Google ha costruito macchine che sanno quando non sanno
GlucoFM gestisce i buchi nei dati CGM, mentre Google migliora le previsioni e introduce la mediazione per le azioni manuali. L'AI impara ad ammettere i limiti.
Il modello di glicemia impara da dati rotti, il motore climatico rifiuta variabili già note.
La sera prima di cena guardi il grafico della glicemia sul telefono e trovi un buco di venti minuti. Il sensore ha smesso di trasmettere. Fino a ieri, il software avrebbe potuto riempire quel vuoto con una stima tirata via o, peggio, con una linea che fingeva sicurezza. Invece, la maschera di osservazione di GlucoFM tiene traccia di ogni singolo minuto mancante, senza spacciare per dato ciò che dato non è. Il modello allinea ogni registrazione su una griglia di 24 ore con passi da cinque minuti e, soprattutto, ricorda cosa non ha visto.
Quando il sensore ti dice “non ho visto”
Ma la vera sorpresa è che GlucoFM non è un semplice riempitore di vuoti. Il suo design a doppio flusso separa i trend lenti della glicemia dalle deviazioni a breve termine, mantenendo intatte le informazioni su ora del giorno e dati mancanti. Per addestrarlo, i ricercatori hanno usato le augmentation consapevoli del CGM: derive di base, cali simili a compressioni, campionamenti più radi, disconnessioni brevi. In pratica, il modello impara su dati volutamente rotti. Così, quando incontra un buco reale, non va nel panico: sa che i buchi fanno parte del gioco.
Peccato che la domanda sulla privacy dei dati sanitari resti ancora senza risposta: se il modello vede tutto, chi altro vede il modello?
Il motore planetario che si mette alla prova
Spostiamoci dai polsi ai pianeti. Il Planetary Prediction Engine di Google non si accontenta di fare previsioni climatiche accurate: vuole farsi beffe delle previsioni troppo sicure. La sua architettura include un Feature Gate che valuta ogni covariata candidata contro quattro criteri anti-perdita: filtraggio di sotto-componenti matematici, dati di indagine condivisi, effetti causali a valle e dati temporali futuri. Tradotto: scarta le variabili che sembrano utili solo perché il modello ha già visto la risposta.
Poi arriva la fase più interessante. La Fase 3 del PPE esplora più famiglie di modelli — lineari regolarizzati, alberi con gradient boosting, percettroni multistrato — e per ognuna attiva un Overfitting Guard Protocol che pre-valuta il rischio del dataset e avvia un ciclo di auto-correzione quando rileva fallimenti di generalizzazione.
Non è un semplice “scegli il modello migliore”: è un sistema che si chiede continuamente “sto imparando davvero o sto solo memorizzando?”
E per evitare che i limiti di contesto dei modelli linguistici corrompano i dati, gli artefatti passano tra le fasi tramite handle opachi invece di essere serializzati nei prompt. Un dettaglio che dice molto: se vuoi che una macchina ammetta i suoi limiti, devi prima garantire che i dati non si perdano per strada.
Quando Google ti dà il beneficio del dubbio
Ora veniamo a qualcosa che tocca chiunque gestisca un sito web. Dal 30 agosto, le azioni manuali applicate per violazioni della policy di reputazione del sito avranno un effetto diverso per chi cerca dentro l’Area Economica Europea rispetto a chi cerca fuori. Lo spiega l’aggiornamento alla policy di reputazione del sito. In pratica, Google riconosce che la stessa infrazione può avere conseguenze differenti in contesti normativi diversi.
Ma il punto più interessante è il processo. Quando scatta un’azione manuale, il proprietario del sito riceve le notifiche della Search Console. Da lì può presentare la richiesta di riconsiderazione se ritiene che l’azione sia stata presa per errore. E se la risposta non lo convince, ora esiste il sistema di mediazione di Google Search a cui rivolgersi. Non è più un monologo: è un dialogo, con tanto di appello.
Resta da capire quanto sarà indipendente il mediatore e con quali tempi risponderà. Ma il segnale è forte: la macchina accetta di essere messa in discussione.
La direzione è chiara: i sistemi di Google stanno imparando a gestire l’incertezza non come un difetto, ma come un’informazione. Il prossimo passo? Vederlo nei prodotti di tutti i giorni. Un assistente che ti risponde “non ho abbastanza dati” invece di inventare. Un termostato che ammette di non sapere se fuori pioverà. Sembra poco, ma è il confine tra una macchina che finge e una che ragiona. Teniamo d’occhio la Search Console: se il processo di mediazione funziona, diventerà il modello per tutte le decisioni algoritmiche contestabili.
