AI NEWS by BDB

Tag: FineTuning

  • Unsloth Studio (Beta): la rivoluzione No-Code per il training e l’esecuzione di modelli AI in locale

    La gestione e l’addestramento dei modelli linguistici di grandi dimensioni (LLM) ha appena compiuto un enorme passo verso l’accessibilità. Il rilascio di Unsloth Studio (Beta) segna un punto di svolta per sviluppatori, ricercatori e appassionati che desiderano mantenere il controllo totale sui propri dati senza compromettere le prestazioni.

    Cos’è Unsloth Studio? Si tratta di un’interfaccia web open-source e no-code progettata per unificare l’intero ciclo di vita di un modello AI in un unico ambiente locale. Storicamente, il fine-tuning e l’inferenza richiedevano script frammentati, profondo know-how tecnico e spesso dipendenza da costosi cluster hardware in cloud. Oggi, Unsloth Studio abbatte queste barriere offrendo un workflow lineare e unificato: Train → Run → Export.

    I punti chiave della piattaforma:

    • Esperienza No-Code intuitiva: attraverso la funzione “Data Recipes”, l’interfaccia permette di caricare file grezzi (come PDF, CSV, JSONL o documenti di testo) e li converte automaticamente in dataset strutturati pronti per l’addestramento, senza dover scrivere una singola riga di codice.
    • Esecuzione 100% Offline: l’intera pipeline viene elaborata sul computer dell’utente (compatibile con Windows, macOS e Linux), garantendo la massima privacy dei dati ed eliminando i rischi associati alla trasmissione su server esterni.
    • Efficienza senza compromessi: basandosi sul motore core di Unsloth, il sistema è in grado di ridurre drasticamente l’utilizzo della VRAM (in alcuni casi fino all’80%) e accelerare il processo di fine-tuning rispetto ai framework tradizionali, rendendo praticabile l’addestramento anche su hardware consumer.
    • Modello di licenza “duale”: per sostenere lo sviluppo pur rimanendo fedeli alla filosofia aperta, il componente UI è rilasciato con licenza AGPL-3.0, mentre il core engine mantiene la più permissiva licenza Apache 2.0.

    L’adozione di un approccio “local-first” rappresenta il futuro per chi necessita di modelli personalizzati e aderenti a rigidi vincoli di privacy. Unsloth Studio non si limita ad aggiungere nuove capacità all’IA, ma rende finalmente utilizzabili e governabili quelle già esistenti.

    Per consultare i requisiti di sistema e iniziare l’installazione, visita la documentazione ufficiale di Unsloth Studio.

  • Quanto siamo realmente lontani dall’AGI?

    Guardate questo video e la risposta sarà facilmente intuibile.

    Quando l’AI costruisce da sé mondi virtuali da esplorare e sfide da superare, commenta i suoi errori e progressi e si corregge imparando senza intervento umano, forse l’AGI non è poi così lontana.

    E quando i benchmark mostrano che le sue capacità si avvicinano a quelle umane e potrebbero presto superarle, restano pochi dubbi.

  • Cosa c’è DAVVERO dietro l’AI?

    Ti sei mai chiesto chi c’è veramente dietro le risposte dei modelli di intelligenza artificiale più potenti?

    Invisible Technologies, l’azienda che sostiene di aver addestrato l’80% dei principali modelli di IA del mondo, rivela che l’IA non è magia, ma un sofisticato testo predittivo potenziato da un “esercito invisibile di umani” che etichettano dati, valutano le risposte e insegnano ai modelli il giusto e lo sbagliato.

    I Large Language Models (LLM), sistemi non deterministici basati su reti neurali, vengono addestrati attraverso tre meccanismi principali: il Supervised Fine-Tuning, che fornisce esempi di dati di alta qualità (i “libri di testo”); il Reinforcement Learning (o reward modeling), dove gli umani assegnano voti alle risposte, premiando i comportamenti desiderati; e l’Evaluation, ovvero la creazione di test per misurare i miglioramenti, tenendo conto che l’opinione degli utenti non è deterministica e la soggettività è fondamentale.

    L’addestramento è una vera e propria ricerca scientifica complessa, non un semplice scooping up dell’internet, e la qualità dei dati è cruciale, poiché i modelli devono filtrare petabyte di contenuti irrilevanti o “spazzatura tossica” (come quella trovata su Reddit, una delle principali fonti di riferimento); di conseguenza, l’accesso a dati di addestramento superiori è destinato a diventare il vantaggio competitivo fondamentale (“moat”).

    La complessità del lavoro di addestramento è aumentata notevolmente, richiedendo specialisti con competenze specifiche (come infermieri, avvocati o esperti multilingue) invece di generalisti, il che sta facendo lievitare i costi del settore.

    Le aziende che implementano l’IA spesso commettono errori, come avere dati disorganizzati, non comprendere i propri processi interni (il black box del “team di Dave”), o tentare di automatizzare un processo esistente e difettoso anziché ridefinirlo completamente a partire dal risultato desiderato (come rimpiazzare un cavallo veloce con un’automobile); per avere successo, è essenziale stabilire metriche di valutazione chiare e oggettive, non un generico “pollice in su o in giù”.

    Infine, sebbene l’impatto dell’IA si stia spostando dal digitale al fisico (veicoli autonomi, robotica, logistica), la supervisione umana rimarrà fondamentale, specialmente negli ambiti normati (come le decisioni mediche o legali) a causa delle questioni di responsabilità, e per funzioni essenziali come la people management e gli atti di comunicazione, data la natura non razionale e imprevedibile dell’essere umano.

    Questa presentazione, realizzata con NotebookLM, nasce dalla trascrizione di un podcast del canale YouTube “The Neuron”, intitolato “This Company Trained 80% of the World’s Top AI Models (Here’s How They Do It)”.