WEBVTT 00:00:01.360 --> 00:00:03.439 Salve a tutti, siete all'ascolto di 00:00:03.439 --> 00:00:05.759 INSiDER - Dentro la Tecnologia, 00:00:05.759 --> 00:00:08.000 un podcast di Digital People e 00:00:08.000 --> 00:00:09.199 io sono il vostro host, 00:00:09.199 --> 00:00:10.240 Davide Fasoli. 00:00:17.015 --> 00:00:19.414 Oggi parleremo di Data Augmentation e 00:00:19.414 --> 00:00:21.574 Dati Sintetici, due tecniche per la 00:00:21.574 --> 00:00:24.134 creazione di dati, utili all'addestramento di 00:00:24.134 --> 00:00:25.814 modelli di intelligenza artificiale. 00:00:26.179 --> 00:00:27.699 Prima di passare alle notizie che 00:00:27.699 --> 00:00:29.619 più ci hanno colpito questa settimana, 00:00:29.699 --> 00:00:31.380 vi ricordo che potete seguirci su 00:00:31.380 --> 00:00:35.060 Instagram a @dentrolatecnologia, iscrivervi alla newsletter 00:00:35.060 --> 00:00:36.820 e ascoltare un nuovo episodio ogni 00:00:36.820 --> 00:00:38.820 sabato mattina, su Spotify, 00:00:38.820 --> 00:00:41.619 Apple Podcast, YouTube Music oppure direttamente 00:00:41.865 --> 00:00:43.225 sul nostro sito. 00:00:55.785 --> 00:00:58.859 A partire dalla seconda metà del 2025, 00:00:58.859 --> 00:01:01.259 Ferrovie dello Stato inizierà la seconda 00:01:01.260 --> 00:01:04.379 fase della sperimentazione relativa all'utilizzo delle 00:01:04.379 --> 00:01:06.620 bodycam da parte del personale ferroviario 00:01:06.620 --> 00:01:08.459 come i capitreno, con l'obiettivo di 00:01:08.459 --> 00:01:10.734 garantire maggiore tutela e sicurezza sui 00:01:10.734 --> 00:01:13.135 treni e nelle stazioni in generale. 00:01:13.135 --> 00:01:15.215 Questa sperimentazione in realtà era già 00:01:15.215 --> 00:01:17.375 iniziata un anno fa in Emilia-Romagna, 00:01:17.375 --> 00:01:19.375 tuttavia la società del gruppo Ferrovie 00:01:19.375 --> 00:01:21.055 dello Stato ha esteso il periodo 00:01:21.055 --> 00:01:23.055 di prova ad oltre cinque regioni, 00:01:23.055 --> 00:01:25.135 ovvero Piemonte, Liguria, Toscana, 00:01:25.400 --> 00:01:27.879 Puglia e a fine marzo anche Lombardia. 00:01:27.879 --> 00:01:30.120 Come avevamo già spiegato nella puntata: 00:01:30.120 --> 00:01:32.519 "Axon: taser e bodycam per tutelare 00:01:32.519 --> 00:01:34.200 forze dell'ordine e cittadini", 00:01:34.200 --> 00:01:37.000 questi strumenti forniscono prove oggettive e 00:01:37.000 --> 00:01:39.385 maggiore trasparenza in merito alla gestione 00:01:39.385 --> 00:01:42.344 di situazioni controverse tra operatori e 00:01:42.344 --> 00:01:44.104 civili in sede legale. 00:01:44.104 --> 00:01:46.104 Le bodycam in questione comunque non 00:01:46.104 --> 00:01:47.944 registreranno tutto il tempo, 00:01:47.944 --> 00:01:50.104 ma dovranno essere attivate dal personale 00:01:50.104 --> 00:01:52.265 solamente in casi di potenziali aggressioni. 00:01:52.560 --> 00:01:55.280 Inoltre il materiale registrato non sarà 00:01:55.280 --> 00:01:57.840 accessibile agli addetti di Ferrovie dello Stato, 00:01:57.840 --> 00:01:59.599 ma verrà messo a disposizione solamente 00:01:59.599 --> 00:02:01.359 per le forze dell'ordine e per 00:02:01.359 --> 00:02:03.920 il personale di FS Security, 00:02:03.920 --> 00:02:05.840 che potranno visionare i contenuti e 00:02:05.840 --> 00:02:08.284 utilizzarli eventualmente come prove. 00:02:09.965 --> 00:02:12.044 Nei giorni scorsi Amazon ha presentato 00:02:12.044 --> 00:02:13.645 la tanto attesa Alexa+, 00:02:14.044 --> 00:02:15.485 di cui si parlava ormai da 00:02:15.485 --> 00:02:16.444 diverso tempo. 00:02:16.444 --> 00:02:18.604 Allineandosi a Google ed Apple con 00:02:18.604 --> 00:02:20.604 rispettivamente Gemini e Siri, 00:02:20.604 --> 00:02:22.349 anche la nuova versione di Alexa 00:02:22.349 --> 00:02:23.949 utilizzerà un modello linguistico, 00:02:23.949 --> 00:02:26.189 e in particolare un mix tra Nova, 00:02:26.189 --> 00:02:29.310 sviluppato da Amazon, e Claude di Anthropic, 00:02:29.310 --> 00:02:32.270 recentemente aggiornato alla versione 3.7. 00:02:32.270 --> 00:02:33.949 Alexa sarà quindi in grado di 00:02:33.949 --> 00:02:36.349 capire quale modello utilizzare per rispondere 00:02:36.349 --> 00:02:38.104 all'utente nel modo più veloce e 00:02:38.104 --> 00:02:39.145 preciso possibile. 00:02:39.224 --> 00:02:41.544 La particolarità del nuovo assistente di Amazon, 00:02:41.544 --> 00:02:44.504 però, sta nelle sue potenziali funzionalità. 00:02:44.504 --> 00:02:46.985 Trattandosi di un'agente intelligente, 00:02:46.985 --> 00:02:49.784 infatti, potrà interrogare e connettersi a 00:02:49.784 --> 00:02:51.930 servizi di terze parti per fornire 00:02:51.930 --> 00:02:54.090 delle risposte o compiere azioni. 00:02:54.250 --> 00:02:56.409 Oltre a comandare i dispositivi della casa, 00:02:56.409 --> 00:02:58.010 sarà in grado di aiutarci nella 00:02:58.010 --> 00:03:00.569 creazione delle routine e automatizzare la 00:03:00.569 --> 00:03:02.969 Smart Home, gestire la lista della spesa, 00:03:02.969 --> 00:03:04.650 ma potrà anche fare acquisti, 00:03:04.650 --> 00:03:06.495 ordinare tramite Uber Eats, 00:03:06.495 --> 00:03:08.974 cercare e comprare biglietti per i concerti, 00:03:08.974 --> 00:03:10.814 ma anche creare azioni programmate o 00:03:10.814 --> 00:03:12.094 aggiungere appuntamenti. 00:03:12.174 --> 00:03:13.775 Come tutti i modelli IA, 00:03:13.775 --> 00:03:16.094 non mancano la generazione di testi, 00:03:16.094 --> 00:03:18.974 immagini, canzoni o l'analisi dei nostri documenti. 00:03:19.289 --> 00:03:20.889 Sulla carta, quindi, sembra che il 00:03:20.889 --> 00:03:23.449 nuovo Alexa+ possa diventare un assistente 00:03:23.449 --> 00:03:26.409 virtuale veramente utile nella vita quotidiana, 00:03:26.569 --> 00:03:28.650 grazie anche all'integrazione con i dispositivi 00:03:28.650 --> 00:03:31.289 Echo e i futuri occhiali smart. 00:03:31.289 --> 00:03:33.224 Il prossimo mese dovrà debuttare negli 00:03:33.224 --> 00:03:34.344 Stati Uniti ad un costo di 00:03:34.344 --> 00:03:36.104 circa 20 dollari al mese, 00:03:36.104 --> 00:03:37.625 ma sarà gratuito per gli attuali 00:03:37.625 --> 00:03:39.544 possessori di un abbonamento Prime. 00:03:39.544 --> 00:03:41.305 Non ci sono invece informazioni sul 00:03:41.305 --> 00:03:42.664 suo debutto in Italia, 00:03:42.664 --> 00:03:44.824 sarà però molto interessante vedere se 00:03:44.824 --> 00:03:46.949 le potenzialità del nuovo Alexa verranno 00:03:46.949 --> 00:03:49.510 capite e sfruttate appieno dagli utenti. 00:03:52.310 --> 00:03:54.310 Il debutto della versione limitata del 00:03:54.310 --> 00:03:56.150 sistema di guida autonoma di Tesla 00:03:56.150 --> 00:03:58.710 in Cina ha generato reazioni contrastanti 00:03:58.710 --> 00:04:00.469 tra gli utenti, molti dei quali 00:04:00.469 --> 00:04:02.444 ritengono che le prestazioni siano inferiori 00:04:02.444 --> 00:04:05.165 alle aspettative e soprattutto meno avanzate 00:04:05.165 --> 00:04:08.205 rispetto ai sistemi offerti dai produttori locali. 00:04:08.205 --> 00:04:09.965 La delusione è amplificata dal prezzo 00:04:09.965 --> 00:04:12.205 elevato del Full Self-Driving di Tesla, 00:04:12.205 --> 00:04:14.365 che costa oltre 7000 dollari, 00:04:14.444 --> 00:04:16.324 mentre aziende cinesi come Xpeng (Xpeng 00:04:16.324 --> 00:04:20.230 si scrive), offrono soluzioni più avanzate 00:04:20.230 --> 00:04:22.870 e meglio adattate alle complesse condizioni 00:04:22.870 --> 00:04:24.149 del traffico cinese. 00:04:24.149 --> 00:04:26.870 Il sistema XNGP di Xpeng, 00:04:26.870 --> 00:04:28.949 ad esempio, utilizza un approccio basato 00:04:28.949 --> 00:04:30.709 su una combinazione di sensori, 00:04:30.709 --> 00:04:32.709 tra cui LiDAR, radar a onde 00:04:32.709 --> 00:04:35.274 millimetriche e telecamera ad alta risoluzione, 00:04:35.355 --> 00:04:37.514 garantendo una maggiore affidabilità in scenari 00:04:37.514 --> 00:04:39.035 urbani e autostradali. 00:04:39.035 --> 00:04:40.954 Tesla, invece, ha scelto di affidarsi 00:04:40.954 --> 00:04:43.995 esclusivamente alla visione artificiale con telecamere, 00:04:43.995 --> 00:04:45.995 eliminando il LiDAR e riducendo l'uso 00:04:45.995 --> 00:04:47.435 dei radar, una scelta che in 00:04:47.435 --> 00:04:50.459 Cina sembra penalizzata rispetto alla concorrenza. 00:04:50.459 --> 00:04:52.779 Inoltre i sistemi locali sfruttano dati 00:04:52.779 --> 00:04:54.300 di guida raccolti in Cina per 00:04:54.300 --> 00:04:56.779 adattarsi meglio ai comportamenti del traffico, 00:04:56.779 --> 00:04:58.220 mentre il sistema di Tesla si 00:04:58.220 --> 00:05:00.139 basa su un approccio più generalista. 00:05:00.139 --> 00:05:02.540 L'azienda ha promesso un aggiornamento significativo 00:05:02.540 --> 00:05:04.459 del sistema autonomo di Tesla entro 00:05:04.459 --> 00:05:06.194 la fine dell'anno, con l'obiettivo di 00:05:06.194 --> 00:05:08.355 offrire una guida autonoma più evoluta, 00:05:08.355 --> 00:05:09.795 ma resta da vedere se riuscirà 00:05:09.795 --> 00:05:11.795 a colmare il gap tecnologico e 00:05:11.795 --> 00:05:13.875 a convincere i clienti cinesi, 00:05:13.875 --> 00:05:17.395 che attualmente sembrano preferire le alternative nazionali. 00:05:33.714 --> 00:05:35.485 Mai come in questo periodo storico, 00:05:35.485 --> 00:05:37.084 i dati hanno guadagnato una rilevanza 00:05:37.084 --> 00:05:38.764 e un valore così importante, 00:05:38.845 --> 00:05:41.964 tanto da essere paragonati all'oro dell'era digitale. 00:05:41.964 --> 00:05:43.805 E se pensiamo che nel 2025 00:05:43.805 --> 00:05:45.564 si stima che verranno prodotti quasi 00:05:45.564 --> 00:05:49.230 200 zettabytes, ossia 200 mila miliardi 00:05:49.230 --> 00:05:51.550 di gigabytes, ci rendiamo subito conto 00:05:51.550 --> 00:05:54.029 di quale patrimonio immenso l'umanità sta 00:05:54.029 --> 00:05:56.750 ogni anno generando e lasciando nel web. 00:05:56.829 --> 00:05:59.550 Tuttavia, paradossalmente, questa enorme quantità di 00:05:59.550 --> 00:06:01.524 informazioni non è abbastanza per le 00:06:01.524 --> 00:06:03.365 tecnologie che negli ultimi anni si 00:06:03.365 --> 00:06:05.764 stanno sviluppando e, in particolare, 00:06:05.764 --> 00:06:08.485 l'intelligenza artificiale, che come abbiamo ripetuto 00:06:08.485 --> 00:06:10.324 più volte, ha bisogno di questi 00:06:10.324 --> 00:06:11.845 dati per, tra virgolette, 00:06:11.845 --> 00:06:13.779 "imparare" ciò che deve fare. 00:06:13.779 --> 00:06:16.100 Ma perché migliaia di zettabytes non 00:06:16.100 --> 00:06:17.139 sono sufficienti? 00:06:17.139 --> 00:06:18.980 La risposta è molto semplice. 00:06:19.060 --> 00:06:20.899 I motivi sono principalmente tre. 00:06:20.899 --> 00:06:22.019 Il primo è che molti dei 00:06:22.019 --> 00:06:24.660 dati che produciamo ogni giorno sono temporanei, 00:06:24.660 --> 00:06:26.019 per cui dopo un certo periodo 00:06:26.019 --> 00:06:27.540 di tempo vengono eliminati, 00:06:27.540 --> 00:06:29.514 come log di accesso o informazioni 00:06:29.514 --> 00:06:32.395 che vengono sovrascritte con versioni più recenti. 00:06:32.475 --> 00:06:33.995 Il secondo motivo è che alcune 00:06:33.995 --> 00:06:36.555 informazioni non sono accessibili pubblicamente. 00:06:36.795 --> 00:06:39.035 Pensiamo ad esempio a un sensore 00:06:39.035 --> 00:06:40.795 IoT che salva i valori su 00:06:40.795 --> 00:06:41.910 un server privato o, 00:06:41.910 --> 00:06:43.269 nel caso di dati sicuri, 00:06:43.269 --> 00:06:44.870 protetti da crittografia. 00:06:44.870 --> 00:06:47.430 Il terzo e ultimo dei motivi principali, 00:06:47.430 --> 00:06:49.350 infine, è che tantissimi dati che 00:06:49.350 --> 00:06:51.350 vengono prodotti ogni giorno non sono 00:06:51.350 --> 00:06:53.750 utilizzabili o accessibili per questioni di 00:06:53.750 --> 00:06:55.430 diritto d'autore o di privacy. 00:06:55.745 --> 00:06:57.264 Anche in questo caso gli esempi 00:06:57.264 --> 00:06:59.745 sono molteplici, a partire da specifici 00:06:59.745 --> 00:07:01.425 settori come quello medico, 00:07:01.425 --> 00:07:02.785 dove i dati trattati, 00:07:02.785 --> 00:07:05.745 anche se anonimizzati, risultano essere estremamente 00:07:05.745 --> 00:07:08.225 sensibili ed è necessario richiedere costantemente 00:07:08.225 --> 00:07:10.899 il consenso ai pazienti per utilizzarli. 00:07:10.899 --> 00:07:13.699 Nell'addestramento di un modello di apprendimento automatico, 00:07:13.699 --> 00:07:15.539 poi, non solo è importante la 00:07:15.539 --> 00:07:17.699 quantità dei dati, ma forse è 00:07:17.699 --> 00:07:20.180 ancora più importante la qualità di questi. 00:07:20.180 --> 00:07:22.259 Alcuni studi hanno infatti dimostrato come 00:07:22.259 --> 00:07:23.860 è spesso una base di dati 00:07:23.860 --> 00:07:26.084 più piccola, ma di maggiore qualità, 00:07:26.084 --> 00:07:28.084 possa aumentare la precisione del modello 00:07:28.084 --> 00:07:30.164 finale anche di 10 volte rispetto 00:07:30.164 --> 00:07:31.524 ad uno stesso modello, 00:07:31.524 --> 00:07:33.365 che viene però addestrato su una 00:07:33.365 --> 00:07:35.365 quantità più elevata di informazioni, 00:07:35.365 --> 00:07:36.724 ma di qualità inferiore. 00:07:37.099 --> 00:07:38.779 Un dataset ben bilanciato, 00:07:38.779 --> 00:07:41.740 infatti, previene che l'algoritmo apprenda eventuali 00:07:41.740 --> 00:07:45.579 bias o tra virgolette "dimentichi" informazioni importanti, 00:07:45.579 --> 00:07:47.740 perché presenti in minori quantità nei 00:07:47.740 --> 00:07:48.939 dati di addestramento. 00:07:49.019 --> 00:07:50.139 Per fare un esempio, 00:07:50.139 --> 00:07:51.740 un modello che viene addestrato con 00:07:51.740 --> 00:07:53.714 20.000 foto di cani e 5.000 00:07:53.714 --> 00:07:55.394 foto di gatti, per riconoscere un 00:07:55.394 --> 00:07:57.714 animale dall'altro, potrebbe avere più difficoltà 00:07:57.714 --> 00:07:59.794 a riconoscere i gatti rispetto ai cani. 00:07:59.794 --> 00:08:02.514 Come si possono quindi risolvere questi problemi? 00:08:02.595 --> 00:08:04.354 La questione legata alla privacy può 00:08:04.354 --> 00:08:06.354 essere risolta anonimizzando i dati, 00:08:06.480 --> 00:08:08.800 ossia eliminando dal dataset quegli elementi 00:08:08.800 --> 00:08:10.720 che possono in qualche modo permettere 00:08:10.720 --> 00:08:13.360 di risalire all'identificazione della persona a 00:08:13.360 --> 00:08:15.360 cui quelle informazioni si riferiscono. 00:08:15.360 --> 00:08:17.040 Pensiamo ad esempio a una combinazione 00:08:17.040 --> 00:08:19.279 di età, sesso, altezza e comune 00:08:19.279 --> 00:08:19.920 di residenza. 00:08:20.274 --> 00:08:21.875 Anche senza sapere il nome e 00:08:21.875 --> 00:08:24.035 il cognome, queste informazioni potrebbero essere 00:08:24.035 --> 00:08:26.595 sufficienti per identificare in modo preciso 00:08:26.595 --> 00:08:27.634 una persona. 00:08:27.795 --> 00:08:29.475 Sostituendo il dato sul comune di 00:08:29.475 --> 00:08:31.394 residenza con ad esempio la provincia 00:08:31.394 --> 00:08:33.315 o la regione, o eliminando l'informazione 00:08:33.440 --> 00:08:36.000 se non necessaria, quindi ne garantiamo 00:08:36.000 --> 00:08:37.200 maggior anonimato. 00:08:37.200 --> 00:08:39.279 Ma ovviamente esistono anche altre soluzioni 00:08:39.279 --> 00:08:40.879 che approfondiamo in questa puntata, 00:08:40.879 --> 00:08:43.519 che prevedono la generazione artificiale dei 00:08:43.519 --> 00:08:45.279 dati o di una parte dei dati, 00:08:45.279 --> 00:08:46.959 con due principali tecniche, 00:08:46.959 --> 00:08:48.735 diverse tra loro per approccio, 00:08:48.735 --> 00:08:50.735 che prendono il nome rispettivamente di 00:08:50.735 --> 00:08:53.934 Data Augmentation e Dati Sintetici. 00:08:53.934 --> 00:08:55.774 La Data Augmentation è tra le 00:08:55.774 --> 00:08:58.095 due la tecnica più facile da utilizzare, 00:08:58.095 --> 00:08:59.934 perché prevede l'utilizzo di un set 00:08:59.934 --> 00:09:02.059 di dati originali, reali, 00:09:02.059 --> 00:09:03.500 che viene, come dice il nome, 00:09:03.500 --> 00:09:06.459 aumentato con altri dati leggermente modificati. 00:09:06.459 --> 00:09:08.220 Se pensiamo all'esempio di poco fa, 00:09:08.220 --> 00:09:09.899 con il dataset formato da immagini 00:09:09.899 --> 00:09:11.019 di cani e gatti, 00:09:11.019 --> 00:09:13.419 possiamo ottenere nuove fotografie da utilizzare 00:09:13.419 --> 00:09:16.379 per l'addestramento, applicando filtri come sfocature, 00:09:16.379 --> 00:09:19.565 cambi colore o rotazioni all'immagine di partenza. 00:09:19.565 --> 00:09:21.325 Questo non solo permette di bilanciare 00:09:21.325 --> 00:09:23.725 meglio il dataset, ad esempio passando 00:09:23.725 --> 00:09:25.965 da 5 a 10 o 15.000 00:09:25.965 --> 00:09:27.565 foto di gatti, ma anche di 00:09:27.565 --> 00:09:29.565 addestrare il modello nel riconoscimento di 00:09:29.565 --> 00:09:32.125 casistiche che potenzialmente non erano state 00:09:32.125 --> 00:09:35.059 prese in considerazione ed aumentarne l'affidabilità 00:09:35.059 --> 00:09:36.019 e precisione. 00:09:36.179 --> 00:09:37.620 Proseguendo con l'esempio dei cani e 00:09:37.620 --> 00:09:39.620 dei gatti, creando nuove immagini con 00:09:39.620 --> 00:09:42.019 colori diversi, ci assicuriamo che il colore, 00:09:42.019 --> 00:09:43.459 che in natura è una componente 00:09:43.459 --> 00:09:45.059 molto variabile e soggettiva, 00:09:45.059 --> 00:09:46.419 non diventi per il modello di 00:09:46.419 --> 00:09:49.215 intelligenza artificiale una caratteristica da tenere 00:09:49.215 --> 00:09:52.095 troppo in considerazione nella fase decisionale. 00:09:52.175 --> 00:09:54.175 Il secondo approccio, sul quale ci 00:09:54.175 --> 00:09:56.735 focalizziamo maggiormente, è invece l'utilizzo dei 00:09:56.735 --> 00:09:59.134 dati sintetici, e prevede la generazione 00:09:59.134 --> 00:10:00.735 artificiale di un dataset, 00:10:00.735 --> 00:10:01.970 o di una sua parte, 00:10:01.970 --> 00:10:03.970 utilizzando un modello di machine learning 00:10:03.970 --> 00:10:06.210 addestrato a simulare i dati reali. 00:10:06.210 --> 00:10:08.450 Si parla infatti di dati completamente 00:10:08.450 --> 00:10:10.929 sintetici quando viene generato un dataset 00:10:10.929 --> 00:10:12.129 privo di dati reali. 00:10:12.129 --> 00:10:13.970 Si parla invece di dati parzialmente 00:10:13.970 --> 00:10:16.134 sintetici per quei dataset reali, 00:10:16.134 --> 00:10:18.855 di cui vengono sostituite alcune caratteristiche, 00:10:18.855 --> 00:10:20.855 ad esempio per garantire l'anonimato, 00:10:20.855 --> 00:10:23.095 o vengono riempite alcune lacune. 00:10:23.174 --> 00:10:25.254 Si parla infine di situazioni ibride 00:10:25.254 --> 00:10:27.575 quando si combinano le due precedenti situazioni. 00:10:28.129 --> 00:10:29.970 Riprendiamo anche in questo caso l'esempio 00:10:29.970 --> 00:10:32.850 precedente sui pazienti di cui conosciamo età, 00:10:32.850 --> 00:10:35.009 sesso, altezza e luogo d'origine. 00:10:35.090 --> 00:10:37.009 Possiamo utilizzare queste informazioni, 00:10:37.009 --> 00:10:38.769 magari di dimensione limitata, 00:10:38.769 --> 00:10:40.370 per addestrare un modello in grado 00:10:40.370 --> 00:10:42.129 di replicare e generare un set 00:10:42.129 --> 00:10:45.065 potenzialmente infinito di dati realistici, 00:10:45.065 --> 00:10:46.904 ossia che hanno una distribuzione statistica 00:10:46.904 --> 00:10:49.144 molto simile al dataset di partenza. 00:10:49.144 --> 00:10:50.825 Ciò significa che se il set 00:10:50.825 --> 00:10:52.745 di partenza aveva un 40% di 00:10:52.745 --> 00:10:55.544 donne provenienti dall'Italia, una percentuale simile 00:10:55.544 --> 00:10:58.424 sarà presente nel nuovo set generato artificialmente. 00:10:58.790 --> 00:11:00.389 Questa tecnica, che fino a qualche 00:11:00.389 --> 00:11:02.149 anno fa era poco considerata, 00:11:02.230 --> 00:11:04.149 nell'ultimo periodo ha acquisito sempre più 00:11:04.149 --> 00:11:05.910 piede e rilevanza, sia per la 00:11:05.910 --> 00:11:07.830 capacità dei modelli di machine learning 00:11:07.830 --> 00:11:10.550 di generare dati qualitativamente migliori, 00:11:10.629 --> 00:11:12.470 con più facilità e più rapidamente, 00:11:12.735 --> 00:11:14.334 sia per i benefici che l'utilizzo 00:11:14.334 --> 00:11:16.414 di dati sintetici porta con sé. 00:11:16.414 --> 00:11:17.934 Uno di questi è sicuramente quello 00:11:17.934 --> 00:11:20.095 che i dati generati sono anonimi 00:11:20.095 --> 00:11:21.774 per loro natura, in quanto non 00:11:21.774 --> 00:11:24.174 si riferiscono a persone realmente esistenti, 00:11:24.174 --> 00:11:25.294 per cui non vi è nessun 00:11:25.294 --> 00:11:27.214 limite dal punto di vista della privacy. 00:11:27.500 --> 00:11:30.059 Inoltre questo approccio permette molto spesso 00:11:30.059 --> 00:11:31.980 di sopperire ad una carenza di 00:11:31.980 --> 00:11:34.379 dati reali, creando dataset più ampi 00:11:34.379 --> 00:11:37.019 e utilizzabili per l'addestramento delle intelligenze 00:11:37.019 --> 00:11:38.620 artificiali più disparate. 00:11:38.620 --> 00:11:40.220 Ma i vantaggi non sono finiti qui. 00:11:40.445 --> 00:11:42.684 Parlavamo all'inizio di questa puntata non 00:11:42.684 --> 00:11:45.084 solo di quantità, ma anche di qualità. 00:11:45.084 --> 00:11:46.845 A differenza dei dati reali, 00:11:46.845 --> 00:11:49.404 quelli sintetici possono eliminare imprecisioni o 00:11:49.404 --> 00:11:51.964 errori di compilazione, creando dataset più 00:11:51.964 --> 00:11:53.725 bilanciati e di maggior qualità, 00:11:53.725 --> 00:11:56.379 inserendo le informazioni mancanti o etichettando 00:11:56.379 --> 00:11:59.259 i record per garantire previsioni più accurate. 00:11:59.340 --> 00:12:01.500 Possiamo poi garantire che tutti i 00:12:01.500 --> 00:12:03.419 dati siano compilati in modo uniforme 00:12:03.419 --> 00:12:05.500 e con la stessa formattazione, 00:12:05.500 --> 00:12:07.100 con un enorme risparmio di tempo 00:12:07.100 --> 00:12:09.179 nel lavoro manuale, di pulizia, 00:12:09.815 --> 00:12:12.214 sistemazione, rimozione di duplicati, 00:12:12.214 --> 00:12:14.375 etichettatura del dataset reale. 00:12:14.455 --> 00:12:16.214 Infine, per quanto riguarda i bias 00:12:16.214 --> 00:12:17.495 o i casi limite, 00:12:17.495 --> 00:12:19.894 che spesso possono essere sotto-rappresentati nel 00:12:19.894 --> 00:12:21.495 set di partenza, anche in questo 00:12:21.495 --> 00:12:23.414 caso l'uso di dati sintetici ci 00:12:23.414 --> 00:12:26.269 può aiutare, garantendo dataset più equilibrati 00:12:26.269 --> 00:12:28.909 e attenuando questi problemi nel modello finale. 00:12:28.909 --> 00:12:31.470 Ma come si generano i dati sintetici? 00:12:31.549 --> 00:12:33.709 Finora abbiamo parlato di cosa sono, 00:12:33.709 --> 00:12:35.629 come possono essere utilizzati e dei 00:12:35.629 --> 00:12:36.750 benefici che portano. 00:12:36.750 --> 00:12:37.709 Ma nel pratico? 00:12:38.075 --> 00:12:40.235 Le tecnologie avanzate che vengono normalmente 00:12:40.235 --> 00:12:42.394 utilizzate per la generazione di dati 00:12:42.394 --> 00:12:44.955 sintetici di qualità prevedono l'utilizzo di 00:12:44.955 --> 00:12:47.595 modelli di intelligenza artificiale addestrati per 00:12:47.595 --> 00:12:49.034 simulare i dati reali. 00:12:49.034 --> 00:12:50.154 Modelli che, tra l'altro, 00:12:50.154 --> 00:12:51.835 abbiamo già visto in diverse puntate. 00:12:52.080 --> 00:12:54.960 Vi sono infatti le reti generative avversarie, 00:12:54.960 --> 00:12:57.600 conosciute anche come GAN o Generative 00:12:57.600 --> 00:12:59.440 Adversarial Networks. 00:12:59.440 --> 00:13:01.920 Approfondite nella puntata: "Abbiamo insegnato a 00:13:01.920 --> 00:13:04.320 un'intelligenza artificiale a creare emoji". 00:13:04.544 --> 00:13:07.105 Questa architettura vede infatti due modelli, 00:13:07.184 --> 00:13:09.584 uno di generazione e uno di riconoscimento, 00:13:09.584 --> 00:13:12.144 che si scontrano migliorando sempre di più, 00:13:12.144 --> 00:13:13.904 l'uno per generare dati sempre più 00:13:13.904 --> 00:13:16.144 realistici e l'altro per riconoscere sempre 00:13:16.144 --> 00:13:18.139 meglio gli input e distinguere quelli 00:13:18.139 --> 00:13:19.659 reali da quelli generati. 00:13:19.659 --> 00:13:21.740 Gli altri due principali modelli utilizzati 00:13:21.740 --> 00:13:23.579 nella creazione di dati sintetici, 00:13:23.579 --> 00:13:25.500 che abbiamo approfondito nella puntata: 00:13:25.500 --> 00:13:28.220 "Anatomia dell'IA generativa, dagli anni '60 00:13:28.220 --> 00:13:30.860 ad oggi", sono gli autoencoder variazionali, 00:13:30.975 --> 00:13:33.375 o VAE, utilizzati principalmente per la 00:13:33.375 --> 00:13:35.534 creazione di immagini, o i trasformatori 00:13:35.534 --> 00:13:39.454 generativi preaddestrati, conosciuti meglio con l'acronimo GPT, 00:13:39.454 --> 00:13:40.654 per la creazione di test in 00:13:40.654 --> 00:13:41.615 linguaggio naturale. 00:13:41.615 --> 00:13:43.214 Se ve lo steste chiedendo, 00:13:43.214 --> 00:13:45.294 ChatGPT è ereditato proprio da questi 00:13:45.294 --> 00:13:46.334 modelli il suo nome. 00:13:46.690 --> 00:13:47.730 Arrivati a questo punto, 00:13:47.730 --> 00:13:49.649 però, è doveroso affrontare non solo 00:13:49.649 --> 00:13:52.210 i benefici nell'uso dei dati sintetici, 00:13:52.210 --> 00:13:53.570 ma anche i limiti. 00:13:53.649 --> 00:13:55.330 Per prima cosa, per generare dei 00:13:55.330 --> 00:13:57.490 buoni dati sintetici, di alta qualità 00:13:57.490 --> 00:13:59.330 e che rappresentano fedelmente la realtà, 00:13:59.595 --> 00:14:01.355 è comunque necessario partire da un 00:14:01.355 --> 00:14:04.314 dataset di partenza sufficientemente popolato. 00:14:04.314 --> 00:14:07.115 Questo perché avere pochi dati iniziali significa, 00:14:07.115 --> 00:14:09.834 molto spesso, considerare non solo una 00:14:09.834 --> 00:14:11.274 frazione del mondo reale, 00:14:11.274 --> 00:14:14.320 con il rischio di perdere eventuali "outlier", 00:14:14.320 --> 00:14:16.639 ossia dei fenomeni o casistiche particolari 00:14:16.639 --> 00:14:20.240 che non sono abbastanza rappresentanti statisticamente. 00:14:20.320 --> 00:14:21.919 Nella puntata in cui abbiamo approfondito 00:14:21.919 --> 00:14:23.919 gli algoritmi di previsione del meteo, 00:14:23.919 --> 00:14:26.000 avevamo proprio fatto riferimento a questa 00:14:26.000 --> 00:14:28.605 problematica nell'uso di algoritmi di intelligenza 00:14:28.605 --> 00:14:30.605 artificiale per fare previsioni. 00:14:30.605 --> 00:14:32.205 Se non trattati in maniera adeguata, 00:14:32.205 --> 00:14:34.125 poi, i cosiddetti outlier, 00:14:34.125 --> 00:14:35.884 che magari sono presenti nel dataset 00:14:35.884 --> 00:14:38.365 di partenza, possono venire filtrati o 00:14:38.365 --> 00:14:40.924 non essere adeguatamente rappresentati nel set 00:14:40.924 --> 00:14:43.009 di dati sintetici, andando così a 00:14:43.009 --> 00:14:45.730 perdere le informazioni potenzialmente importanti. 00:14:45.730 --> 00:14:47.970