Dialogo con Gemini.
Direi di riprendere il computer allestito per Ollama ed il precedente articolo sul neurone artificiale e cominciare a costruire il laboratorio AI per le scuole…
Costruire un laboratorio di Intelligenza Artificiale per scuole superiori (Licei ed ITS) significa trasformare concetti astratti in esperimenti tangibili, senza dipendere da costose sottoscrizioni cloud e garantendo piena sovranità sui dati.
Colleghiamo i due pilastri già esplorati:
- L’infrastruttura locale: il PC configurato con Ollama per l’inferenza di modelli open-weight (LLM, vision, embeddings).
- I fondamenti teorici: il neurone artificiale (il Perceptron), la minima unità computazionale da cui scaturisce l’intero paradigma del deep learning.
Titolo di lavoro: Dall’hardware al Perceptron: allestire il Laboratorio di AI per la scuola moderna
1. Il contesto: Perché un laboratorio locale a scuola
- Indipendenza e privacy (GDPR): Nessun invio di dati di studenti o documenti scolastici a provider terzi; tutto gira su rete locale (LAN).
- Demistificare l’AI: Mostrare che un LLM o una rete neurale non sono “magia”, ma algebra lineare, calcolo vettoriale e pipeline software eseguibili su una workstation d’istituto.
- Didattica multilivello:
- Liceo (Scientifico/Scienze Applicate): focus su matematica sottostante (vettori, matrici, derivate, funzioni di attivazione) e prompt/agent engineering.
- ITS (Tecnologico/Informatico): focus su architettura client-server, API REST, container Docker, quantizzazione dei pesi e deployment.
2. L’Architettura del Laboratorio
Il computer allestito con Ollama funge da Server AI centrale d’aula, accessibile dai computer degli studenti o dai loro portatili via rete locale.
| Componente | Ruolo Didattico | Stack Tecnologico |
|---|---|---|
| Server AI d’aula | Host dei modelli e motore di calcolo | Ubuntu/Debian/Windows, Ollama, driver CUDA/ROCm |
| Ambiente di lavoro | Notebook interattivi e script per gli studenti | JupyterLab / VS Code Server / Python 3.11+ |
| Librerie Core | Dalla matematica di base al machine learning | NumPy, Matplotlib, PyTorch / Scikit-learn |
| Interfaccia e API | Esplorazione rapida e integrazione software | Open WebUI, endpoint REST di Ollama (localhost:11434) |
3. Il Percorso Didattico: Dal Neurone Artificiale agli LLM
Il programma del laboratorio si articola in quattro tappe progressive, unendo teoria ed esecuzione pratica:
- Modulo 1: Il Neurone da zero (Python puro & NumPy)
- Implementare a mano il modello matematico y=f(∑wixi+b).
- Risolvere problemi linearmente separabili: le porte logiche AND e OR.
- Dimostrare il limite storico del singolo neurone (il problema dello XOR) per motivare le reti multistrato (MLP).
- Modulo 2: Addestramento e Discesa del Gradiente
- Visualizzare l’errore (Loss function) e l’aggiornamento iterativo dei pesi con Matplotlib.
- Introdurre PyTorch o micro-framework per vedere la backpropagation automatica.
- Modulo 3: Il ponte verso i modelli generativi (Ollama in LAN)
- Consumare l’API locale di Ollama tramite script Python (
requestso libreria ufficialeollama-python). - Estrazione di embedding: visualizzare nello spazio vettoriale la similarità semantica tra frasi usando PCA o t-SNE.
- Consumare l’API locale di Ollama tramite script Python (
- Modulo 4: Prime applicazioni concrete
- Creazione di una pipeline RAG (Retrieval-Augmented Generation) minimale per interrogare il regolamento d’istituto o un testo di storia locale.