L'IA ha bisogno di contesto. I Linked Data lo forniscono.

L'intelligenza artificiale è al centro del dibattito odierno sulla tecnologia. Alle conferenze, nei titoli dei giornali e nelle roadmap dei prodotti: l'intelligenza artificiale è ovunque. Allo stesso tempo, i Linked Data, che un tempo erano al centro dell'attenzione, sembrano aver perso un po' di visibilità.

Tale percezione potrebbe indurre in errore: l'IA non sta sostituendo i Linked Data, ma mette in luce quanto sia fondamentale disporre di dati ben strutturati e connessi tra loro.

Non si tratta di priorità in conflitto tra loro. Si tratta di tecnologie convergenti che stanno evolvendo insieme e, in molti casi, si potenziano a vicenda.

Per comprendere questa relazione occorre innanzitutto capire come funzionano effettivamente i sistemi di intelligenza artificiale.

L'intelligenza artificiale dipende dalla qualità del suo addestramento

La maggior parte dei sistemi di intelligenza artificiale moderni, in particolare quelli basati sull'apprendimento automatico e sulle reti neurali, operano in due fasi: addestramento e inferenza.

Durante l'addestramento, i modelli apprendono da grandi quantità di dati. Questi esempi insegnano al sistema come funzionano gli schemi, come fluisce il linguaggio e come emergono le relazioni tra i concetti. Una volta addestrato, il modello passa alla fase di inferenza, in cui applica quanto appreso a nuove situazioni.

Si tratta di uno strumento potente, ma presenta alcuni problemi.

La formazione richiede grandi quantità di dati, e la qualità è importante tanto quanto la quantità. Se le informazioni di base sono incoerenti, incomplete o mal strutturate, il modello apprende da esempi errati. Quando si combinano dati provenienti da più fonti, tali incongruenze possono moltiplicarsi.

Una volta implementati, i sistemi di intelligenza artificiale possono produrre risultati difficili da verificare. Le “allucinazioni”, ovvero quei casi in cui i sistemi generano risultati che sembrano attendibili ma sono in realtà errati, continuano a rappresentare un problema irrisolto.

Tutto ciò porta a una domanda fondamentale: come possiamo fornire all'IA conoscenze migliori su cui basarsi?

La conoscenza strutturata migliora il modo in cui l'IA apprende

È proprio qui che i Linked Data svolgono un ruolo fondamentale.

I Linked Data organizzano le informazioni attraverso relazioni strutturate. Anziché considerare i dati come record isolati, collegano le entità e le relazioni tra di esse, formando una rete di conoscenze che le macchine possono interpretare più facilmente.

Le biblioteche hanno da tempo creato questo tipo di struttura attraverso i metadati. Formati come il MARC consentono di registrare descrizioni dettagliate di libri, autori, argomenti ed edizioni. Man mano che questi dati si trasformano in Linked Data, assumono un significato che va oltre la semplice descrizione. Diventano interconnessi e comprensibili dalle macchine su larga scala.

In base all’esperienza di OCLC, utilizzare metadati strutturati come input per l’addestramento può fare una differenza significativa. Quando le relazioni tra le entità sono già definite, i modelli non devono ricavare molte informazioni dagli schemi grezzi. La struttura è integrata nei dati.

Ciò può rendere l'addestramento più efficiente e contribuire a ridurre il lavoro computazionale necessario per ottenere risultati utili.

In parole povere, più le conoscenze sono organizzate in modo sistematico, più è facile per i sistemi di intelligenza artificiale imparare da esse.

I Linked Data migliorano anche i risultati dell'IA

I vantaggi non si limitano all'addestramento. I Linked Data offrono inoltre un modo per convalidare i risultati dell'IA durante la fase di inferenza.

Un approccio che sta suscitando crescente interesse è la Generazione Potenziata dal Recupero (RAG) che utilizza i grafi della conoscenza. Anziché basarsi esclusivamente sui risultati dei modelli, i sistemi possono verificare tali risultati confrontandoli con una fonte affidabile di conoscenze strutturate.

Nell’ambito delle attività di raccomandazione svolte da OCLC, i suggerimenti generati dall’IA possono essere verificati confrontandoli con WorldCat per confermare l’esistenza dei titoli e l’accuratezza delle relazioni prima che vengano restituiti i risultati.

Ciò garantisce un ulteriore, importante livello di affidabilità. Riduce la probabilità di ottenere risultati "allucinati" e fornisce una base più chiara e verificabile per comprendere come vengono generati i risultati.

Anziché basarsi esclusivamente sul riconoscimento degli schemi, i sistemi IA possono fondare le proprie risposte su conoscenze verificabili.

Un ciclo di miglioramento continuo

Il rapporto tra IA e Linked Data diventa ancora più significativo se considerato come un ciclo continuo.

L'intelligenza artificiale è in grado di analizzare i metadati esistenti e individuare schemi, lacune o collegamenti mancanti. Tali approfondimenti possono quindi essere utilizzati per migliorare i dati sottostanti, arricchendo il grafo delle conoscenze.

Questi dati migliorati costituiscono la base per la prossima sessione di addestramento.

Il processo prosegue: addestramento, inferenza, validazione e miglioramento.

In OCLC, questo approccio iterativo sta già prendendo forma, come nel caso del nostro processo di deduplicazione basato sull’IA in WorldCat. All’inizio di quest’anno abbiamo completato una fase di test, incentrata esclusivamente sui libri in inglese in formato cartaceo presenti in WorldCat, durante la quale abbiamo unificato 5.000.000 di record duplicati individuati di recente. I libri cartacei in lingua inglese rappresentano la categoria più ampia di duplicati in WorldCat e costituiscono il formato che, fino ad oggi, è stato sottoposto ai test più rigorosi e ha beneficiato dei miglioramenti più significativi nell'ambito delle nostre attività di deduplicazione basate sul machine learning. Stiamo ancora analizzando i risultati, ma una cosa è chiara: i risultati generati dall’IA possono essere confrontati con dati strutturati, e tali risultati possono contribuire a perfezionare e ampliare i dati stessi. Con il passare del tempo, sia i dati che i modelli migliorano di pari passo.

È proprio qui che l'idea delle tecnologie convergenti trova applicazione pratica. IA e Linked Data non si stanno semplicemente evolvendo parallelamente. Ciascuno di essi contribuisce attivamente a migliorare l'efficacia dell'altro.

Perché i Linked Data sono ancora importanti

L'attenzione attualmente rivolta all'IA può dare l'impressione che tutte le altre tecnologie debbano adattarsi o scomparire. Il rapporto tra IA e Linked Data suggerisce qualcosa di diverso.

L'intelligenza artificiale è potente, ma per esprimere appieno il proprio potenziale ha bisogno di conoscenze strutturate e interconnesse. I Linked Data costituiscono tale base, organizzando le informazioni in modi che le macchine possano comprendere, convalidare e utilizzare come punto di partenza.

Per le organizzazioni che dispongono di metadati dettagliati, ciò rappresenta un vantaggio significativo. Quei dati non si limitano a descrivere le risorse. Consentono di avere un’IA più accurata, efficiente e affidabile.

Uno sguardo al futuro

L'IA sarà anche la tecnologia più in voga al momento, ma per essere efficace ha bisogno di dati affidabili e ben interconnessi. I Linked Data forniscono proprio quel contesto. In OCLC, questa non è una relazione puramente teorica. Si tratta di un settore di investimento in forte espansione, in cui Linked Data e IA si stanno evolvendo di pari passo per migliorare nel tempo. Anziché sostituirsi a vicenda, queste tecnologie stanno convergendo. E insieme stanno definendo il modo in cui la conoscenza può essere organizzata, compresa e condivisa in modo più efficace.

Questo blog si basa sui contenuti della presentazione intitolata “Building Intelligence: Practical library applications of AI and Linked Data at OCLC”, tenuta per la prima volta in occasione della conferenza IFLA WLIC tenutasi ad Astana, in Kazakistan, nel 2025. È possibile guardare la registrazione completa della presentazione qui.

Questo articolo è stato pubblicato originariamente in inglese su OCLC Next.