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

Pubblicato il 27 mar 2026

Aggiungi tra i preferiti su Google

Ernesto Damiani

Università degli Studi di Milano

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.

@RIPRODUZIONE RISERVATA

Ernesto Damiani

Università degli Studi di Milano

Ernesto Damiani è Professore Ordinario di Informatica all’Università degli Studi di Milano, dove dirige il SESAR Lab. Ha ricoperto vari incarichi presso istituzioni internazionali, tra cui quello di Senior Director dell’Artificial Intelligence and Intelligent Systems Institute presso la Khalifa University negli Emirati Arabi Uniti. È inoltre stato Presidente del Consorzio CINI (Consorzio Interuniversitario Nazionale per l’Informatica) dal 2019 al 2025.

Seguimi su