Cosa sono i dati nell’IA: definizione, tipi e perché la qualità è fondamentale

Cosa sono i dati nell’IA

Quando senti parlare di intelligenza artificiale, probabilmente pensi a modelli, reti neurali, algoritmi complessi. Ma c’è una componente ancora più fondamentale, quella senza cui nessun modello potrebbe esistere: i dati.

In termini semplici, i dati sono qualsiasi informazione che un sistema informatico può elaborare. Nell’IA, sono il materiale grezzo da cui i modelli imparano. Se l’intelligenza artificiale fosse un motore, i dati sarebbero il carburante: senza, non si va da nessuna parte.

Un modello di IA non “capisce” il mondo come facciamo noi. Impara a riconoscere pattern, correlazioni e regolarità a partire dagli esempi che gli forniamo. Più esempi di qualità ha a disposizione, meglio impara. Sembra semplice, ma nasconde un livello di complessità che spesso viene sottovalutato, soprattutto quando si parla di tipologia e qualità dei dati.

Dati strutturati e non strutturati

Non tutti i dati sono uguali, e il modo in cui vengono organizzati fa una differenza enorme per i modelli di IA. La distinzione principale è tra dati strutturati e dati non strutturati.

I dati strutturati sono quelli organizzati in un formato predefinito, come righe e colonne di un database o un foglio di calcolo. Ogni campo ha un significato preciso: nome, cognome, data, prezzo. Sono facili da elaborare per un computer, perché lo schema è chiaro e consistente. Un modello che lavora su dati strutturati sa esattamente cosa aspettarsi in ogni posizione.

I dati non strutturati, invece, sono il grosso dell’informazione digitale: testi, immagini, audio, video. Non seguono uno schema rigido, non hanno colonne predefinite. Un post sui social, una foto del tuo gatto, una registrazione vocale: sono tutti dati non strutturati. Per questo tipo di dati servono modelli più complessi, capaci di estrarre pattern da un formato apparentemente caotico.

Tra i due estremi esiste anche una categoria intermedia: i dati semi-strutturati, come file JSON, XML o email, che hanno una struttura flessibile ma pur sempre riconoscibile.

L’infografica qui sopra mostra le tre grandi famiglie di dati. A sinistra i dati strutturati, quelli che trovi in un database o in un foglio di calcolo: righe, colonne, schemi fissi. Al centro i dati semi-strutturati, come codice JSON o XML: una struttura c’è, ma è flessibile e annidata. A destra i dati non strutturati, cioè tutto il resto: testo libero, immagini, audio, video. La maggior parte dei dati che produciamo ogni giorno appartiene a quest’ultima categoria.

Nel mondo dell’IA, la maggior parte dei problemi interessanti riguarda dati non strutturati. È molto più facile fare previsioni su un database di vendite che capire il sentiment di un commento su Instagram, proprio per la complessità intrinseca del formato.

Come i modelli usano i dati

Quando fai training di un modello, in pratica gli mostri migliaia o milioni di esempi. Il modello cerca di generalizzare, cioè di estrarre regole che funzionano non solo sugli esempi visti, ma anche su dati nuovi che non ha mai incontrato.

Prendi un modello che deve riconoscere cani e gatti. Gli mostri 10.000 foto etichettate: metà con cani, metà con gatti. Ogni foto è composta da pixel, ma il modello impara a riconoscere pattern più astratti: forma delle orecchie, lunghezza del muso, tipo di pelo. Non perché qualcuno gli abbia detto “guarda le orecchie”, ma perché ha trovato da solo la correlazione statistica tra certe configurazioni di pixel e l’etichetta “cane”.

Questo processo si chiama apprendimento supervisionato, ed è il più comune. I dati di partenza, in questo caso, sono dati etichettati: ogni esempio ha una risposta giusta associata. Etichettare dati costa tempo e denaro, ed è spesso il collo di bottiglia in molti progetti di IA.

Esistono anche l’apprendimento non supervisionato, dove il modello cerca pattern senza etichette predefinite, e l’apprendimento per rinforzo, dove impara per tentativi ricevendo premi e penalità. In tutti i casi, però, il principio è lo stesso: senza dati non si impara.

Il percorso dei dati: dal dato grezzo all’IA

Prima che un modello possa imparare qualcosa, i dati devono passare attraverso un percorso ben preciso. Non è che prendi un mucchio di informazioni grezze e le butti dentro una rete neurale: c’è un processo strutturato che trasforma il caos iniziale in qualcosa di utilizzabile. Questo processo si chiama data pipeline, ed è una delle parti più critiche di qualsiasi progetto di IA.

Il data pipeline si compone di 5 fasi principali, ognuna con un obiettivo preciso:

1. Raccolta dei dati. I dati vengono acquisiti da fonti diverse: database, file, cloud, API, sensori. È la fase di ingestione, dove si decide cosa raccogliere e da dove. Senza una buona strategia di raccolta, rischi di partire già con dati incompleti o irrilevanti.

2. Pulizia e validazione. I dati grezzi sono pieni di problemi: valori mancanti, duplicati, errori, incongruenze. In questa fase vengono individuati e corretti. È il passo più noioso ma anche il più importante: un dato sporco che passa questa fase contaminerà tutto il resto del pipeline.

3. Trasformazione ed elaborazione. I dati vengono convertiti in formati utilizzabili dal modello: normalizzazione, aggregazione, arricchimento, feature engineering. È qui che i dati assumono la forma che il modello può effettivamente elaborare.

4. Archiviazione e organizzazione. I dati trasformati vengono archiviati in strutture ottimizzate per l’accesso: database, data warehouse, data lake. Una buona organizzazione permette di recuperare i dati velocemente quando servono.

5. Machine Learning e IA. I dati pronti alimentano i modelli. È la fase finale del pipeline, dove tutto il lavoro precedente dà i suoi frutti. Se le fasi precedenti sono state fatte bene, il modello ha il materiale giusto per imparare.

Quello che vedi nell’infografica qui sopra è esattamente questo percorso: dal dato grezzo che arriva da fonti eterogenee, passando attraverso pulizia, trasformazione e archiviazione, fino ad alimentare un modello di IA. Ogni fase è fondamentale, e saltarne una significa compromettere il risultato finale.

Feature: cosa il modello “vede” nei dati

Un concetto chiave quando si parla di dati e IA è quello di feature. Le feature sono le caratteristiche individuali e misurabili che descrivono un dato. In una foto, le feature potrebbero essere i singoli pixel o pattern di pixel. In un testo, potrebbero essere le parole o le combinazioni di parole. In un database clienti, potrebbero essere età, reddito, numero di acquisti.

Scegliere le feature giuste è un’arte. Se le feature sono irrilevanti, il modello impara cose inutili. Se sono troppe, il modello si perde (è la cosiddetta maledizione della dimensionalità). Se sono troppo poche, il modello non ha abbastanza informazioni per imparare.

Il processo di feature engineering consiste proprio nel selezionare e trasformare le feature per renderle più utili al modello. È uno dei passaggi che richiede più esperienza in un progetto di machine learning. Un buon feature engineer sa trasformare dati grezzi in rappresentazioni che il modello può sfruttare al massimo.

La qualità dei dati: garbage in, garbage out

C’è un principio nel machine learning che vale la pena stampare a lettere cubitali: garbage in, garbage out. Se dai a un modello dati sporchi, incompleti o mal strutturati, otterrai risultati altrettanto scadenti, indipendentemente da quanto sia sofisticata la tua architettura.

Fare training su dati di bassa qualità significa essenzialmente insegnare al modello a ripetere gli errori che hai inserito. Se il dataset contiene etichette sbagliate, il modello imparerà a classificare nel modo sbagliato. Se contiene rumore, il modello cercherà di modellare il rumore. Se contiene pregiudizi impliciti, il modello li amplificherà.

Un esempio concreto che rende bene l’idea arriva dal mondo del fine tuning di modelli open source. Prendi un modello come Qwen 3B in quantizzazione Q4: un modello piccolo ma capace, in grado di produrre risposte coerenti, ben formulate e contestualmente appropriate. Un modello d’eccellenza per la sua categoria.

Ora immagina di farci un fine tuning fornendogli una base dati composta solo da conversazioni strutturate e non filtrate: dialoghi rigidi, senza variazione di tono, pieni di pattern ripetitivi, magari con errori e imprecisioni. Cosa succede? Il modello non si limita a peggiorare: smette proprio di produrre frasi di senso compiuto. Le risposte diventano sconnesse, ripetitive, prive di logica. Un modello che funzionava benissimo viene di fatto “rotto” dai dati sbagliati. Non perché l’architettura fosse inadeguata, ma perché il materiale di partenza era tossico.

Questo è il motivo per cui la qualità dei dati è forse il fattore più sottovalutato in tutto il settore dell’IA. Puoi avere il modello più potente del mondo, ma se i dati di addestramento o di fine tuning sono scadenti, i risultati saranno scadenti. Non c’è scorciatoia, non c’è algoritmo che compensi. I dati sono tutto.

Quanti dati servono?

Una domanda che sento spesso è: “Ma allora, quanti dati servono per fare un buon modello?” La risposta cambia in base al tipo di problema e alla complessità del modello, ma si possono dare indicazioni generali molto concrete.

Per un modello semplice, come una regressione lineare che prevede prezzi immobiliari, poche centinaia di esempi possono bastare. Per un modello di linguaggio come GPT, servono miliardi di parole (nell’ordine dei terabyte di testo). Più il modello è complesso, più dati servono per addestrarlo decentemente.

Esiste anche il rischio opposto: troppi dati. Avere milioni di esempi non aiuta se sono tutti simili. La diversità dei dati è importante quanto la quantità. Un dataset di 10.000 immagini di cani tutti della stessa razza non insegnerà al modello a riconoscere un labrador. Un dataset più piccolo ma vario, invece, produrrà risultati molto migliori.

FAQ

ChatGPT è stato addestrato su tutti i dati di Internet?

No, non su tutti. OpenAI ha raccolto un’enorme quantità di testo da fonti pubbliche (libri, articoli, pagine web, forum), ma ha applicato filtri per escludere contenuti di bassa qualità, violenti o protetti da copyright in modo problematico. Il dataset è nell’ordine dei terabyte, ma è comunque una selezione ragionata, non tutto Internet.

Cosa significa che un modello soffre di data drift?

Il data drift (o concetto di deriva) si verifica quando i dati su cui un modello è stato addestrato non rappresentano più la realtà attuale. Un esempio classico: un modello per il riconoscimento di malattie polmonari addestrato su radiografie del 2010 potrebbe non funzionare bene su radiografie del 2025, perché le macchine e le tecniche sono cambiate. I dati si “spostano” e il modello resta indietro.

I dati personali finiscono nei modelli?

Dipende da come vengono addestrati. I modelli possono memorizzare dati personali presenti nei dataset di training, ed è un problema reale. Per questo si usano tecniche di anonimizzazione, filtraggio e, in alcuni casi, machine unlearning per rimuovere specifiche informazioni dai modelli già addestrati.

Cosa sono i dati sintetici?

I dati sintetici sono dati generati artificialmente, spesso da altri modelli di IA, per aumentare o bilanciare i dataset reali. Per esempio, se hai poche immagini di un oggetto raro, puoi farne generare di nuove a un modello come DALL-E o Stable Diffusion. I dati sintetici sono sempre più usati, ma vanno maneggiati con cura perché possono introdurre artefatti e imprecisioni.

Cosa c’entra la context window con i dati?

La context window (finestra di contesto) è la quantità di dati che un modello come GPT può “vedere” in una singola interazione. Quando parli con ChatGPT, la conversazione che vedi tu è circa la stessa che vede il modello: se la context window è piena, i messaggi più vecchi vengono dimenticati. Non è un problema di training, ma di come il modello elabora i dati in tempo reale durante l’uso.