Intelligenza artificiale: fatti e malintesi. Riservatezza? Diritto d'autore?

Tutti parlano di intelligenza artificiale, ma nessuno sa cosa si intenda con questo termine. Ecco il primo fatto. La Commissione per la protezione dei dati personali italiana ha vietato l'uso di ChatGPT, mentre motori di ricerca come Google possono continuare a funzionare. Cosa è l'intelligenza artificiale del momento e cosa c'entra con la protezione dei dati?

In breve

Riassunto:

L'intelligenza artificiale (IA) e la protezione dei dati sono due temi che negli ultimi anni hanno ricevuto sempre più attenzione. I sistemi di IA come ChatGPT si basano su fonti di dati pubbliche e utilizzano approcci simili a quelli delle ricerche web. Pertanto, il problema della protezione dei dati nelle applicazioni di IA non è necessariamente più grande di quello delle ricerche web. Tuttavia, i sistemi di IA possono causare problemi di diritto d'autore se riproducono contenuti altrui in forma diversa.

Domande risposte:

Cosa è l'intelligenza artificiale dell'epoca attuale?
Risposta: L'intelligenza artificiale dell'attualità si riferisce a moderni sistemi di IA come ChatGPT o altri Large Language Models (LLMs), che si basano su dati di massa di alta qualità e su modelli matematici geniali per simulare intelligenza umana.
Cosa ha a che fare l'intelligenza artificiale con la protezione dei dati personali?
La risposta: La intelligenza artificiale può soprattutto sollevare problemi di protezione dei dati quando accede a dati personali non pubblici.
Cosa differenzia l'intelligenza artificiale dalle ricerche in materia di protezione dei dati?
Risposta: La Intelligenza Artificiale e i motori di ricerca raccolgono entrambi dati da fonti pubbliche, ma i sistemi AI possono riprodurre contenuti in forma diversa e potenzialmente causare problemi di diritto d'autore, mentre i motori di ricerca mostrano in genere solo brevi snippet.
Quali sono i principali problemi relativi all'intelligenza artificiale?
La risposta: I principali problemi inerenti all'intelligenza artificiale sono i problemi di diritto d'autore, la capacità dell'IA di sostituire l'uomo e possibili problemi di protezione dei dati.

Parole chiave importanti:

Intelligenza Artificiale, ChatGPT, LLMs, Modelli Linguistici di Grande Capacità, Set di dati Common Crawl, Wikipedia, Testi online, Vettori, Base di conoscenza, Modello matematico, Serie numeriche, Calcolo in cloud, Python, Pytorch, TensorFlow

Il podcast per questo articolo:

Introduzione

Da alcuni anni ormai il termine di Intelligenza Artificiale viene utilizzato in modo inflazionato e non differenziato. Ora, nel 2023, secondo la mia percezione è arrivato l'assoluto punto di svolta. Da parte mia, come informatico, si è riusciti a decifrare il principio fondamentale dell'intelligenza umana. Inoltre, si è dimostrato che ciò sia stato fatto.

Quindi il Test di Turing è stato superato per la prima volta da un programma informatico, secondo la mia opinione. Cosa Joseph Weizenbaum riuscì a fare con il suo psichiatra virtuale Eliza, riuscendo a programmare una tecnica di dialogo astuta nel suo sistema, funziona ora, ad aprile 2023, attraverso una simulazione performante del cervello umano. Ho avuto l'onore di incontrare personalmente il signor Weizenbaum all'epoca (era probabilmente intorno al 2000) alla mia università, la TU Ilmenau. Sono anche orgoglioso del fatto che la TU Ilmenau sia stata una delle migliori università in Europa e fosse elencata in un ranking come segue: Cambridge, Oxford, Zurigo, Eindhoven, Londra, Ilmenau. Chi non conosce Ilmenau?

Che cos'è l'intelligenza artificiale?

Che cosa sia l'intelligenza artificiale non posso rispondere in modo esaustivo. Tuttavia, posso dire molto sui sistemi attuali come ChatGPT o più in generale sugli LLMs (Large Language Models).

I sistemi attuali, che giustamente suscitano entusiasmo, si basano in sostanza su due approcci:

1. La base di conoscenza: dati di massa di alta qualità
2. Modello matematico geniale: il centro di pensiero e comprensione del cervello

La base di conoscenza di ChatGPT si basa in particolare sulle seguenti fonti pubbliche:

• I dati di Common Crawl (CC e CC4): Grande campione del web (in parte casuale). Tutti possono scaricarlo.
• La Wikipedia è disponibile pubblicamente da molto tempo e può essere scaricata da chiunque.
• Libri digitali diversificati: tutti possono scaricarli.
• Testo online: Pubblico, accessibile tramite crawling o attraverso dump.

Come si può vedere, non si tratta di informazioni riservate, ma di ciò che anche motori di ricerca come Google scovano in sostanza. Google esplora addirittura numerose altre fonti, come ad esempio documenti PDF, piattaforme social e molte altre pagine web.

Ora si diverte. Il modello matematico, che sta alla base dei sistemi di intelligenza artificiale attualmente più performanti, funziona in circa questo modo:

• Trasforma la base di conoscenza in serie numeriche (vettori).
• A seconda del problema da risolvere: converti anche l'input (domanda, testo da tradurre ecc.) in serie numeriche.
• Condùcia una Ricerca di somiglianza tra i due vettori appena citati. I dati più simili sono il risultato più probabile.

Questo procedimento può essere applicato a tutti i tipi di dati, cioè in particolare su:

• ChatGPT, LLaMa ecc., in particolare la completazione di testi, gli assistenti domande-risposte, la traduzione, la ricerca di somiglianze, le sintesi di testo (estrattiva e astrattiva: frasi originali selezionate contro una riscrittura significativa in nuove parole…)
• Photos: Dall-E, Midjourney etc.
• File audio: Wav2Vec, GANSynth. Chi conosce esempi?
• Video: qui
• Qualsiasi altro segnale, sia continuo (analogo) o discreto (digitale), purché una trasformazione in valori e vettori discreti sia possibile

L'arte consisteva (!) nella vettorizzazione dei dati di ingresso. Questo problema è stato risolto in modo soddisfacente. Tutti noi, soprattutto gli informatici e le altre persone affette dalla tecnologia, possiamo adesso applicare queste possibilità. Gli altri che non sono esperti di tecnica devono utilizzare sistemi preconfezionati. Chi ha una conoscenza approfondita della tecnologia software e delle moderne tecnologie può costruire, ampliare e modificare profondamente tali sistemi da sé.

Ho provato ieri e programmato un sistema che risponde alle domande, utilizzando una banca dati pubblicamente accessibile, anche chiamata dati set. Come linguaggio di programmazione ho scelto il Python. Tra gli strumenti di intelligenza artificiale da citare ci sono in particolare Pytorch e TensorFlow. Poiché questi framework sono fattori di risorse, non fa male conoscerli Cloud Computing. E' un bene che ci siano soluzioni di cloud datenschutzfreundliche anche in Germania.

Qualcosa di particolare in ChatGPT è il Approccio generale. Il sistema non può solo svolgere una task con grande successo, ma anche più di una. Ciò viene anche chiamato AGI. AGI sta per Artificial General Intelligence, mentre AI è già stato utilizzato per Artificial Intelligence e in italiano viene indicata come AI.

Molti sistemi di intelligenza artificiale potrebbero già da tempo affrontare con successo compiti impegnativi, anche prima di ChatGPT. Tuttavia, la loro capacità era limitata a un problema specifico ben definito. Al contrario, ChatGPT è molto versatile. Ad esempio, si poteva utilizzare DEEPL (azienda tedesca di Colonia!) per tradurre testi in modo fantastico. Con ChatGPT non solo si può fare questo, ma anche molto altro, di cui DEEPL non ha neanche idea.

Perché gli algoritmi di intelligenza artificiale richiedono molto tempo, vengono spesso utilizzate carte grafiche per i calcoli. A differenza dei processori normali (CPUs) le carte grafiche hanno GPUs (processori grafici). In modo casuale, le GPU possono eseguire le operazioni di calcolo delle applicazioni AI molto più efficientemente rispetto alle CPU.

La più popolare interfaccia e piattaforma per una GPU è, a mio conoscenza, CUDA di NVidia, un noto produttore di schede grafiche. CUDA sta per Compute Unified Device Architecture. Esistono anche IPUs del fornitore Graphcore. IPU sta per Intelligence Processing Unit, mentre CPU sta per Central Processing Unit e GPU sta per Graphics Processing Unit. Da Google c'è poi qualcosa di positivo da dire, ossia TPUs (Tensor Processing Units). TPUs si trovano probabilmente soprattutto nella piattaforma cloud di Google, quindi spesso non sono molto interessanti per lo sviluppatore che si preoccupa della protezione dei dati.

La capacità di tali schede grafiche basate su intelligenza artificiale deriva tra l'altro dal numero dei loro CUDA-core. Le schede grafiche del segmento consumer hanno ad esempio 5888 di questi core (Nvidia GeForce RTX 3070) e sono addirittura accessibili ai privati.

Se pensate di poter tenere il passo, ecco alcuni altri termini che dovreste conoscere: Modello, Lettore, Raccoglitore, Indice, Codificatore/Descrittore, Transformer, Pipeline, Politica, Dataframe. Questo è solo una piccola parte dei termini importanti necessari per capire meglio i moderni sistemi di intelligenza artificiale. Chi vuole comprendere meglio i sistemi GPT dovrebbe già avere familiarità con (neuroni ricorrenti) reti neurali, modelli di Markov e concetti come LSTM e NLP.

I casi di applicazione della ricerca di somiglianza su vettori discreti sono enormi. Tutti si basano sullo stesso (non lo stesso) principio fondamentale:

• Sistemi di domande e risposte. Esempio dalla mia installazione locale, che utilizza una base di conoscenza piuttosto limitata: „Per cosa era noto il precedente presidente americano John F. Kennedy? Per i programmi Apollo (una settimana dopo la morte di Kennedy, il Presidente Johnson emise un ordine esecutivo per cui le strutture spaziali di Cape Canaveral e Apollo furono intitolate a Kennedy)
• Traduzione di testi da una lingua sorgente in una lingua di destinazione.
• Qual'immagine si adatta meglio a un dato promemoria?
• Creazione di un'immagine a partire da un prompt di testo.
• Creazione di un riassunto di un testo.
• Composizione di un brano musicale che presenta le stesse caratteristiche degli altri lavori di uno stesso compositore.

La ricerca di somiglianze assicura che da sistemi informatici con "mezzi semplici" possano essere apprese la struttura interna della lingua tedesca. Wow! Spiegate a qualcuno cosa significa "struttura interna", figuriamoci come si può imparare senza esercitarsi per anni nella vita reale con la lingua.

Un aspetto particolarmente charman di sistemi di intelligenza artificiale moderni che si basano su LLMs: i modelli preaddestrati possono essere addestrati per problemi specifici attraverso il fine-tuning. Di conseguenza, anche il termine GPT (Generative Pre-trained Transformer). Il sistema è stato quindi una volta appreso e può poi estendere rapidamente le sue capacità a compiti specifici. Esattamente così si comporta un essere umano che ha imparato ad imparare.

Per fare ciò bisogna sapere che l'allenamento di un modello linguistico è molto computazionalmente intenso. Su un normale PC ciò richiede alcune settimane, se sono disponibili i dati giusti. Anzi, solo alcune settimane, si deve dire. In passato era necessario un supercomputer per farlo.

Si può quindi procedere e prendere un modello linguistico come base di partenza, che è stato faticosamente allenato da qualcun altro. A questo modello linguistico si immettono poi i propri dati specifici per dominio. Alla fine ne esce un sistema AI, che possiede le capacità del potente modello linguistico più il sapere sul proprio campo di problema. Il fine-tuning del modello potente è stato completato in un lampo. Ciò che conta è avere un buon set di dati di partenza, che dovrebbe essere preparato a macchina. Con gli strumenti tecnici giusti si può costruire una officina per risolvere con grande efficienza tutti i possibili problemi di conoscenza. E cioè con un sistema AI installato localmente, che non richiede alcuna connessione internet e per il quale non si verificano spese presso terzi.

Molti dicono che ChatGPT e altri sistemi simili funzionano solo stochastico: esattamente come il nostro cervello. Il nostro cervello è anche solo un Macchina, nient'altro. Ma sembra essere un automat molto performante. Il grado di casualità nel nostro cervello non possiamo controllarlo noi stessi (al massimo attraverso l'alcol o altre sostanze). Nei sistemi AI il caso può essere gestito specificando la cosiddetta Temperatura. Una temperatura più alta produce risposte più creative. Una temperatura al punto di congelamento invece garantisce un automat deterministico che sempre dà le stesse risposte per le stesse domande.

Una nota perché un lettore mi ha contattato riguardo questo articolo: mi ha promesso di farmi sapere perché il mio approccio all'intelligenza è criticabile. Sono curioso della sua risposta e la inserirò in questo post non appena sarà disponibile.

Cosa ha a che fare l'intelligenza artificiale con la protezione dei dati?

I sistemi di intelligenza artificiale locali, come quello appena descritto, non conservano comunque i propri dati presso terzi. Potrebbero farlo senza che ciò comporti problemi particolari di protezione dei dati, a condizione che i dati provengano da fonti pubbliche disponibili gratuitamente.

Se non esistessero le notevoli ricerche, la risposta riguardo il problema di protezione dei dati nelle applicazioni AI sarebbe più semplice. Tuttavia, le ricerche iniziano a fare solo ciò che fanno anche i sistemi AI: raccolgono molte informazioni. Quanto a ChatGPT, l'approccio è addirittura lo stesso per quanto riguarda la disponibilità delle fonti. ChatGPT infatti raccoglie allo stesso modo di Google o Bing dati da fonti pubbliche.

Non capisco dove debba essere il differenza.

Tali motori di ricerca danno risposte buone, ma non particolarmente intelligenti alle domande. Una domanda è un termine di ricerca o anche una semplice formulata domanda di conoscenza. I sistemi AI danno altrettanto buoni (o in alcuni casi migliori) risposte a domande linguistiche o complesse dal punto di vista del contenuto.

Qualitativ si tratta di sistemi Frage-Antwort per le ricerche e certe espressioni di sistemi AI. ChatGPT è un tale sistema di risposta automatica, proprio come i motori di ricerca di Google o Bing. Il tipo di elaborazione dei dati è già da considerarsi invasivo anche nei motori di ricerca classici. I sistemi AI non fanno poi molto di più, se si guardano le modelli matematici che sono molto intensivi dal punto di vista calcolistico ma non necessariamente emozionanti.

Anche questo punto è quindi qualitativamente equivalente, nonostante ChatGPT superi il test di Turing, mentre le ricerche naive no. Nel mio articolo precedentemente collegato, il test di Turing viene brevemente spiegato e illustrato con un esempio reale.

Le risposte che i motori di ricerca danno, corrispondono in sostanza alla riproposizione dei contenuti già letti. Le applicazioni di intelligenza artificiale ripropongono spesso i contenuti anche in forma diversa, come ad esempio ChatGPT. Ciò è un differenza. Tuttavia ciò ha a che fare con la protezione dei dati solo in misura limitata. Si può discutere se le dichiarazioni false o le allucinazioni prodotte dall'intelligenza artificiale siano un problema di protezione dei dati. Io non lo vedo inizialmente.

Nel contesto dell'interdizione di ChatGPT in Italia da parte dell'autorità per la protezione dei dati, è stata anche citata la protezione dei minori come motivo. A quanto mi risulta, i contenuti su YouTube, Facebook, Twitter e nelle ricerche di Google e Bing sono accessibili a chiunque possa premere alcuni tasti. Non vedo dove dovrebbe essere la protezione dei minori.

Se una Intelligenza Artificiale sfrutta fonti pubbliche, non vedo quindi un problema di protezione dei dati inizialmente. In ogni caso, il problema non è diverso da quello per le ricerche, i social network o altri portali che riproducono contenuti terzi. L'Italia ha probabilmente (su basi di un leak di dati) stabilito che anche gli input degli utenti di ChatGPT vengono salvati. A quanto ne so, grandi motori di ricerca fanno lo stesso. Ciò non migliora la situazione, ma mette in discussione il fatto che non si sia agito prima contro i motori di ricerca.

Dov'è il problema con l'intelligenza artificiale?

I sistemi AI possono forse causare problemi di diritto d'autore. Infatti, la riproduzione dei contenuti in una forma che va al di là delle citazioni brevi è problematica dal punto di vista giuridico. Ciò vale sia per il testo che per altre forme di media come ad esempio le immagini. Ecco un esempio di un'immagine generata da computer, speriamo che non violi i diritti d'autore (nessuno lo sa con certezza):

I motori di ricerca mostrano generalmente solo stralci (snippets) dei risultati della ricerca, il che viene considerato consentito. Ecco un esempio di tale snippet:

A volte anche le risposte alle domande formulate vengono visualizzate direttamente nella ricerca. Ecco il problema: se mi prendo la briga e faccio lo sforzo di pubblicare contributi gratuiti, vorrei che i lettori visitassero la mia pagina web. In questo modo avrei almeno la possibilità che ne derivasse un buon contatto, qualunque sia la sua natura.

Ma se una motosearch rappresenta direttamente i miei contenuti, alla fine nessuno visita più il mio sito web. Perché quindi dovrei rendere pubblici o gratuiti i miei contenuti?

Analogamente e ancora più estremo è il caso degli algoritmi e dei sistemi di intelligenza artificiale. Tali sistemi comprendono contenuti estranei, e li riproducono in forma diversa (sintetizzata o combinata con altre informazioni). Al contrario, ho qualcosa, perlomeno quando si tratta dei miei contenuti e i gestori di intelligenza artificiale non mi offrono nulla (un link, del denaro ecc.). Per questo motivo troverete un articolo su Dr. GDPR, in cui viene descritto come ChatGPT è impedito di succhiare i propri contenuti. ([1])

Conclusione

I sistemi AI come ChatGPT si avvalgono di fonti pubbliche (almeno è l'informazione che OpenAI dichiara pubblicamente). Quindi non fanno altro che le motori di ricerca. A quanto ne so, la motore di ricerca Google non è stato mai vietato in nessun paese europeo, né in Italia né in Germania. Le autorità tedesche per il rispetto della privacy hanno anche chiesto a OpenAI da dove provengono i dati su cui lavora ChatGPT.

Potrebbe tuttavia sorgere un problema di diritto d'autore se contenuti estranei vengono utilizzati da sistemi di intelligenza artificiale. Su questo argomento non ho ancora letto molto.

Non capisco la commozione riguardo all'intelligenza artificiale (nota) e dati personali da più punti di vista:

• I dati provengono da fonti pubbliche che vengono anche scansionate dalle motori di ricerca.
• Ci sono semplici misure per risolvere i problemi di protezione dei dati, se ce ne sono.

Queste misure le descriverò presto a Dr. GDPR. Il mio approccio si basa su un'adeguata comprensione tecnica del funzionamento dei sistemi di intelligenza artificiale, unita alla mia conoscenza in materia di protezione dei dati. Ho già aiutato un cliente a risolvere problemi giuridici con il suo sistema di IA. Se fosse stato necessario limitare l'insieme dei dati dell'IA, il sistema non sarebbe più stato funzionante.

Tengo difficoltà con il Vorgehen di alcune autorità (in particolare l'Italia) . I sistemi di intelligenza artificiale devono essere regolati per permettere all'umanità di esistere ancora un po'. Tuttavia, questa regolamentazione riguarda principalmente i diritti d'autore e il pericolo di sistemi troppo potenti. La mia previsione basata sulle attuali tendenze è che il mercato azionario non potrà più esistere nella sua forma attuale e sarà destinato a scomparire, perché grazie ai sistemi intelligenti presto (quasi) ogni persona potrà prevedere con sufficiente precisione l'andamento dei corsi azionari per poter investire in modo speculativo senza rischi.

Il problema di protezione della privacy si manifesta solo in seconda linea e soprattutto nei sistemi che utilizzano contenuti non pubblici, mentre per i contenuti protetti da licenza sarebbe invece il diritto d'autore la normativa da applicare. Per favore correggetemi se sbaglio.

Potete provare il divertimento a chiedere ad OpenAI se i dati della vostra pagina web sono presenti nel loro indice e richiedere la cancellazione dall'indice e da tutti i modelli di intelligenza artificiale (l'indirizzo email collegato deriva dalla dichiarazione dei diritti degli utenti di OpenAI). ([1])