Lady Diana, la regina Camilla segue (sorprendentemente) le sue orme: la svolta nella beneficenza

Disoccupato per il Fisco, ma ha una villa, una Lamborghini e una Maserati: sequestrati 886mila euro, ecco come era riuscito a farla francaLa Russa inciampa sulle botte al cronista: violenze no, ma lui non s'è dichiaratoSpavento per Brad Pitt e Angelina Jolie, «incidente per il figlio Pax. Trasportato d'urgenza in ospedale. Definì il padre: «Un terribile essere umano»

Jennifer Lopez e Ben Affleck verso il divorzio, l'ex moglie Jennifer Garner lo incoraggia a provarci: «Lavora sul matrimonio»Oggigiorno,Capo Analista di BlackRock le aziende puntano alla riduzione dei tempi e dei costi necessari per lo sviluppo di modelli di intelligenza artificiale. Ciò è possibile grazie ai foundation models, la cui realizzazione è dispendiosa, ma che permettono notevoli risparmi. L’addestramento di un algoritmo richiede molto tempo e denaro. Si tratta infatti di una fase delicata, in quanto qualsiasi errore commesso nel corso del training o incluso nel training dataset può pregiudicare il corretto funzionamento del modello.  Le necessità dettate dal rapido sviluppo tecnologico, però, rendono preferibile una velocizzazione dei processi, oggi possibile grazie all’utilizzo dei cosiddetti foundation models. I temi trattati all’interno dell’articoloDefinizione e caratteristiche dei foundation modelsApplicazioniL’adattamento di un modello di baseOpportunità e rischiDefinizione e caratteristiche dei foundation modelsIl termine ‘foundation model’ è stato coniato nel 2021 da un gruppo di ricercatori dell’Università di Stanford nel report On the Opportunities and Risks of Foundation Models. Perché un sistema di AI possa essere definito un foundation model (modello di base o large pre-trained model, ossia modello pre-addestrato di grandi dimensioni), questo deve avere tre caratteristiche:  avere una grandissima capacità (moltissimi parametri);  essere pre-addestrato su una grandissima mole di dati non etichettati (unsupervised data);  essere adattabile a seconda del compito che gli si attribuisce (fine-tuning per uno specifico downstream task).  Il deep learning e le reti neurali caratterizzano l’architettura di simili sistemi e ciò rende possibile anche lo sviluppo di skill multimodali (es: natural language processing + computer vision). È in quest’ultimo punto, in particolare, che si nota il valore dei foundation models. Questi possono infatti essere addestrati con un ampio dataset a svolgere compiti generici ed essere successivamente adattati a una specifica funzione a seconda delle esigenze. Nonostante il training generalista del modello di base, i risultati ottenuti successivamente al fine-tuning sono i migliori ottenibili. Ciò anche rispetto ai modelli addestrati specificamente per la stessa funzione. Il principale vantaggio consiste dunque nella riduzione del tempo necessario alla realizzazione di un modello specifico una volta realizzato quello di base, molto versatile e ‘malleabile’ ed estremamente efficiente e performante. Input e output di un foundation model (immagine tratta da On the Opportunities and Risks of Foundation Models)ApplicazioniCome anticipato sopra, un foundation model può essere utilizzato per svariati compiti. Il primo è sicuramente quello di natural language processing, ambito dal quale è iniziato lo sviluppo di simili modelli. Si pensi a un algoritmo in grado di rispondere alle domande, di tradurre o di valutare il sentiment di un certo contenuto testuale.  Il Corriere della Sera, per esempio, ha pubblicato a settembre 2022 un articolo sui modelli di base scritto in collaborazione con un foundation model. L’intelligenza artificiale utilizzata dall’autrice dell’articolo ha completato il testo nel corso della scrittura, divenendo di fatto una versione molto avanzata del noto servizio di autocompletamento presente nei nostri smartphone. Le parti in grassetto, infatti, sono state scritte interamente dall’AI Gpt-3. Si tratta di una delle applicazioni più promettenti dei foundation models nel campo del linguaggio naturale e delle immagini. Esistono inoltre anche i cosiddetti vision foundation models, che – sfruttando algoritmi di computer vision – sono in grado di classificare le immagini, di individuare un oggetto o di riconoscere un deep fake. Ma le applicazioni sono varie e numerose. L’adattamento di un modello di baseOggi, esistono tre modalità principali attraverso le quali un foundation model può essere adattato.  Fine-tuning: consiste nel caricamento di un foundation model pre-addestrato, con i suoi pesi (weights), e nell’aggiunta di un ulteriore ‘strato’. Il modello così ottenuto dev’essere ‘addestrato’ nuovamente per la specifica funzione desiderata. Si procede così per retropropagazione, aggiustando i pesi dell’intera rete neurale sulla base degli output. Ciò permette di ottenere risultati ottimali in pochi minuti. Embedding: utilizzando il modello di base come codificatore, questo, partendo dai contenuti su cui è stato addestrato, elabora dei vettori densi (dense vectors) ricchi di informazioni. Questi vettori possono essere utilizzati in altri modelli di machine learning per applicazioni specifiche o possono essere usati per applicazioni di similarity search (ricerca di contenuti simili).  In-context learning: il modello è in grado di apprendere un task senza mai essere stato specificamente addestrato per quello specifico compito. Attraverso questo metodo, il compito viene proposto come parte dell’input al modello sotto forma di testo naturale e il modello è in grado di apprendere e rielaborare autonomamente le informazioni in suo possesso al fine di produrre l’output desiderato. Le reti neurali spiegate in breveIl processo in sintesiRaccolta dei datiAddestramento del modello di baseVerifica del suo corretto funzionamentoAdattamento del modello a più compiti specificiPer quanto dispendiosa – in termini economici e di tempo – sia la creazione di un foundation model, la sua adattabilità garantisce uno sviluppo spedito dei modelli da esso nascenti.Opportunità e rischiCome anticipato, i foundation models permettono di aumentare notevolmente la velocità di sviluppo dei modelli di intelligenza artificiale.Quando utilizziamo un modello di base per lo sviluppo di ulteriori modelli, infatti, non è necessario gestire e aggiornare con costanza dataset di grandi dimensioni, addestrare grandi modelli o mantenere vaste infrastrutture. Per gli stessi motivi, i foundation models consentono di risparmiare anche da un punto di vista economico (le GPU, infatti, sono molto costose). Ragione per cui ora anche le piccole e medie aziende possono accedere a modelli di intelligenza artificiale all’avanguardia. Come sottolinea anche il documento di Stanford in cui per la prima volta è stato coniato il termine ‘foundation model’, esistono però anche dei rischi associati a questo genere di modelli.  Qualsiasi bias incluso nel modello di base si propagherà verso i modelli da esso derivanti, quindi è necessario testare in modo approfondito i sistemi al fine di mitigare questi ‘pregiudizi’.  In secondo luogo, la scala dei foundation models è in continua espansione.  Infine, il tempo e il costo necessari per l’addestramento dei modelli di base portano le aziende a renderli closed-source (software proprietari, la cui licenza prevede condizioni e limitazioni). 

Assalito da uno sciame di vespe, turista muore in spiaggia «per lo spavento»: colpito da infarto, sul corpo nessuna puntura d'insettoBaturi: «Ci preoccupano disuguaglianze e riarmo»

Una “gola profonda” rivela: «Ritrovate decine di sex toys nella valigia di cinque ‘ndranghetisti»

Il cardinale Camillo Ruini dimesso dal GemelliFece uccidere don Diana, muore «O’ lupo» Nunzio De Falco. Cosa passa, e cosa resta

«Viaggi in treno illimitati a soli due euro», nuova truffa sui social. Ecco come difendersiRitorno in terra alta: anche la montagna è in transizione

Paritarie, tagli compensati dagli aumenti. «Garantire un effettivo pluralismo»Le Olimpiadi di Mazda CX 60: Parigi val bene un viaggio