On the missing data layer and a potential solution

Gli ingredienti mancanti per un cervello locale

Immaginate di cercare di preparare la torta perfetta, ma ogni ricetta che trovate è stata scritta per una cucina diversa, con ingredienti che non avete mai visto e forni che scaldano a temperature differenti. Questa è l'attuale situazione dell'Intelligenza Artificiale (IA) in America Latina. Per capire perché questo sia importante, dobbiamo guardare a due idee semplici. Primo, i modelli di IA sono come studenti super intelligenti; imparano leggendo enormi quantità di informazioni (dati) per capire come risolvere i problemi. Secondo, i benchmark sono come test standardizzati; sono gli esami che somministriamo a questi studenti per vedere se sanno davvero le cose o se stanno solo tirando a indovinare.

Al momento, la maggior parte degli "studenti" di IA in America Latina viene istruita da insegnanti di altri paesi utilizzando libri di testo scritti in altre lingue. Sebbene questi studenti siano bravi in compiti generali come la matematica o la programmazione, spesso inciampano quando viene chiesto loro di fare cose specifiche del proprio quartiere, come comprendere lo slang locale, riconoscere piante locali o navigare tra le leggi locali. La grande domanda non è solo se si possa diventare più intelligenti; si tratta di capire se una regione possa costruire il proprio cervello che comprenda davvero la propria gente, o se debba affidarsi per sempre a un cervello costruito altrove che potrebbe non interessarsi ai suoi bisogni specifici.

---

I due livelli mancanti della casa dell'IA

Secondo un nuovo articolo del team SURUS, all'America Latina mancano due piani critici nella sua casa dell'IA: un livello di dataset e un livello di benchmark. Pensate al livello dei dataset come alla biblioteca di libri che l'IA legge per imparare, e al livello dei benchmark come al centro di test dove controlliamo se l'IA è effettivamente intelligente. Senza questi, la regione non può costruire la propria IA, e non può nemmeno controllare correttamente se l'IA straniera che utilizza stia facendo un buon lavoro.

Gli autori sostengono che questa assenza crei due tipi diversi di problemi. Per le imprese, il problema è come cercare di identificare i parassiti in un'azienda agricola brasiliana usando una guida fatta per i campi europei. Il compito (trovare gli insetti) è lo stesso, ma gli insetti sono diversi. Se si utilizzano i dati sbagliati, la vostra IA potrebbe mancare i parassiti che effettivamente distruggono il raccolto. Per i governi e le istituzioni pubbliche, il problema è più profondo: riguarda l'identità. Se un'IA è addestrata su storie e valori stranieri, potrebbe descrivere i cittadini locali in modi che non si adattano, o prendere decisioni che non riflettono come quelle persone vivono realmente. È come avere un sindaco che parla una lingua diversa e non capisce la cultura locale: potrebbe essere educato, ma non vi governerà bene.

La grande caccia al tesoro dei dati

L'articolo sottolinea che i dati dell'America Latina non sono scomparsi; sono solo persi. Sono sparsi su internet come pezzi di un puzzle nascosti in scatole diverse: alcuni in articoli di ricerca, altri su piattaforme come Hugging Face, e altri ancora bloccati negli archivi privati delle aziende. Non esiste una mappa unica per trovarli. Anche se poteste trovarli tutti, semplicemente non ce n'è abbastanza rispetto a quanto ne esiste negli Stati Uniti o in Europa.

Questo crea un circolo vizioso: poiché non c'è un luogo facile per condividere i dati dove si riceva credito, le persone non condividono. Poiché le persone non condividono, non c'è una grande collezione che motivi altri a unirsi. Gli autori propongono una soluzione chiamata DataHub, una biblioteca centrale progettata per rompere questo ciclo. Non è solo un elenco; è un sistema che premia le persone per la condivisione. Se contribuisci con un dataset, ottieni visibilità e riconoscimento, rendendo la condivisione dei tuoi dati degna di nota.

Un nuovo modo di organizzare la biblioteca

Una delle parti più creative dell'articolo è come suggeriscono di organizzare questa nuova biblioteca. Invece di classificare i dati in base a "cosa sembrano" (come immagini o testo) o "per quale modello sono destinati", suggeriscono di classificarli in base a cosa l'IA deve fare.

Immaginate una biblioteca dove i libri non sono ordinati per colore o dimensione, ma per il lavoro che vi aiutano a svolgere. Gli autori propongono una scala a tre gradini:

1. Task (Compito): Qual è il lavoro? (es. "Trascrivere l'audio").
2. Dominio: Qual è il campo specifico? (es. "Medico" vs. "Legale").
3. Lingua e Regione: Chi sta parlando? (es. "Spagnolo Rioplatense" vs. "Spagnolo Colombiano").

Questo è importante perché un medico a Buenos Aires ha bisogno di un tipo di IA per la trascrizione medica diverso da quello di un avvocato a Bogotá. Un'IA generica potrebbe scrivere le parole correttamente, ma potrebbe perdere i termini medici specifici o l'accento locale. Organizzando i dati in questo modo, il DataHub assicura che l'IA che costruite sia tarata esattamente sulle vostre esigenze specifiche, facendola performare meglio e facendola sentire più "locale".

Porte aperte e incentivi

L'articolo prende una posizione netta su come questo debba essere costruito: Open by design (aperto per progettazione). Gli autori ritengono che per una regione che sta cercando di recuperare il tempo perduto, la collaborazione sia l'unico modo per vincere. Nascondere i dati dietro porte chiuse non aiuterà; condividerli apertamente permette a tutti di imparare più velocemente. Tuttavia, sanno anche che le persone non condivideranno solo per bontà d'animo. Il sistema deve essere "guidato dagli incentivi", il che significa che i contributori devono vedere un beneficio, come il riconoscimento per il proprio lavoro o il nome della propria istituzione associato ai dati.

La strada da percorrere

Gli autori sono chiari nel dire che questo è solo l'inizio — un "kickstart" piuttosto che un prodotto finito. Ammettono che ci sono ancora grandi ostacoli. Diversi paesi dell'America Latina hanno leggi diverse sulla privacy e sui dati, e non ci sono ancora regole concordate su come etichettare o concedere licenze a questi dati. Non pretendono di aver risolto questi problemi; al contrario, invitano tutti — aziende, università e governi — ad aiutare a risolverli.

L'articolo si conclude con un appello all'azione: il livello dei dataset per l'IA dell'America Latina deve essere costruito dalla regione, per la regione, altrimenti non verrà costruito affatto. Il DataHub è il primo passo, un invito vivente per chiunque abbia dei dati per entrare, condividere e aiutare a costruire un futuro in cui l'America Latina abbia la propria voce nel mondo dell'Intelligenza Artificiale.