Omnibus AI: Il Quadro Regolatorio dell'Unione Europea

L'AI Omnibus è una proposta legislativa della Commissione Europea ideata per coordinare e semplificare la regolamentazione dell'intelligenza artificiale all'interno dell'Unione. Il documento introduce un sistema di classificazione basato sul rischio, imponendo requisiti rigorosi per le applicazioni ad alto impatto in settori come la sanità e la finanza. L'obiettivo principale è bilanciare la tutela dei diritti fondamentali e della sicurezza con la necessità di promuovere l'innovazione tecnologica e la competitività delle imprese. Sono previste agevolazioni specifiche per le piccole e medie imprese e obblighi di trasparenza per garantire la responsabilità degli algoritmi. Infine, il quadro normativo stabilisce scadenze precise per la conformità e promuove una vigilanza continua per mitigare i pregiudizi etici.

Le metodologie si dividono principalmente in unlearning esatto, che garantisce la rimozione totale dell'influenza dei dati tramite ricalcoli algoritmici, e unlearning approssimativo, che ottimizza le risorse riducendo l'impatto dei dati target. Nonostante il potenziale per rafforzare la fiducia degli utenti e l'efficienza dei sistemi, il settore affronta sfide significative, tra cui l'elevato costo computazionale, la difficoltà di valutazione e i rischi legati al "dual-use". La ricerca futura si sta orientando verso algoritmi più efficienti, garanzie certificate e un maggiore controllo da parte dell'utente sui processi di rimozione dei dati

Prospettive Future

Il campo della ricerca è in rapida evoluzione con diverse direzioni promettenti:

1. Efficienza Algoritmica: Sviluppo di algoritmi che permettano una rimozione dei dati più rapida e meno onerosa (es. evoluzioni dell'infinitesimal jackknife).
2. Certificazione e Garanzie: Ricerca di algoritmi di unlearning certificati che bilancino l'efficienza della memoria con prove verificabili di rimozione, ispirandosi alla privacy differenziale.
3. Unlearning Interattivo e Controllato: Creazione di strumenti che offrano agli utenti un controllo granulare e interpretabile sulle informazioni rimosse dai modelli.
4. Mitigazione dei Rischi Contestuali: Strategie per navigare i trade-off tra utilità e oblio, garantendo che l'unlearning non comprometta le conoscenze essenziali del sistema.