Now Reading: Dataset AI: cosa sono, come si costruiscono e perché contano
-
01
Dataset AI: cosa sono, come si costruiscono e perché contano
Un dataset non è solo una raccolta di dati: decide cosa un modello può imparare, come viene valutato e quali errori rischia di riprodurre.
Prima del modello, prima del training e spesso prima ancora dell’algoritmo c’è il dataset: l’insieme organizzato di esempi, misure o contenuti utilizzati per addestrare e valutare un sistema di intelligenza artificiale.
Può contenere testo, immagini, audio, video, tabelle, log, interazioni, dati scientifici o esempi costruiti artificialmente. La parola sembra neutra, ma il dataset incorpora già una serie di decisioni: che cosa raccogliere, cosa escludere, come etichettare e quale popolazione rappresentare.
Training, validation ed evaluation non sono la stessa cosa
Nel machine learning è fondamentale separare i dati usati per imparare da quelli usati per misurare la qualità. Un training set serve a ottimizzare i parametri del modello. Dati separati vengono poi utilizzati per scegliere configurazioni, controllare generalizzazione e valutare il comportamento su esempi non visti.
Se il modello viene testato sugli stessi esempi su cui si è allenato, il risultato può sembrare eccellente anche quando non generalizza affatto. La separazione dei dati è quindi una parte della metodologia, non un dettaglio amministrativo.
La qualità del dataset può contare più della quantità
Un dataset enorme non è automaticamente utile. Duplicati, errori, etichette incoerenti, campioni sbilanciati e dati raccolti in contesti differenti possono introdurre rumore e distorsioni.
La qualità dipende anche dal compito. Per riconoscere tumori servono dati clinici con caratteristiche molto diverse da quelli necessari a generare testo. “Più dati” non è una strategia completa: bisogna chiedere se rappresentano davvero il problema che il modello dovrà affrontare.
Da dove arrivano i dati dei foundation model
I grandi modelli generativi vengono sviluppati combinando fonti differenti. OpenAI, per esempio, dichiara di utilizzare informazioni pubblicamente disponibili, contenuti ottenuti tramite partnership e dati forniti o generati da utenti, trainer e ricercatori; nelle disclosure più recenti cita anche l’uso di dati sintetici.
Questa scala crea problemi specifici di provenienza, copyright, privacy e tracciabilità. Un dataset costruito per il web non nasce necessariamente con l’obiettivo di addestrare un modello.
I dati sintetici sono una nuova fonte, non una scorciatoia magica
I dati sintetici sono esempi generati artificialmente da software, simulatori o altri modelli. Possono essere utili quando i dati reali sono costosi, rari o sensibili e possono aumentare la varietà dei casi.
Ma se il generatore parte da una rappresentazione incompleta, il dataset sintetico può amplificare gli stessi errori. Per questo non elimina la necessità di dati reali e di controlli indipendenti.
Dataset e bias: la distorsione può nascere prima del modello
Se alcune categorie sono sottorappresentate, se le etichette riflettono pregiudizi o se la raccolta avviene soltanto in certi contesti, il modello può imparare una versione parziale del mondo.
Il bias non è quindi qualcosa che compare misteriosamente nella risposta finale. Può essere introdotto nella selezione dei dati, nella loro annotazione, negli obiettivi di training e persino nei criteri con cui valutiamo il sistema.
La provenienza dei dati diventa una questione strategica
Nella prima fase dell’AI generativa Internet ha fornito enormi quantità di testo e immagini. In biologia, robotica e scienza, però, molti dati utili devono essere prodotti con laboratori, sensori o esperimenti. Il tema è approfondito nell’articolo Il vero limite dell’AI sono i dati.
Questo cambia il vantaggio competitivo: chi possiede accesso a dati rari, ben curati e difficili da replicare può avere un patrimonio importante quanto il modello stesso.
Un dataset è una rappresentazione, non la realtà
Il punto più utile da ricordare è che un dataset traduce una parte del mondo in una forma che una macchina può elaborare. Ogni traduzione perde qualcosa.
Per capire un sistema AI bisogna quindi chiedersi non soltanto quale modello usa, ma su quali dati è stato addestrato, come sono stati costruiti e con quali criteri viene valutato. È spesso lì che iniziano sia le capacità sia i limiti.
