La ricerca sull’eXplainable AI (XAI) è oggi al centro del dibattito sull’intelligenza artificiale affidabile: spiegare perché un modello produce una certa risposta è diventato un requisito tecnico, etico e normativo. Al cuore di questa sfida ci sono i Large Language Models, sistemi potenti ma difficili da interpretare proprio a causa della loro architettura opaca.
eXplainable AI
Spiegare l’intelligenza artificiale: la sfida dei valori di Shapley
I valori di Shapley misurano il contributo dei token nei Large Language Models, aprendo nuove frontiere per la trasparenza algoritmica. Modelli ibridi come Mamba e RWKV superano i limiti dei Transformer, riducendo consumi e rendendo più praticabile l’analisi interpretativa, anche in contesti normativi come l’AI Act europeo
Università degli Studi di Milano

Continua a leggere questo articolo
Argomenti
Canali
InnovAttori
-

Carlsberg mappa il genoma del luppolo: cosa cambia per la birra
19 Ott 2026 -

Dalla fabbrica connessa all’AI, il percorso di innovazione delle PMI umbre
16 Ott 2026 -

Come l’ERP spinge la trasformazione organizzativa in azienda
16 Ott 2026 -

Costruzioni, comprare tecnologia è facile: farla funzionare molto meno
01 Ott 2026 -

R&D, perché anche nei team tecnici l’adozione dell’AI deve partire dalle persone
30 Set 2026


























