Come nella maggior parte dei sistemi, l’IA è forte solo quanto il suo anello più debole. Se hai buoni dati ma nessun modo di elaborarli, non ottieni nulla; allo stesso modo, anche con l’architettura più avanzata, se la alimenti con dati di bassa qualità, i risultati saranno deludenti.
In questo capitolo discuteremo l’importanza di fornire dati di alta qualità per l’addestramento di un modello di IA e i criteri che i dati devono rispettare per essere considerati di qualità.
Esistono sistemi che utilizzano l’apprendimento simulato, dove un’IA interagisce con un ambiente virtuale e apprende per tentativi ed errori tramite il rinforzo (questo verrà spiegato nel capitolo 4). Per altri modelli di IA, i dati di addestramento rappresentano l’unica fonte di comprensione. Tutti gli schemi osservati dal modello derivano dai dati forniti. Questo perché l’IA, a differenza degli esseri umani, non ha un corpo o esperienze personali da cui trarre conoscenza, ma dipende esclusivamente dagli input per definire la sua “verità”. Non ha altri modi per testare le proprie conclusioni, a meno che non le venga successivamente comunicato che l’informazione è errata. Per questo motivo, i dati di alta qualità sono necessari al corretto funzionamento dei modelli di IA.
Ma cosa significa dati di alta qualità?
La prima considerazione è l’accuratezza. Esistono dataset etichettati e non etichettati, e l’accuratezza è fondamentale in entrambi i casi. Nei dati etichettati usati con apprendimento supervisionato (si veda il capitolo 4), l’accuratezza dipende da quanto dettagliate e corrette siano le etichette rispetto ai dati.
Esempio: puoi addestrare un’IA a riconoscere oggetti in un’immagine.
Example input image https://www.rspb.org.uk/birds-and-wildlife/robin
Esempio: puoi addestrare un’IA a riconoscere oggetti in un’immagine.
Immagine di esempio: pettirosso
Questa immagine potrebbe essere usata come input per addestrare un’IA. L’immagine è la stessa, ma le etichette possono variare a seconda della complessità desiderata. Una semplice etichetta potrebbe essere “uccello”: questo limiterà la comprensione dell’IA. Un dataset più avanzato potrebbe etichettare con “uccello, pettirosso, appollaiato, su un ramo, petto arancione, sfondo sfocato” e così via. È facile immaginare la differenza tra i modelli risultanti. Se usi un dataset inaffidabile, questa immagine potrebbe addirittura essere etichettata “gatto”. Naturalmente questo è un esempio estremo, ma se insegni all’IA che si tratta di un gatto, potrebbe confondere gli uccelli con i gatti. Per questo motivo è fondamentale utilizzare dati etichettati accurati e dettagliati.
Nel caso di dati non etichettati usati per l’apprendimento non supervisionato, si può pensare ai Large Language Model (LLM). Modelli come ChatGPT possono essere addestrati su testi non etichettati: articoli, tweet, post su Reddit, riviste scientifiche, ecc. L’IA usa questi dati per identificare schemi nella struttura delle frasi e creare relazioni tra parole. Con sufficiente quantità di dati, l’IA inizia a produrre frasi simili a quelle di un essere umano. Se però l’addestri su compiti scolastici scritti da bambini di 6 anni, otterrai output indesiderati. Ecco cosa significa “qualità” nel contesto di dati non etichettati.
In breve: se insegni cose false, l’IA non ha modo di correggerle. Assicurati che i dati siano di qualità, altrimenti potrebbe scambiare gatti per cani. Se addestri un modello su testi, questi devono essere coerenti e grammaticalmente corretti, altrimenti gli output potrebbero risultare privi di senso. Anche una piccola parte di dati di bassa qualità può contaminare il modello, poiché l’IA lavora su schemi e connessioni. La qualità dell’input è direttamente correlata alla qualità degli output.
Un’altra considerazione riguarda i bias incorporati. Anche se i dati non presentano errori tecnici, possono comunque generare enormi problemi se si trascurano i bias. In uno scandalo di PR, un’IA di riconoscimento facciale, addestrata prevalentemente su volti caucasici, ha identificato persone di altre etnie come primati. Questo problema può essere risolto considerando due ulteriori criteri di qualità: volume e diversità.
- Volume: più grande è la “mente” dell’IA – misurata in numero di parametri – più dati sono necessari per codificare correttamente i valori nei nodi. Non esiste una quantità fissa di dati da utilizzare, l’unico modo è testare l’IA e valutarne le prestazioni.
- Diversità: se i dati sono troppo simili, l’IA rischia di “overfittare” (specializzarsi eccessivamente) e non riconoscere schemi generali. Ad esempio, se in tutte le foto di uccelli c’è un cielo blu sullo sfondo, l’IA potrebbe associare il blu alla presenza di un uccello. Nei modelli di linguaggio, se addestri solo su articoli giornalistici, il modello produrrà sempre output “da giornalista”, perdendo la varietà necessaria.