AI su misura: Personalizzazione e Alignment con la Task Arithmetic
Come possiamo adattare un modello di intelligenza artificiale alle preferenze e agli obiettivi di chi lo utilizza? L’ AI alignment affronta questa esigenza, ma persone e applicazioni diverse possono richiedere comportamenti differenti, talvolta in conflitto tra loro. Il prompt engineering permette di guidare le risposte, ma le sole istruzioni possono non bastare a ottenere comportamenti coerenti e persistenti al variare del contesto. I modelli open weights, rendendo accessibili i parametri, consentono di intervenire direttamente sul modello attraverso il fine-tuning. Possiamo poi riutilizzare e combinare gli adattamenti appresi senza ripetere l’addestramento per ogni esigenza?
In questo talk esploreremo la task arithmetic come strumento per la personalizzazione e l’ AI alignment dei modelli open weights. L’idea è rappresentare gli adattamenti appresi come vettori nello spazio dei parametri, sui quali eseguire semplici operazioni aritmetiche per combinare capacità, modulare comportamenti e bilanciare obiettivi diversi. Partendo da esempi intuitivi, introdurremo i principi del model merging e vedremo come possano contribuire a un allineamento personalizzabile. Discuteremo infine quando queste operazioni funzionano, perché preferenze apprese separatamente possono interferire e come la ricerca stia cercando di rendere la composizione dei modelli più affidabile e prevedibile.
Il relatore
Angelo Porrello - ricercatore tenure-track (RTT) presso il Dipartimento di Ingegneria “Enzo Ferrari” dell’Università di Modena e Reggio Emilia, membro del gruppo di ricerca AImageLab e dello European Laboratory for Learning and Intelligent Systems (ELLIS). È autore di oltre quaranta pubblicazioni scientifiche in conferenze e riviste internazionali.
La sua ricerca studia come rendere i modelli di intelligenza artificiale adattabili, componibili e controllabili nel tempo, con particolare attenzione alla personalizzazione e al riuso delle capacità apprese. Si occupa di apprendimento modulare, continuo e federato, model merging e model re-basin, con l’obiettivo di sviluppare metodi che consentano di aggiornare e combinare modelli riducendo la necessità di riaddestramento e tenendo conto dei vincoli di riservatezza dei dati. Applica inoltre queste tecniche a problemi di computer vision, con particolare attenzione all’anomaly detection e all’analisi video.