 45 }, { "topic": "Machine learning classico", "type": "truefalse", "difficulty": 1, "text": "Nell'apprendimento non supervisionato i dati di addestramento sono sempre accompagnati da etichette.", "answer": false, "explanation": "È proprio l'assenza di etichette a caratterizzarlo.", "id": 46 }, { "topic": "Reti neurali e deep learning", "type": "truefalse", "difficulty": 2, "text": "La regolarizzazione L2 penalizza i pesi di valore elevato.", "answer": true, "explanation": "Aggiunge alla perdita un termine proporzionale alla somma dei quadrati dei pesi.", "id": 47 }, { "topic": "Linguaggio naturale e LLM", "type": "truefalse", "difficulty": 1, "text": "Il fine-tuning aggiorna, almeno in parte, i pesi di un modello già addestrato.", "answer": true, "explanation": "Si riparte da un modello preaddestrato e lo si specializza con nuovi dati.", "id": 48 }, { "topic": "Linguaggio naturale e LLM", "type": "truefalse", "difficulty": 2, "text": "Un modello linguistico, per come è costruito, consulta Internet in tempo reale a ogni risposta.", "answer": false, "explanation": "Salvo strumenti esterni (ricerca, RAG), risponde usando solo ciò che ha appreso in addestramento e il contesto fornito.", "id": 49 }, { "topic": "Etica, sicurezza e normativa", "type": "truefalse", "difficulty": 2, "text": "Il GDPR può applicarsi anche ai dati personali usati per addestrare un modello di IA.", "answer": true, "explanation": "Se i dati riguardano persone identificabili, valgono gli obblighi del GDPR.", "id": 50 }, { "topic": "Hardware, strumenti e applicazioni", "type": "truefalse", "difficulty": 3, "text": "AlphaFold, sistema di DeepMind per la previsione della struttura delle proteine, è stato riconosciuto con un premio Nobel nel 2024.", "answer": true, "explanation": "Demis Hassabis e John Jumper hanno ricevuto il Nobel per la Chimica 2024 (con David Baker).", "id": 51 }, { "topic": "Visione artificiale e IA generativa", "type": "truefalse", "difficulty": 2, "text": "Le reti convoluzionali possono essere usate soltanto con le immagini.", "answer": false, "explanation": "Le convoluzioni si usano anche su audio, testo e serie temporali.", "id": 52 }, { "topic": "Dati, valutazione e MLOps", "type": "truefalse", "difficulty": 2, "text": "Nella validazione incrociata k-fold ogni sottoinsieme viene usato, in iterazioni diverse, sia per l'addestramento sia per la validazione.", "answer": true, "explanation": "I dati sono divisi in k parti; a turno una funge da validazione e le altre da training.", "id": 53 }, { "topic": "Etica, sicurezza e normativa", "type": "truefalse", "difficulty": 3, "text": "Con «prompt injection» si indica l'aumento del numero di parametri di un modello dopo l'addestramento.", "answer": false, "explanation": "La prompt injection è un attacco in cui istruzioni malevole nascoste nell'input manipolano il comportamento del modello.", "id": 54 }, { "topic": "Storia e concetti di base", "type": "ordering", "difficulty": 2, "text": "Disponi in ordine cronologico, dal più antico al più recente, questi eventi della storia dell'IA.", "items": [ "Articolo di Turing sul gioco dell'imitazione (1950)", "Workshop di Dartmouth (1956)", "Deep Blue batte Kasparov (1997)", "AlexNet vince la gara ImageNet (2012)", "Pubblicazione del Transformer (2017)", "Lancio pubblico di ChatGPT (2022)" ], "explanation": "Dal 1950 al 2022: Turing, Dartmouth, Deep Blue, AlexNet, Transformer, ChatGPT.", "id": 55 }, { "topic": "Dati, valutazione e MLOps", "type": "ordering", "difficulty": 2, "text": "Metti nell'ordine corretto le fasi tipiche di un progetto di machine learning.", "items": [ "Raccolta dei dati", "Pulizia e preparazione dei dati", "Suddivisione in training, validation e test set", "Addestramento del modello", "Valutazione sul test set", "Rilascio in produzione e monitoraggio" ], "explanation": "Dati → preparazione → suddivisione → addestramento → valutazione → deployment e monitoraggio.", "id": 56 }, { "topic": "Reti neurali e deep learning", "type": "ordering", "difficulty": 2, "text": "Ordina i passi di una singola iterazione di addestramento di una rete neurale.", "items": [ "Passaggio in avanti (forward pass) sui dati del mini-batch", "Calcolo della funzione di perdita", "Passaggio all'indietro per calcolare i gradienti", "Aggiornamento dei pesi con l'ottimizzatore" ], "explanation": "Forward → perdita → backward (gradienti) → aggiornamento dei pesi.", "id": 57 }, { "topic": "Linguaggio naturale e LLM", "type": "ordering", "difficulty": 3, "text": "Ordina i passi di una pipeline RAG.", "items": [ "Conversione della domanda in un vettore (embedding)", "Ricerca dei documenti più simili nell'archivio vettoriale", "Costruzione del prompt con la domanda e i documenti trovati", "Generazione della risposta da parte del modello linguistico" ], "explanation": "Embedding della domanda → ricerca → prompt arricchito → generazione.", "id": 58 }, { "topic": "Linguaggio naturale e LLM", "type": "ordering", "difficulty": 3, "text": "Ordina i passi dell'inferenza di un modello linguistico, dalla richiesta alla risposta leggibile.", "items": [ "Tokenizzazione del testo di input", "Conversione dei token in embedding", "Elaborazione negli strati del Transformer", "Scelta (campionamento) del token successivo", "Ricomposizione dei token in testo leggibile" ], "explanation": "Tokenizzazione → embedding → strati Transformer → campionamento → detokenizzazione.", "id": 59 }, { "topic": "Storia e concetti di base", "type": "ordering", "difficulty": 3, "text": "Ordina cronologicamente queste tappe del deep learning e dei sistemi di gioco.", "items": [ "Perceptron (1958)", "Diffusione della backpropagation (1986)", "Deep Blue batte Kasparov (1997)", "AlphaGo batte Lee Sedol (2016)", "GPT-3 con 175 miliardi di parametri (2020)" ], "explanation": "Perceptron 1958, backpropagation 1986, Deep Blue 1997, AlphaGo 2016, GPT-3 2020.", "id": 60 }, { "topic": "Storia e concetti di base", "type": "matching", "difficulty": 2, "text": "Abbina ogni personaggio al suo contributo.", "pairs": [ { "left": "Alan Turing", "right": "Test di Turing" }, { "left": "John McCarthy", "right": "Coniò il termine «intelligenza artificiale»" }, { "left": "Frank Rosenblatt", "right": "Perceptron" }, { "left": "Ian Goodfellow", "right": "Reti generative avversarie (GAN)" }, { "left": "Geoffrey Hinton", "right": "Pioniere del deep learning, Nobel per la Fisica 2024" } ], "explanation": "Turing (1950), McCarthy (Dartmouth 1956), Rosenblatt (1958), Goodfellow (2014), Hinton (Nobel 2024 con Hopfield).", "id": 61 }, { "topic": "Machine learning classico", "type": "matching", "difficulty": 2, "text": "Abbina ogni algoritmo al problema che risolve.", "pairs": [ { "left": "k-means", "right": "Raggruppare esempi simili (clustering)" }, { "left": "PCA", "right": "Ridurre la dimensionalità dei dati" }, { "left": "Regressione lineare", "right": "Prevedere un valore numerico continuo" }, { "left": "Albero decisionale", "right": "Classificare con regole if-then successive" }, { "left": "Q-learning", "right": "Imparare una politica con ricompense (rinforzo)" } ], "explanation": "Ogni algoritmo appartiene a una famiglia diversa del machine learning.", "id": 62 }, { "topic": "Reti neurali e deep learning", "type": "matching", "difficulty": 2, "text": "Abbina ogni architettura al dominio in cui è tipicamente usata.", "pairs": [ { "left": "CNN", "right": "Immagini" }, { "left": "LSTM", "right": "Sequenze e serie temporali" }, { "left": "Transformer", "right": "Linguaggio naturale e sequenze lunghe" }, { "left": "GAN", "right": "Generazione di dati sintetici" }, { "left": "Autoencoder", "right": "Compressione e ricostruzione dei dati" } ], "explanation": "CNN → immagini, LSTM → sequenze, Transformer → linguaggio, GAN → generazione, autoencoder → compressione.", "id": 63 }, { "topic": "Dati, valutazione e MLOps", "type": "matching", "difficulty": 2, "text": "Abbina ogni metrica alla sua definizione.", "pairs": [ { "left": "Precision", "right": "TP / (TP + FP)" }, { "left": "Recall", "right": "TP / (TP + FN)" }, { "left": "Accuracy", "right": "Predizioni corrette / predizioni totali" }, { "left": "RMSE", "right": "Radice dell'errore quadratico medio (regressione)" } ], "explanation": "Le prime tre sono metriche di classificazione; RMSE è tipica della regressione.", "id": 64 }, { "topic": "Hardware, strumenti e applicazioni", "type": "matching", "difficulty": 2, "text": "Abbina ogni sigla al suo significato.", "pairs": [ { "left": "GPU", "right": "Graphics Processing Unit" }, { "left": "TPU", "right": "Tensor Processing Unit" }, { "left": "CUDA", "right": "Piattaforma NVIDIA di calcolo parallelo" }, { "left": "ONNX", "right": "Formato aperto per lo scambio di modelli" } ], "explanation": "GPU e TPU sono acceleratori; CUDA è la piattaforma di programmazione NVIDIA; ONNX è un formato di interscambio.", "id": 65 }, { "topic": "Etica, sicurezza e normativa", "type": "matching", "difficulty": 3, "text": "Abbina ogni concetto alla sua descrizione.", "pairs": [ { "left": "Bias algoritmico", "right": "Distorsione sistematica negli esiti del modello" }, { "left": "Explainability", "right": "Capacità di spiegare perché è stata presa una decisione" }, { "left": "Federated learning", "right": "Addestramento distribuito senza centralizzare i dati" }, { "left": "Privacy differenziale", "right": "Rumore aggiunto per proteggere i singoli individui" } ], "explanation": "Quattro concetti chiave di IA responsabile.", "id": 66 }, { "topic": "Storia e concetti di base", "type": "numeric", "difficulty": 1, "text": "In che anno si tenne il workshop di Dartmouth in cui fu coniato il termine «intelligenza artificiale»?", "answer": 1956, "explanation": "Estate 1956.", "id": 67 }, { "topic": "Dati, valutazione e MLOps", "type": "numeric", "difficulty": 2, "text": "Un classificatore ottiene TP = 40 e FP = 10. Quanto vale la precision? (valore decimale)", "answer": { "value": 0.8, "tolerance": 0.01 }, "explanation": "Precision = 40 / (40 + 10) = 0,8.", "id": 68 }, { "topic": "Dati, valutazione e MLOps", "type": "numeric", "difficulty": 2, "text": "Un classificatore ottiene TP = 40 e FN = 60. Quanto vale il recall? (valore decimale)", "answer": { "value": 0.4, "tolerance": 0.01 }, "explanation": "Recall = 40 / (40 + 60) = 0,4.", "id": 69 }, { "topic": "Dati, valutazione e MLOps", "type": "numeric", "difficulty": 1, "text": "Un modello classifica correttamente 90 esempi su 120. Qual è l'accuracy in percentuale?", "answer": { "value": 75, "tolerance": 0.5, "unit": "%" }, "explanation": "90 / 120 = 0,75 = 75%.", "id": 70 }, { "topic": "Reti neurali e deep learning", "type": "numeric", "difficulty": 3, "text": "Uno strato denso ha 100 ingressi e 50 neuroni, ciascuno con un bias. Quanti parametri addestrabili contiene?", "answer": 5050, "explanation": "100 × 50 pesi + 50 bias = 5050.", "id": 71 }, { "topic": "Reti neurali e deep learning", "type": "numeric", "difficulty": 3, "text": "Un peso vale 0,5, il gradiente della perdita rispetto a esso è 0,2 e il learning rate è 0,1. Quanto vale il peso dopo un passo di discesa del gradiente?", "answer": { "value": 0.48, "tolerance": 0.005 }, "explanation": "w ← w − η·g = 0,5 − 0,1 × 0,2 = 0,48.", "id": 72 }, { "topic": "Dati, valutazione e MLOps", "type": "numeric", "difficulty": 2, "text": "Un dataset di 1000 esempi è diviso in 5 fold di pari dimensione. Quanti esempi contiene il fold di validazione a ogni iterazione?", "answer": 200, "explanation": "1000 / 5 = 200.", "id": 73 }, { "topic": "Linguaggio naturale e LLM", "type": "numeric", "difficulty": 2, "text": "Quanti miliardi di parametri aveva il modello linguistico GPT-3, presentato nel 2020?", "answer": { "value": 175, "unit": "miliardi" }, "explanation": "GPT-3 aveva 175 miliardi di parametri.", "id": 74 }, { "topic": "Machine learning classico", "type": "scenario", "difficulty": 3, "text": "Previsione dell'abbandono dei clienti", "context": "Una compagnia telefonica vuole prevedere quali clienti disdiranno il contratto entro tre mesi. Dispone di cinque anni di storico in cui ogni cliente è marcato «ha disdetto» oppure «non ha disdetto». Soltanto il 4% dei clienti ha disdetto.", "parts": [ { "type": "single", "text": "Che tipo di problema di machine learning è questo?", "options": [ "Clustering non supervisionato di tutti i clienti in segmenti", "Classificazione supervisionata binaria sui dati etichettati", "Apprendimento per rinforzo con ricompensa per ogni disdetta", "Riduzione della dimensionalità per comprimere lo storico" ], "answer": [1], "explanation": "Esiste un'etichetta nota (disdetta sì/no): è classificazione supervisionata binaria." }, { "type": "truefalse", "text": "L'accuracy è, da sola, una metrica sufficiente per valutare questo modello.", "answer": false, "explanation": "Con il 96% di «non disdetta», un modello che predice sempre «non disdetta» avrebbe il 96% di accuracy senza servire a nulla." }, { "type": "numeric", "text": "Su 10.000 clienti, quanti ci si aspetta che disdicano, dato il 4%?", "answer": 400, "explanation": "10.000 × 0,04 = 400." } ], "id": 75 }, { "topic": "Visione artificiale e IA generativa", "type": "scenario", "difficulty": 3, "text": "Diagnostica per immagini", "context": "Un ospedale addestra una rete convoluzionale per individuare noduli nelle radiografie. Le immagini di addestramento provengono da un solo ospedale e l'accuracy in validazione è del 98%. Quando il modello viene provato in un altro ospedale, con apparecchi diversi, l'accuracy scende all'81%.", "parts": [ { "type": "single", "text": "Qual è la causa più probabile del calo?", "options": [ "Il learning rate era troppo basso durante l'addestramento", "Il modello ha troppi pochi strati per riconoscere un nodulo", "I dati di addestramento non rappresentano altri apparecchi e popolazioni: cambio di distribuzione", "Le radiografie del secondo ospedale hanno una risoluzione in pixel troppo bassa" ], "answer": [2], "explanation": "È un tipico caso di distribution shift/mancata generalizzazione." }, { "type": "single", "text": "Quale azione è più efficace per ridurre il problema?", "options": [ "Eliminare il validation set per usare più dati nel training", "Aggiungere epoche di addestramento sugli stessi dati del primo ospedale", "Sostituire la rete con una regressione lineare sui pixel", "Usare dati eterogenei di più strutture e validare su un ospedale esterno" ], "answer": [3], "explanation": "Dati più vari e validazione esterna migliorano la robustezza." }, { "type": "truefalse", "text": "Aumentare soltanto il numero di epoche sullo stesso dataset risolve il calo di accuracy nel secondo ospedale.", "answer": false, "explanation": "Più epoche sugli stessi dati peggiorano l'overfitting al dominio di origine." } ], "id": 76 }, { "topic": "Linguaggio naturale e LLM", "type": "scenario", "difficulty": 3, "text": "Assistente per le policy aziendali", "context": "Un'azienda costruisce un assistente interno basato su un modello linguistico per rispondere sulle policy del personale. A volte l'assistente cita articoli di policy che non esistono, con grande sicurezza.", "parts": [ { "type": "single", "text": "Come si chiama questo fenomeno?", "options": [ "Collasso della modalità (mode collapse)", "Drift dei dati in produzione", "Allucinazione del modello", "Overfitting dei pesi sul validation set" ], "answer": [2], "explanation": "Contenuti plausibili ma inventati sono allucinazioni." }, { "type": "single", "text": "Quale soluzione architetturale è la più indicata?", "options": [ "Eliminare le istruzioni di sistema per lasciare il modello libero", "Ridurre il numero di token consentiti a una sola parola", "Aumentare al massimo la temperature per ottenere più varietà", "RAG sui documenti ufficiali, con citazione delle fonti nella risposta" ], "answer": [3], "explanation": "RAG ancora le risposte a documenti reali e consente di citarli." }, { "type": "truefalse", "text": "Impostare la temperature a 0 elimina del tutto le allucinazioni.", "answer": false, "explanation": "Rende l'output più deterministico, non più veritiero." } ], "id": 77 }, { "topic": "Etica, sicurezza e normativa", "type": "scenario", "difficulty": 3, "text": "Selezione dei curriculum", "context": "Una società usa un algoritmo per preselezionare i curriculum. Un audit mostra che penalizza le candidate donne: il modello è stato addestrato sulle assunzioni passate, in cui la maggioranza dei selezionati era di sesso maschile.", "parts": [ { "type": "single", "text": "Qual è l'origine principale del problema?", "options": [ "Un errore di arrotondamento nei calcoli in virgola mobile", "La mancanza di GPU sufficienti per l'addestramento", "Il formato PDF dei curriculum, non leggibile dal modello", "Bias presente nei dati storici, appreso e riprodotto dal modello" ], "answer": [3], "explanation": "Il modello impara dai dati: se sono distorti, riproduce la distorsione." }, { "type": "single", "text": "Come considera l'AI Act i sistemi di IA usati per selezionare il personale?", "options": [ "Sistemi ad alto rischio, soggetti a requisiti stringenti", "Sistemi esclusi dal campo di applicazione del regolamento", "Pratiche vietate in ogni circostanza", "Sistemi a rischio minimo, senza alcun obbligo" ], "answer": [0], "explanation": "Reclutamento e gestione del personale rientrano tra gli usi ad alto rischio." }, { "type": "truefalse", "text": "Per eliminare il bias è sempre sufficiente togliere la colonna «genere» dai dati.", "answer": false, "explanation": "Altre variabili possono fare da proxy (ad esempio storia lavorativa o interruzioni di carriera)." } ], "id": 78 }, { "topic": "Dati, valutazione e MLOps", "type": "scenario", "difficulty": 3, "text": "Sistema antifrode in produzione", "context": "Un modello antifrode aveva ottime prestazioni al momento del lancio. Dopo otto mesi molte frodi non vengono più individuate: i truffatori hanno cambiato tecniche. Su 500 frodi mensili, il recall è sceso da 0,9 a 0,6.", "parts": [ { "type": "single", "text": "Come si chiama il fenomeno per cui il rapporto tra input e risposta corretta cambia nel tempo?", "options": [ "Normalizzazione per batch", "Overfitting sul test set", "Quantizzazione dei pesi", "Concept drift" ], "answer": [3], "explanation": "Quando cambiano le relazioni apprese si parla di concept drift (o, più in generale, di drift)." }, { "type": "single", "text": "Quale pratica di MLOps è la più appropriata per reagire?", "options": [ "Aumentare il learning rate del modello già in produzione", "Eliminare le frodi dal dataset per avere solo casi normali", "Spegnere il modello e basarsi solo sulle segnalazioni dei clienti", "Monitorare le metriche in produzione e riaddestrare con dati recenti" ], "answer": [3], "explanation": "Monitoraggio continuo e riaddestramento periodico sono il rimedio standard." }, { "type": "numeric", "text": "Quante frodi in più, rispetto a prima, non vengono individuate ogni mese?", "answer": 150, "explanation": "(0,9 − 0,6) × 500 = 150." } ], "id": 79 }, { "topic": "Hardware, strumenti e applicazioni", "type": "scenario", "difficulty": 3, "text": "Addestrare un modello da 7 miliardi di parametri", "context": "Una startup vuole addestrare un modello da 7 miliardi di parametri. I pesi sono memorizzati in FP16 (2 byte per parametro) e le GPU disponibili hanno 24 GB di memoria ciascuna.", "parts": [ { "type": "numeric", "text": "Quanta memoria occupano i soli pesi del modello, in GB (1 GB = 10^9 byte)?", "answer": { "value": 14, "tolerance": 0.5, "unit": "GB" }, "explanation": "7 × 10^9 × 2 byte = 14 × 10^9 byte = 14 GB." }, { "type": "single", "text": "Perché in addestramento serve molta più memoria dei soli pesi?", "options": [ "I pesi vengono duplicati per ogni parola del vocabolario", "Occorre memorizzare anche gradienti, stati dell'ottimizzatore e attivazioni", "La GPU deve conservare l'intero dataset di addestramento", "Il sistema operativo richiede 10 GB per ogni miliardo di parametri" ], "answer": [1], "explanation": "Gradienti, momenti di Adam e attivazioni possono moltiplicare il fabbisogno di memoria." }, { "type": "truefalse", "text": "La quantizzazione dei pesi (ad esempio da FP16 a INT8) riduce la memoria occupata dal modello.", "answer": true, "explanation": "Meno bit per parametro significa meno memoria, spesso con un piccolo calo di qualità." } ], "id": 80 } ] });