I dati – il carburante dell'IA: perché sono i dati a decidere

Nella lezione su come una rete impara, il principio «garbage in, garbage out» è passato inosservato. È ora di prenderlo sul serio: i dati non sono un contorno, sono il carburante su cui ogni IA si basa. Cambia il carburante e tutto cambia.

Perché sono i dati a decidere, non l'algoritmo

L'intuizione suggerisce che un'IA potente significhi un algoritmo brillante. In realtà, gli algoritmi di addestramento sono stati pubblicati per anni e sono disponibili a tutti — gli studenti li studiano. Ciò che separa un modello mediocre da uno eccezionale sono più spesso i dati: quanti, quanto puliti, quanto vari. Ricorda dalla lezione uno perché la svolta è arrivata nel 2012: gli algoritmi di rete neurale erano noti dagli anni '80, ma si sono attivati solo quando internet ha accumulato miliardi di esempi. L'algoritmo non stava aspettando i dati — i dati hanno risvegliato l'algoritmo.

Da qui la regola del settore: investire nei dati di solito paga più di un'ulteriore modifica al modello. Le aziende con dati unici (motori di ricerca, social network, banche) sono forti proprio per questo — i dati sono più difficili da copiare del codice.

Due tipi di dati: strutturati e non strutturati

I dati strutturati sono ordinatamente disposti in tabelle: righe, colonne, numeri, categorie. Età del cliente, importo dell'acquisto, data — tutto al suo posto.

I dati non strutturati sono tutto il resto: il testo delle email, foto, audio, video, post. Nessuna riga, nessuna colonna — solo un flusso. Secondo varie stime, la maggior parte dei dati mondiali è non strutturata, e per decenni le aziende hanno potuto usarne a malapena una parte. La svolta delle reti neurali è proprio questa: per la prima volta esiste uno strumento che estrae significato da quell'oceano. L'LLM dell'ultimo modulo è una macchina per digerire testo non strutturato.

Da dove provengono i dati

• Etichettatura. Le persone aggiungono le «risposte» a mano: delineando i pedoni nei filmati per un'auto a guida autonoma, contrassegnando le email come spam / non spam. Il famoso dataset ImageNet della lezione uno — circa 14 milioni di immagini, etichettate a mano da un esercito di persone; è su questo che AlexNet ha vinto. L'etichettatura è un lavoro costoso, lento e insostituibile.
• Osservazione del comportamento. Ogni clic, ogni «mi piace», ogni video che guardi fino alla fine è etichettatura gratuita. Senza accorgertene, sei tu che addestri i sistemi di raccomandazione: guardato fino alla fine — «buon esempio»; scorri oltre — «cattivo esempio».
• Dataset predefiniti. Set raccolti e puliti che molte persone riutilizzano: il testo di libri, enciclopedie, collezioni di foto aperte. Veloci — ma tutti hanno gli stessi, quindi non offrono un vantaggio unico.

Tu dai l'input e l'output — la rete costruisce il resto da sola

Un dettaglio importante che spiega perché l'etichettatura «input → risposta» è sufficiente. Non descrivi mai all'IA come appare un gatto o un volto. Tu dai solo l'input A (una foto) e l'output B («gatto / non gatto») — e la rete assembla le caratteristiche intermedie da sola, strato dopo strato, come mattoncini Lego. Nel riconoscimento facciale puoi vederlo chiaramente: i primi strati trovano bordi e macchie semplici, i successivi costruiscono parti da essi (un occhio, un naso, un contorno), quelli superiori costruiscono volti interi.

Nessuno ha programmato «un occhio» a mano — la rete ha sviluppato il concetto da sola, solo perché le risposte fossero corrette. Ecco perché l'approccio ha vinto (ricorda la lezione su cos'è l'IA): le caratteristiche che una persona non riuscirebbe a esprimere a parole, la macchina le ricava dagli esempi.

«Garbage in, garbage out»

Ora il principio della lezione sull'addestramento può essere sentito a pieno volume. Un modello non è più intelligente dei suoi dati: impara ciò che gli hai mostrato, errori, lacune e distorsioni inclusi.

Un caso reale: nel 2016 Microsoft ha lanciato un chatbot su Twitter chiamato Tay, destinato a imparare la conversazione naturale direttamente da ciò che gli utenti gli dicevano. In meno di un giorno, i troll lo hanno sommerso di messaggi offensivi e razzisti — e Tay, imparando obbedientemente da quel «carburante», ha iniziato a ripetere la stessa sporcizia. Sedici ore dopo Microsoft ha staccato la spina. L'algoritmo ha funzionato esattamente come progettato — erano i dati che venivano immessi a essere avvelenati.

Tre idee sbagliate sui dati

• «Più dati sono sempre meglio.» No: un milione di esempi spazzatura sono peggio di mille puliti. Il volume senza qualità amplifica solo l'errore.
• «I dati sono oggettivi, sono numeri.» I dati sono un'impronta della realtà catturata dalle persone, con le loro scelte e i loro punti ciechi. Un numero non è garanzia di verità: ricorda il knowledge cutoff e i prezzi obsoleti della lezione sull'addestramento.
• «Non abbiamo molti dati — l'IA non fa per noi.» Un po' è spesso sufficiente, se è pulito e pertinente; e puoi sempre prendere un modello pronto e integrare un po' il suo addestramento (questo era alla fine della lezione sull'addestramento).

Fai questo ora

Un esercizio di cinque minuti, senza strumenti — solo la tua testa. Scegli un qualsiasi servizio IA che conosci (un feed di raccomandazioni, un filtro antispam, un assistente vocale) e rispondi a tre domande su carta: (1) su quali dati è stato più probabilmente addestrato? (2) da dove provenivano quei dati — etichettatura, osservazione del comportamento o un dataset predefinito? (3) quale distorsione potrebbe esserci finita dentro? L'abitudine di vedere i dati dietro il risultato è ciò che separa un professionista da un consumatore. Nella prossima lezione vedremo cosa l'IA, dati come questi, può davvero fare — e cosa le è precluso.