Il termine inglese “bias” deriva dal francese “biais”, che significa letteralmente obliquo o inclinato. Nell’ambito dell’intelligenza artificiale (IA), “bias” può avere diverse connotazioni. Nel campo delle scienze algoritmiche si riferisce a una differenziazione necessaria parametrata per ottenere un determinato risultato: se un algoritmo deve distinguere una mela da un’arancia, dovrà avere un bias. Tuttavia, in un’accezione più comune, il bias IA indica una distorsione o un pregiudizio che può influenzare i risultati generati dagli algoritmi in modo sistematico e involontario[1].
Indice degli argomenti
Origini e meccanismi dei pregiudizi algoritmici
Tali bias possono derivare da vari fattori: dalle opinioni e inclinazioni dei programmatori, dai dati di addestramento o dalla struttura stessa degli algoritmi che spesso si autocorreggono, rendendo sempre più complesso il monitoraggio. Anche l’input – ovvero la domanda formulata dall’utente – riflette inevitabilmente i pregiudizi di chi lo formula. Tutti questi passaggi possono contaminare l’output finale, conconseguenze tutt’altro che trascurabili, tra cui la diffusione di stereotipi, discriminazioni e disinformazione.
Nonostante lo stesso ChatGPT ammetta l’esistenza di tali pregiudizi, molti continuano a credere erroneamente che la tecnologia sia neutra e obiettiva[2]. Questo articolo mira a offrire una prospettiva critica illustrando casi concreti di bias e presentando delle soluzioni in fase di sviluppo al fine promuovere un’IA più etica.
Esempi concreti di pregiudizi nei sistemi di IA
Un primo esempio di bias è quello dei sistemi di IA per l’identificazione biometrica, che in tempo reale riescono a riconoscere delle caratteristiche umane fisiche, comportamentali o psicologiche allo scopo di determinare l’identità di una persona confrontando i suoi dati biometrici con quelli di altri individui memorizzati in una banca dati, indipendentemente dal fatto che la persona abbia o meno fornito il proprio consenso[3]. Questi sistemi di identificazione biometrica sono ampiamente utilizzati dalle forze di polizia che si avvalgono di database contenenti foto segnaletiche e patenti di guida[4].
È stato notato, però, come questi programmi, siano meno precisi con le donne e le persone di determinate etnie, a causa della carenza di diversità nei dati di addestramento, costituiti prevalentemente da immagini di uomini bianchi tra i 18 e i 45 anni[5]. Questi esempi illustrano un chiaro data bias, che riproduce nel sistema di intelligenza artificiale tendenze discriminatorie, stereotipi o diseguaglianze già presenti nella società.
“Pensare che oggi l’intelligenza artificiale non possa replicare la nostra storia è un po’ un’illusione: è diventato un sistema discriminatorio semplicemente perché è lo specchio della nostra società.”[6]
Giustizia predittiva e bias razziale
A tal proposito, si noti come la giustizia americana ricorra sempre più all’intelligenza artificiale nelle varie fasi del processo penale, soprattutto per formulare giudizi predittivi sul rischio di criminalità o recidiva. Questi sistemi analizzano vari dati quali il contesto familiare, il tasso di criminalità del quartiere, l’età, l’occupazione, i precedenti penali e altri fattori utili per stimare tale rischio[7]. Uno degli algoritmi più noti in questo ambito è COMPAS[8], che genera punteggi del rischio di recidiva e violenza attraverso un questionario composto da 137 domande[9].
Tuttavia, COMPAS ha mostrato evidenti segni di racial bias: gli imputati neri hanno quasi il doppio delle probabilità di essere erroneamente classificati come ad alto rischio rispetto ai bianchi (il 45% contro il 23%). Al contempo, un’elevata percentuale di bianchi con recidiva sono stati valutati a basso rischio[10]. Per di più, la scarsa trasparenza dell’algoritmo, il cui funzionamento è segreto e brevettato, ha sollevato questioni sul diritto al giusto processo, che tuttavia sono state respinte dalla Corte Suprema del Wisconsin. La Corte ha in effetti stabilito che il sistema fosse sufficientemente attendibile poiché il questionario è riportato nel manuale d’uso del software e si basa sulle risposte dell’imputato. Pertanto, l’imputato ha la possibilità di verificare l’accuratezza delle risposte riportate nel rapporto COMPAS[11]. La Corte ha, tuttavia, sottolineato che, sebbene COMPAS possa essere utilizzato in fase di condanna, il suo impiego deve essere opportunamente circoscritto[12].
Istruzione, la discriminazione dell’IA nei processi di selezione
Spostando l’indagine al contesto educativo, è stato osservato come negli ultimi anni, università, college e altri istituti di formazione hanno introdotto sistemi di IA nei loro processi di ammissione per accelerarli e per poter valutare un maggior numero di candidati. Anche questo settore si è rivelato non immune ai bias, e alcuni studenti si sono trovati ad essere svantaggiati per il sol fatto che i dati non hanno rappresentato adeguatamente l’intera popolazione.
Ad esempio, il sistema GRADE, usato dall’Università del Texas fino al 2020 per valutare i candidati al dottorato di ricerca è stato addestrato con i dati delle ammissioni degli anni precedenti, analizzando le caratteristiche delle candidature accettate e di quelle respinte. Sono così emersi elementi che aumentano la probabilità di accettazione, come lettere di raccomandazione contenenti le parole “migliore” o “premio”, nonché curriculum con voti alti o nomi di università di élite. Questo sistema, tuttavia, non rappresenta adeguatamente individui privi delle risorse necessarie per frequentare istituti di élite[13].
La discriminazione che ne deriva è particolarmente grave, poiché determina il percorso educativo e professionale di una persona. Di fronte a queste preoccupazioni, l’Università del Texas ha scelto di abbandonare l’uso di GRADE nel 2020.
Bias di genere (e non solo) nel settore dell’occupazione
Guardando al contesto lavorativo, sono sempre più frequenti i casi di adozione di sistemi di IA per automatizzare i processi di assunzione del personale, l’attribuzione di compiti o promozioni e i licenziamenti. I bias hanno in questo settore un impatto significativo in termini di prospettive di carriera, sostentamento e diritti dei lavoratori[14].
Un esempio noto è il sistema di selezione del personale di una azienda attiva nel settore della logistica, che penalizzava sistematicamente le candidature femminili per il ruolo di sviluppatore di software e altri posti ad alto contenuto tecnologico.
Il bias si era creato perché il sistema era stato addestrato su un database di curricula raccolti dalla stessa società nell’arco di dieci anni e la maggior parte di essi proveniva prevalentemente da uomini. Di conseguenza, il sistema ha auto-dedotto che i candidati maschili fossero più idonei, penalizzando i curricula con riferimenti a esperienze o qualifiche femminili. Riflettendo uno squilibrio di genere preesistente nel settore tecnologico, l’azienda ha impiegato anni per identificare e affrontare il problema[15].
Le cause del bias nell’intelligenza artificiale
Analizzando la casistica sopra proposta, ci si potrebbe chiedere se l’IA sia ontologicamente discriminatoria. Evidentemente, poiché si sta parlando di una macchina, si può escludere che il pregiudizio dell’IA non sia un “pensiero” della stessa. Di contro, il problema dei bias è intrinsecamente umano.
L’IA apprende analizzando grandi quantità di dati storici e individuando schemi che poi applica nelle sue previsioni o decisioni future. Tuttavia, se i dati riflettono disuguaglianze, stereotipi o pregiudizi esistenti nella realtà sociale, economica o culturale, il sistema tenderà a replicarli. Ad esempio, se un modello viene addestrato su dati storici di assunzioni in cui le donne sono state sistematicamente sottorappresentate in posizioni dirigenziali, l’IA potrebbe inconsapevolmente considerare la presenza femminile in tali ruoli come anomala o meno desiderabile, perpetuando un’ingiustizia storica.
Questo problema è particolarmente pericoloso perché i sistemi di IA vengono spesso percepiti come oggettivi e privi di emozioni e i loro risultati possono essere accettati senza una critica adeguata. Tuttavia, il loro giudizio è influenzato dalla qualità e dalla rappresentatività dei dati di training. Se i dati sono incompleti, sbilanciati o riflettono pregiudizi sociali, anche le decisioni dell’IA saranno distorte.
Strategie per mitigare i pregiudizi
È quindi cruciale adottare strategie per mitigare questi bias, agendo sulla qualità e sulla rappresentatività dei dati di training (come la raccolta di dati più diversificati, la rimozione di informazioni potenzialmente discriminatorie e l’adozione di metodologie di auditing per rilevare e correggere eventuali distorsioni). L’obiettivo finale deve essere quello di creare sistemi di IA che non solo rispecchino la realtà, ma che contribuiscano a correggerne le disuguaglianze, promuovendo risultati più equi e inclusivi per tutti i gruppi sociali. Ad esempio, sistemi di IA ben progettati possono analizzare grandi quantità di dati per evidenziare discriminazioni implicite e proporre soluzioni più eque in settori come le assunzioni, l’allocazione delle risorse pubbliche o la giustizia.
Quanto sopra esposto invita alla vigilanza e all’azione spingendoci a riflettere su soluzioni per garantire un’IA equa, inclusiva e rispettosa dei diritti fondamentali e, auspicabilmente, renderla uno strumento in grado di correggere i pregiudizi perpetuati nella società odierna.
Standard etici e iniziative normative
Aziende come Google[16] o OpenAI[17] hanno pubblicato codici etici. Alcuni limiti sembrano già integrati nelle IA di libero accesso:
Alcune iniziative normative sono poi emerse in alcuni Stati come Brasile[18], Stati Uniti[19], Canada[20], India e Giappone. La Cina ha adottato misure per la gestione dei servizi di IA generativa nel 2023[21] e alcuni Stati americani impongono vari obblighi di trasparenza e di responsabilità, come la California[22], l’Illinois[23] e il Connecticut[24].
È poi da segnalare il lavoro svolto dall’AI HLEG (High-level Expert Group on Artificial Intelligence), nominato dalla Commissione europea nel 2019, che ha elaborato sette principi cardini per un’IA affidabile: intervento e sorveglianza umani, robustezza tecnica e sicurezza, vita privata e governance dei dati, trasparenza, diversità, non discriminazione ed equità, benessere sociale e ambientale, responsabilità[25].
L’AI Act dell’Unione Europea
Anche l’Unione europea si è interessata del tema e lo ha regolamentato nell’AI Act. Regolamento (EU) 2024/1689, “Regolamento sull’intelligenza artificiale”. È bene ricordare che questo non disciplina tutti i problemi sollevati dall’IA ma rappresenta comunque la prima fonte deputata a regolamentare l’accesso dei sistemi di IA al mercato europeo[26]. Vieta alcune pratiche e classifica gli altri sistemi in quattro livelli di rischio (sistemi di IA a rischio inaccettabile, alto, limitato e minimo), ciascuno associato a requisiti di diverse gravità.
Le pratiche vietate dall’AI Act
L’articolo 5 del Regolamento elenca le pratiche di IA vietate. In particolare, è vietato l’uso di sistemi di identificazione biometrica remota “in tempo reale” in spazi accessibili al pubblico a fini di attività di contrasto[27]. Sono ugualmente vietati i sistemi di riconoscimento delle emozioni sul luogo di lavoro e negli istituti scolastici, i sistemi di previsioni del rischio che una persona commetta un reato, le IA che classificano le persone sulla base di un punteggio sociale determinato dal loro comportamento, le IA che sfruttano le vulnerabilità di persone, che sono manipolativi e ingannevoli, etc. La violazione di questi divieti determina l’applicazione di sanzioni amministrative pecuniarie fino a 35 milioni di euro o, se l’autore del reato è un’impresa, questa può rispondere con sanzioni di valore fino al 7% del fatturato mondiale totale annuo registrato nell’esercizio precedente[28].
Il regolamento disciplina poi in modo stringente i sistemi di IA ad alto rischio[29] richiedendo una qualità estrema dei dati di addestramento che devono essere pertinenti, sufficientemente rappresentativi ed esenti da errori. Per di più, i sistemi devono essere accompagnati da istruzioni per l’uso che contengano informazioni circa il fornitore, le capacità e limiti del sistema, il livello di accuratezza che ci si può attendere[30]. Devono inoltre essere progettati e sviluppati in modo da conseguire un adeguato livello di accuratezza, robustezza e cibersicurezza, e consentire una sorveglianza umana[31].
Obblighi di trasparenza
Per gli altri sistemi di IA sono imposti obblighi di trasparenza. L’articolo 50 del l’AI Act prevede che l’output debba essere marcato e rilevabile come generato o manipolato artificialmente. Va precisato che questo obbligo non si applica se la modifica apportata all’input non è sostanziale in quanto rappresenta un editing standard. Allo stesso modo, i deep fake devono essere indicati come generati o manipolati artificialmente[32].
Gli obblighi di “spiegabilità” dell’IA
La trasparenza richiesta dall’AI Act è anche da intendere nel senso di “spiegabilità”, difatti al fine di affrontare il problema della comprensibilità algoritmica, i fornitori di un sistema di IA devono fornire spiegazioni tali da rendere ragionevolmente comprensibile ai soggetti interessati il funzionamento e i limiti del modello, sistema o servizio di IA fornito, nonché le modalità con cui è giunto ad una determinata decisione o risultato e il modo in cui tali decisioni o risultati debbano essere interpretati e possano essere correttamente utilizzati, descrivendo in maniera dettagliata tali informazioni in apposita documentazione.
L’obbligo di fornire una spiegazione circa l’output ottenuto e il processo che ha portato a tale output determina la necessità di riuscire a spiegare anche tutti i fattori coinvolti nel processo automatizzato, tra cui anche i dati utilizzati.
L’AI Act si dovrebbe applicare dal 2 agosto 2026 ma alcuni divieti saranno già applicabili dal 2 febbraio 2025 e le relative sanzioni da agosto dello stesso anno[33]. Inoltre, gli Stati membri hanno tempo fino ad agosto 2025 per designare autorità nazionali competenti, responsabili di vigilare sull’applicazione delle norme[34].
I dati sintetici, una soluzione innovativa alla fame di dati dell’IA
Nonostante i passi avanti dell’AI Act, l’approvvigionamento di dati di addestramento rimane uno dei principali ostacoli allo sviluppo di un’IA equa e inclusiva. La disponibilità di dati è spesso limitata da diversi fattori: da un lato, i dati più sensibili sono protetti da norme sulla privacy, ad esempio, il 97% dei dati sanitari resta inaccessibile[35]; dall’altro lato, barriere culturali possono rendere difficile la raccolta di dati in alcune comunità. A ciò si aggiungono gli alti costi di acquisizione dei dati che costituiscono un ostacolo per le aziende interessate a sviluppare modelli più inclusivi. Per tali ragioni, nella maggior parte dei casi i produttori di sistemi di AI sono portati ad acquisire i dati di training da fonti scadenti e non controllate, ovvero violando la privacy degli interessati.
In questo contesto, i dati sintetici emergono come una soluzione innovativa. Per dati sintetici si intendono informazioni generate artificialmente, create mediante algoritmi che imitano i modelli presenti in dati reali senza includere dettagli identificativi[36]. Consentono di bilanciare gli squilibri, generando esempi per gruppi minoritari, riducendo così il rischio di bias. Inoltre, costano di meno rispetto a dati reali offrendo un’opzione economicamente vantaggiosa per le aziende che intendono sviluppare modelli più accurati.
Nel complesso, i dati sintetici sono un’ottima soluzione per evitare i rischi legati ai dati particolari, ma come per ogni tecnologia emergente, richiedono rigorosi standard di qualità e sicurezza per garantire che non emergano problemi legali o etici. Inoltre, i dati sintetici non rappresentano una soluzione definitiva per eliminare tutti i bias: il loro utilizzo deve integrarsi a un insieme di altre misure progettate per assicurare un’IA più etica.
Il monitoraggio umano per mitigare errori e bias
Un ulteriore misura che potrebbe mitigare un output errato o discriminatorio consiste nel c.d human in the loop: isistemi devono essere progettati in modo da consentire alle persone fisiche di sorvegliarne il funzionamento, garantire che siano utilizzati come previsto[37]. I programmatori devono essere trasparenti anche riguardo alle scelte progettuali e le strategie per mitigare i bias[38], prevedendo azioni correttive rapide. Alcune piattaforme iniziano a dimostrare una certa proattività in questo ambito ribadendo il proprio impegno nell’identificare, prevenire e fermare gli abusi dei propri modelli[39].
Proprio OpenAI ha reso pubblica la modalità utilizzata per garantire la supervisione umana, attraverso il c.d. “allineamento”[40].
Alla luce di questo fenomeno è stato inserito nella nuova versione di ChatGPT un nuovo modello linguistico: InstructGPT. Si tratta diun modello di intelligenza artificiale sviluppato da OpenAI, progettato per seguire le istruzioni degli utenti in modo più accurato rispetto ai modelli precedenti. Questo risultato è stato ottenuto attraverso un processo chiamato apprendimento tramite rinforzo da feedback umano (RLHF), in cui annotatori umani forniscono indicazioni per migliorare le risposte generate dal modello, privilegiando qualità, utilità e allineamento con le intenzioni degli utenti.
Lo stesso fenomeno ha coinvolto un’altra importante azienda informatica, che recentemente ha cercato di rendere la sua IA di generazione di immagini, più inclusiva. Era stato rilevato, infatti, che nella ricerca di immagini che raffigurassero “alti dirigenti”, l’IA generava prevalentemente figure di uomini bianchi di età matura. Per bilanciare questa mancanza di diversità, l’azienda informatica ha introdotto politiche di inclusione nei suoi algoritmi. Tuttavia, questa “ipercorrezione” ha portato a risultati imprevisti, specialmente in rappresentazioni di fatti storici: l’algoritmo, ad esempio, ha generato immagini di rivoluzionari francesi con caratteristiche asiatiche o ritratti di soldati della Seconda Guerra Mondiale con tratti etnici che non riflettevano la realtà storica.
Questo incidente evidenzia come, pur essendo essenziale correggere i bias, sia altrettanto importante non eccedere nel tentativo di “forzare” la rappresentatività, rischiando di introdurre nuove distorsioni.
Educazione e sensibilizzazione per un’IA più equa
Alla luce di quanto sopra, tutti abbiamo un ruolo da svolgere nella lotta contro la discriminazione. Promuovendo una cultura dell’inclusione, sfidando gli stereotipi e adottando comportamenti più equi, possiamo contribuire a creare una società più giusta e inclusiva, che si rifletta nelle tecnologie che sviluppiamo.
Difatti esistono anche delle realtà che sono un esempio virtuoso nell’utilizzo dell’AI. La Camera dell’artigianato di Bordeaux ha implementato un sistema di IA per supportare i dipendenti nel rispondere a quesiti giuridici e amministrativi complessi, senza sostituirli. Il sistema si basa sull’architettura di ChatGPT ma è scollegata da Internet e banche dati esterne ed è addestrata solo su documenti interni e informazioni create ad hoc dal responsabile del progetto, garantendo riservatezza e accuratezza. Inoltre, è monitorato costantemente e accessibile solo tramite un intermediario umano. Questo esempio risponde ai principi etici dell’AI Act[41]e dimostra che l’intelligenza artificiale può essere etica.
Il futuro dell’intelligenza artificiale e del bias
L’intelligenza artificiale è spesso rappresentata come una minaccia, una percezione amplificata dall’immaginario collettivo che evoca l’idea di un’entità autonoma e potenzialmente pericolosa. Eppure, considerare l’IA come una semplice “tecnologia di apprendimento automatico” può aiutarci a ridimensionare questa visione, ricordandoci la sua natura di strumento, non di soggetto indipendente.
Sebbene l’IA porti con sé rischi reali, essa offre anche opportunità enormi per la società, come nel campo medico, dove le sue capacità stanno già migliorando la diagnosi e il trattamento. Stabilire regole chiare e condivise per il suo sviluppo è fondamentale e l’AI Act rappresenta un primo passo importante verso una regolamentazione consapevole, che sta ispirando anche altre giurisdizioni.
Il nostro compito, come società, è vigilare affinché queste tecnologie siano usate per promuovere giustizia, inclusione e progresso. Un approccio multidisciplinare e inclusivo sarà essenziale per affrontare in modo completo e responsabile le sfide del futuro dell’intelligenza artificiale.
“La strada verso l’eliminazione del bias nell’IA non è breve né semplice, ma rappresenta una sfida che il mondo della tecnologia deve affrontare per garantire uno sviluppo equilibrato ed etico dell’intelligenza artificiale”[42].
Note
[1] Antoine Grignola, “Les biais algorithmiques dans les LLM”, in DataBird, aprile 2024, consultabile a questo link (ultima consultazione: 15/11/24).
[2] Nazioni Unite, Assemblea Generale, Consiglio dei diritti dell’uomo, 55esima sessione, Contemporary forms of racism, racial discimination, xenophobia and related intolerance: report of the Special Rapporteur Ashwini K.P., giugno 2024, disponibile a questo link (ultima consultazione: 15/11/24).
[3] Regolamento (UE) 2024/1689 del Parlamento Europeo e del Consiglio del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale e modifica i regolamenti (CE) n, 300/2008, (UE) n, 167/2013, (UE) n, 168/2013, (UE) 2018/858, (UE) 2018/1139 e (UE) 2019/2144 e le direttive 2014/90/UE, (UE) 2016/797 e (UE) 2020/1828 (regolamento sull’intelligenza artificiale) (di seguito “AI Act” o “Regolamento sull’intelligenza artificiale”), considerando 15, 17 e articolo 3, 35).
[4] Marissa Gerchick, Matt Cagle, “When it comes to facial recognition, there is no such thing as a magic number”, in American Civil Liberties Union, 7 febbraio 2024, consultabile a questo link (ultima consultazione: 15/11/24).
[5] Khari Johnson, “ImageNet creators find blurring faces for privacy has a ‘minimal impact on accuracy’”, in VentureBeat, 16 mars 2021, consultabile a questo link (ultima consultazione: 15/11/24).
[6] Prof. Giovanni Ziccardi, intervento in occasione della Conferenza “Verso una IA inclusiva: come superare bias e discriminazione algoritmica”, organizzata dall’associazione Privacy She-leaders, il 22 ottobre 2024 a Milano.
[7] Mitja Gialuz, “Quando la giustizia penale incontra l’intelligenza artificiale: luci e ombre dei risk assesment tools tra Stati Uniti ed Europa”, in Diritto penale contemporaneo, 29 maggio 2019, consultabile a questo link (ultima consultazione: 15/11/24). Per approfondire: Aziz Z. Huq, “Racial equity in algorithmic criminal justice”, in Duke Law Journal, March 2019, col. 68, n.6, consultabile a questo link (ultima consultazione: 15/11/24).
[8] Acronimo di Correctional Offender Management Profiling for Alternative Sanction
[9] Tra queste: “Quanto spesso hai litigato a scuola?”, “Quanti dei tuoi amici fanno uso di droghe illegali?”, “Quanto sei d’accordo con affermazioni come: una persona affamata ha il diritto di rubare? O: se qualcuno mi fa arrabbiare, potrei diventare pericoloso?”. Julia Angwin, Jeff Larson, Surya Mattu and Lauren Kirchner, “Machine Bias: There’s software used across the country to predict future criminals. And it’s biased against blacks”, in ProPublica, 23 maggio 2016, consultabile a questo link (ultima consultazione: 15/11/24).
[10] Julia Angwin, Jeff Larson, Surya Mattu and Lauren Kirchner, Ibid.
[11] Supreme Court of Wisconsin, STATE v. LOOMIS, 13 luglio 2016, No. 2015AP157-CR, §55.
[12] Supreme Court of Wisconsin, STATE v. LOOMIS, 13 luglio 2016, No. 2015AP157-CR, §35.
[13] Lilah Burke, “The Death and Life of an Admissions Algorithm”, in Inside Higher Ed, 13 dicembre 2020, consultabile a questo link (ultima consultazione: 15/11/24).
[14] Regolamento sull’intelligenza artificiale, considerando 57.
[15] Davide Giribaldi, “Intelligenza artificiale, tutti i pregiudizi (bias) che la rendono pericolosa”, in Network Digital 360, 2019, consultabile a questo link (ultima consultazione: 15/11/24).
[16] “Google ha sviluppato sette principi etici e pubblica un rapporto annuale che documenta i progressi compiuti nella loro attuazione. Questo rapporto descrive in dettaglio le azioni intraprese da Google per correggere i pregiudizi, tra cui la selezione dei dati, l’introduzione di filtri e la documentazione di eventuali errori.” Carmelo Fontana, intervento in occasione della Conferenza “Verso una IA inclusiva: come superare bias e discriminazione algoritmica”, organizzata dall’associazione Privacy She-leaders, il 22 ottobre 2024 a Milano.
[17] consultabile a questo link
[18] Il Brasile ha pubblicato una serie di linee guida nelle quali sono stabilite misure per lottare contro i bias algoritmici.
[19] Executive Order 14110 of October 30, 2023, “Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence”.
[20] Nazioni Unite, Assemblea Generale, Consiglio dei diritti dell’uomo, 55esima sessione, Contemporary forms of racism, racial discimination, xenophobia and related intolerance: report of the Special Rapporteur Ashwini K.P., giugno 2024, p.16.
[21] Mirano alla trasparenza dei dati di addestramento, al rispetto della proprietà intellettuale, alla protezione della salute – ma anche alla protezione dei valori fondamentali del socialismo con il divieto di incitare alla sovversione del potere statale, di danneggiare l’immagine nazionale o di incitare al separatismo. Cina, Misure provvisorie per la gestione dei servizi di intelligenza artificiale generativa, consultabile al seguente link (ultima consultazione: 15/11/24).
[22] California, Assembly Bill No. 2013,Chapter 817, An act to add Title 15.2 (commencing with Section 3110) to Part 4 of Division 3 of the Civil Code, relating to artificial intelligence, consultabile a questo link (ultima consultazione: 15/11/24).
[23] Illinois, Illinois House Bill 3775, Reinserts the provisions of the engrossed bill with the following changes.[…]Defines “artificial intelligence” and “generative artificial intelligence”, consultabile al questo link (ultima consultazione: 15/11/24).
[24] Il testo è in fase di approvazione alla Camera dei rappresentati. Connecticut, General Assembly, An Act Concerning Artificial Intelligence, febbraio 2024, consultabile a questo link (ultima consultazione: 15/11/2024).
[25] Per una definizione di ogni principio: Regolamento sull’intelligenza artificiale, considerando 27.
[26] Giusella Finocchiaro, Diritto dell’intelligenza artificiale, Zanichelli Editore, ottobre 2024, p. 22.
[27] Regolamento sull’intelligenza artificiale, articolo 5, §1, h)
[28] Regolamento sull’intelligenza artificiale, articolo 99, §3.
[29] Regolamento sull’intelligenza artificiale , articolo 6.
[30] Regolamento sull’intelligenza artificiale, articolo 13.
[31] Regolamento sull’intelligenza artificiale, articolo 14 e 15.
[32] Regolamento sull’intelligenza artificiale, articolo 50, §4.
[33] Art. 113 AI Act.
[34] Cfr. Considerando 179 e Articolo 70 AI Act.
[35] Shalini Kurapato, intervento in occasione della Conferenza “Verso una IA inclusiva: come superare bias e discriminazione algoritmica”, organizzata dall’associazione Privacy She-leaders, il 22 ottobre 2024 a Milano.
[36] Domenico Aliperto, “Dati sintetici: come usarli e benefici per lo sviluppo dei modelli di apprendimento automatico”, in Network Digital 360, 14 ottobre 2024, consultabile a questo link (ultima consultazione: 15/11/24).
[37] Regolamento sull’intelligenza artificiale, considerando 73.
[38] Avv. Luisa Di Giacomo, “Algoritmi e bias: come l’intelligenza artificiale può riprodurre o combattere i pregiudizi”, in Diritto.it., consultabile a questo link (ultima consultazione: 15/11/24).
[39] Open AI, Influence and cyber operations: an update, ottobre 2024, disponibile a questo link (ultima consultazione: 15/11/24).
[40] Cfr. https://openai.com/index/instruction-following/.
[41] Incontro con Romain Deberteix, responsabile dello sviluppo economico alla Chambre des métiers et de l’artisanat en Gironde, il 6 novembre 2024.
[42] Daniele De Angelis, “Mitigare i pregiudizi dell’AI con la DPIA: una strategia “olistica””, in Network Digital 360, 05/12/2023, consultabile a questo link (ultima consultazione: 15/11/24).
