AI SPIEGATA SEMPLICE 08
IN BREVE
Il training modifica progressivamente parametri numerici; il risultato di questo processo è il modello utilizzato successivamente durante l’inferenza.
Il modello non è una semplice copia dei dati di addestramento né un archivio di risposte già pronte: è una struttura computazionale capace di elaborare nuovi input.
Va inoltre distinto dal sistema di IA completo, che può integrare interfacce, regole, dati, strumenti e funzioni operative.
Nel capitolo precedente abbiamo separato due momenti fondamentali. Durante il training il sistema apprende dai dati. Durante l’inferenza utilizza ciò che ha appreso per produrre un risultato davanti a un nuovo input.
Ma tra questi due momenti manca ancora un elemento.
Che cosa rimane dopo l’addestramento?
In termini molto semplificati, rimane un modello.
Capire che cosa sia un modello è essenziale perché permette di evitare una confusione molto frequente. Un modello di intelligenza artificiale non coincide necessariamente con il programma, con l’applicazione o con il servizio che utilizziamo.
Quando scriviamo una domanda dentro un’interfaccia, ciò che vediamo sullo schermo è soltanto una parte del sistema.
Dietro può esserci un modello che è stato precedentemente addestrato e che viene utilizzato per elaborare il nostro input.
Ripartiamo dal training
Immaginiamo di voler costruire un sistema capace di distinguere alcuni documenti giuridici.
Durante il training gli vengono forniti numerosi esempi.
Contratti.
Sentenze.
Pareri.
Atti giudiziari.
Il processo di apprendimento modifica progressivamente alcuni valori interni del modello affinché esso riesca a rappresentare regolarità presenti nei dati.
Possiamo rappresentare questo passaggio con uno schema didattico.
DATI DI ADDESTRAMENTO → TRAINING → MODELLO
Il modello è quindi, in prima approssimazione, il risultato del processo di addestramento.
Ma questa definizione deve essere precisata.
Il modello non è una raccolta di risposte
Un modo intuitivo, ma sbagliato, di immaginare il modello sarebbe pensare a un enorme archivio nel quale siano conservate tutte le domande possibili insieme alle relative risposte.
Non funziona così.
Il training serve a modificare una grande quantità di valori interni secondo il metodo di apprendimento utilizzato.
Questi valori contribuiscono a determinare il comportamento successivo del modello.
Li chiameremo parametri.
Per il momento è sufficiente ricordare questo passaggio.
Il modello non conserva semplicemente un elenco di risposte. Il training modifica i suoi parametri.
Vedremo nel prossimo capitolo che cosa significa esattamente.
Un esempio molto semplice
Torniamo al nostro ipotetico classificatore di documenti.
Durante il training mostriamo al sistema migliaia di documenti.
Al termine dell’addestramento arriva un documento nuovo.
Il sistema non deve necessariamente cercare quel documento identico all’interno del materiale utilizzato durante il training.
Utilizza invece il modello ottenuto dall’addestramento per elaborare il nuovo input e produrre un output.
Lo schema diventa quindi
DATI → TRAINING → MODELLO
e successivamente
NUOVO INPUT → MODELLO → INFERENZA → OUTPUT
Questa distinzione è fondamentale.
Il training costruisce o modifica il modello.
L’inferenza utilizza il modello.
Un’analogia utile, ma imperfetta
Pensiamo a un giovane avvocato che abbia studiato migliaia di sentenze.
Quando gli viene sottoposto un nuovo problema, normalmente non cerca nella propria memoria una sentenza perfettamente identica alla domanda ricevuta.
Lo studio precedente ha contribuito a formare conoscenze, categorie e capacità di riconoscere determinate strutture.
Davanti al nuovo problema utilizza ciò che ha imparato.
L’analogia aiuta a comprendere la differenza tra fase di apprendimento e fase di utilizzo.
Ma dobbiamo fermarci qui.
Un modello di intelligenza artificiale non studia, comprende o ragiona come un avvocato.
Il funzionamento matematico di un modello non deve essere antropomorfizzato.
Modello e sistema di IA non sono necessariamente la stessa cosa
Questa distinzione diventa particolarmente importante anche dal punto di vista giuridico.
Un modello può costituire una componente utilizzata all’interno di un sistema più ampio.
Il sistema può comprendere anche un’interfaccia, software, regole, strumenti esterni, basi documentali, sistemi di sicurezza e altri componenti.
Possiamo rappresentarlo così.
UTENTE
↓
INTERFACCIA / APPLICAZIONE
↓
SISTEMA DI IA
↓
MODELLO
↓
OUTPUT
Lo schema è volutamente semplificato. Nelle applicazioni reali l’architettura può essere molto più complessa.
Il punto da ricordare è un altro.
Modello e sistema non sono sinonimi.
La distinzione è riconosciuta anche dall’AI Act. Il regolamento disciplina i sistemi di IA e contiene inoltre una disciplina specifica per i modelli di IA per finalità generali. La Commissione ha chiarito ulteriormente che i modelli GPAI possono essere integrati all’interno di differenti sistemi di IA downstream.
Nota tecnica
L’articolo 3, punto 63, dell’AI Act definisce il modello di IA per finalità generali facendo riferimento, tra gli altri elementi, alla significativa generalità del modello e alla sua capacità di svolgere con competenza un’ampia gamma di compiti distinti e di essere integrato in diversi sistemi o applicazioni a valle.
Non significa che ogni modello sia un modello per finalità generali.
La categoria GPAI rappresenta una specifica categoria giuridica disciplinata dal Regolamento.
Il modello può essere utilizzato in applicazioni differenti
Questa distinzione ci permette di capire qualcosa che incontreremo continuamente.
Lo stesso modello può essere utilizzato come componente di applicazioni differenti.
Un’applicazione potrebbe utilizzarlo per riassumere documenti.
Un’altra per assistere nella ricerca.
Un’altra ancora per generare testo.
Un’altra potrebbe collegarlo a una banca dati documentale.
Per questo non dobbiamo identificare automaticamente il modello con il servizio che vediamo sullo schermo.
Dal punto di vista del giurista questa distinzione diventerà importante quando analizzeremo chi fornisce il modello, chi realizza il sistema, chi lo integra e chi lo utilizza professionalmente.
Sono ruoli che possono appartenere a soggetti diversi.
E i parametri?
Siamo arrivati al punto che ci serve per il capitolo successivo.
Abbiamo detto che durante il training vengono modificati valori interni del modello.
L’AI Act stesso, nella definizione dei dati di addestramento, fa riferimento ai dati utilizzati per addestrare un sistema di IA adattandone i parametri apprendibili.
Nel caso dei modelli di IA per finalità generali, la normativa attribuisce inoltre rilevanza ai parametri e ai pesi nella disciplina della documentazione e, in determinate condizioni, dei modelli distribuiti con licenza libera e open source.
Ma che cosa sono concretamente questi parametri?
Perché possono essercene milioni o miliardi?
Che cosa significa dire che durante il training vengono modificati?
E che cosa sono i pesi?
Sono le domande dalle quali partiremo nel prossimo capitolo.
Perché tutto questo interessa un avvocato
Perché utilizzare professionalmente l’intelligenza artificiale richiede almeno una rappresentazione corretta di ciò che avviene dietro l’interfaccia.
Quando un avvocato utilizza un servizio basato sull’IA non dovrebbe confondere automaticamente
il servizio che utilizza
con
il sistema di IA
e neppure con
il modello che opera al suo interno.
Questa distinzione diventerà ancora più importante quando parleremo di provider, modelli GPAI, sistemi downstream, RAG, agenti, trattamento dei dati e responsabilità.
Anche l’AI Act distingue espressamente il livello del modello da quello del sistema. La Commissione sottolinea che gli obblighi relativi ai GPAI riguardano il modello, mentre altri obblighi del regolamento riguardano i sistemi di IA e dipendono anche dal loro contesto di utilizzo.
Attenzione
Dire che un modello ha “imparato” qualcosa è una semplificazione linguistica.
Non significa che abbia acquisito conoscenza o comprensione nel significato umano dei termini.
Quando utilizzeremo parole come imparare, riconoscere o prevedere, dovremo sempre ricordare che stiamo descrivendo operazioni computazionali.
Il concetto fondamentale
Il training modifica il modello. L’inferenza utilizza il modello.
Il modello non coincide necessariamente con l’applicazione che utilizziamo e non deve essere immaginato come un semplice archivio contenente tutte le risposte.
Durante l’addestramento vengono modificati valori interni, chiamati parametri, che contribuiscono a determinare il comportamento successivo del modello.
Il prossimo passo sarà capire che cosa sono.
Fonti
Regolamento (UE) 2024/1689 — AI Act, testo consolidato EUR-Lex
Commissione europea — Guidelines sui modelli di IA per finalità generali
Commissione europea — General-Purpose AI Models in the AI Act, Questions & Answers
Il prossimo passo
Parametri e pesi. Dove resta ciò che il modello ha imparato
L’approfondimento sui parametri entra nella “scatola” del modello senza utilizzare matematica non necessaria e mostra che cosa rappresentano parametri e pesi, perché il training li modifica e perché parlare di miliardi di parametri non significa parlare di miliardi di regole scritte da programmatori.
Continua il percorso
AI spiegata semplice → per proseguire la collana tecnologica.
AI Literacy → per collocare questi concetti nel percorso formativo complessivo.
Diritto & AI → per comprendere perché la distinzione tra modello, sistema e GPAI produce conseguenze giuridiche.