Descrizione

In un panorama digitale sempre più dominato dall’intelligenza artificiale, saper dialogare efficacemente con i modelli linguistici è una competenza strategica. Il corso Prompt Engineering & LLM offre un percorso intensivo di 5 giorni per acquisire le tecniche fondamentali e avanzate di progettazione dei prompt, con un focus su modelli come GPT, Claude, Gemini, LLaMA e Mistral.

Attraverso esercitazioni pratiche e casi d’uso reali, i partecipanti impareranno a:

• Comprendere il funzionamento dei LLM e le loro implicazioni etiche
• Configurare correttamente i parametri di prompting
• Applicare tecniche come Zero-shot, Few-shot, Chain-of-Thought, ReAct e Reflexion
• Ottimizzare i prompt con metodi iterativi e di debugging
• Integrare il prompting in task di scrittura, analisi dati, generazione di codice e molto altro

Target

Professionisti IT, data scientist, sviluppatori, analisti e figure tecniche con conoscenze di base in Python e Machine Learning, interessati a integrare l’AI generativa nei propri flussi di lavoro.

Prerequisiti

Basi di programmazione in Python e concetti di base di Machine Learning

Programma Corso

Introduzione ai Large Language Models (LLM)

• Cosa è un LLM (Large Language Models) e come funziona
• Prompt Engineering: definizione, obiettivi e impatti
• Il ruolo del prompt come interfaccia tra utente e modello
• Panoramica dei principali modelli: GPT, Claude, Gemini, LLaMA, Mistral, ecc.
• Differenze tra modelli e contesti d’uso

Sfide, Etica e Affidabilità

• Rischi: bias e distorsioni negli LLM
• Allucinazioni
• Prompt adversarial

Impostazioni di base del Prompting

• Parametri di configurazione: (Temperature, Top-p, Max Tokens..)
• Tokenizzazione e finestra di contesto
• Elementi chiave di un buon prompt

Tecniche pratiche di Prompt Engineering

• Zero-shot Prompting: fare richieste senza esempi
• Few-shot Prompting: fornire esempi per guidare il modello
• Chain-of-Thought: stimolare il ragionamento passo-passo
• Introduzione a tecniche più avanzate:
• Meta Prompting e Prompt Chaining: strutturare prompt complessi e modulari
• ReAct
• Self-Consistency
• Reflexion

Tecniche di miglioramento iterativo

• Refinement: come modificare un prompt per ottenere risposte più coerenti
• Prompt Debugging: identificare errori o ambiguità
• Prompt Evaluation: confronto tra diverse versioni per trovare la migliore
• Prompt con feedback: fare riflettere il modello sui propri output

Applicazioni e Integrazione

• Prompting per diversi obiettivi: scrittura, riassunto, classificazione, codice, dati
• Esercitazione pratica di prompt engineering su specifici task