Se la regolamentazione è il nuovo requisito non funzionale per il software moderno, allora i dati utilizzati per addestrare questi sistemi sono la materia prima che deve essere sottoposta ad audit per qualità, origine e integrità strutturale. In Ambiente Ingegneria, abbiamo spesso discusso di come l’addestramento dell’IA richieda la stessa precisione metrica e le stesse “pareti portanti” etiche dell’ingegneria civile. Oggi, tuttavia, stiamo assistendo a uno scontro fondamentale tra due filosofie contrastanti su come “nutriamo” la macchina: il Modello di Estrazione e il Modello Sovrano.
Immaginate la frustrazione di un’artista come SZA nello scoprire che oltre 200 delle sue canzoni sono state ingerite in un set di addestramento senza consenso — un processo che ha descritto come “disgustoso”. Contemporaneamente, la Commissione Europea sta lanciando un bando per sette “gigafactory” di potenza di calcolo per sfuggire alla dipendenza tecnologica da Stati Uniti e Asia. Queste non sono notizie isolate; rappresentano un bivio per l’industria.
Il Modello di Estrazione, che ha dominato la prima ondata di IA, privilegia il volume rispetto alla provenienza. Attraverso lo scraping indiscriminato del web aperto, crea strumenti potenti ma che spesso portano con sé bias “degenerati”. Studi recenti mostrano che i chatbot addestrati in questo modo esibiscono critiche politiche distorte, risultando spesso più restrittivi verso i leader occidentali rispetto a quelli autoritari. Per uno studio di ingegneria, questo approccio è l’equivalente di costruire un grattacielo con acciaio non certificato; si potrebbe raggiungere l’altezza desiderata, ma l’integrità strutturale è una scommessa. Questo “selvaggio west” dei dati alimenta anche la diffusione di informazioni non verificate e fake news — qualcosa a cui ci opponiamo attivamente.
Al contrario, il Modello Sovrano — supportato dai nuovi bandi infrastrutturali dell’UE e dai recenti decreti sull’IA del governo italiano — tratta l’addestramento come un processo controllato e trasparente. Questa filosofia si allinea con il quadro “Magnifica Humanitas” proposto da Papa Leone XIV, sostenendo un’IA che serva la dignità umana piuttosto che la sola potenza di calcolo grezza.
In Ambiente Ingegneria, crediamo che il futuro delle soluzioni integrate di Machine Learning risieda in questa seconda strada. Sia che stiamo sviluppando il riconoscimento delle immagini per uso industriale o assistenti basati su RAG per l’ERP Odoo, diamo priorità a una rigorosa analisi dei database. Non ci limitiamo a fare il “prompt” di una scatola nera; analizziamo le strutture SQL/NoSQL sottostanti per garantire che l’addestramento rifletta una “ground truth”. Aderendo agli standard internazionali e al sistema metrico decimale per il monitoraggio delle prestazioni, garantiamo che le nostre soluzioni di IA siano affidabili quanto gli edifici che progettiamo. La scelta è chiara: possiamo ereditare i bias di uno scraping globale di dati o costruire sistemi sulle solide fondamenta di un’ingegneria sovrana ed etica.