Cyberpediadi Brain

Data di interruzione di un modello di IA: perché ignora l'attualità recente

Un modello di IA è addestrato su dati fermi a una data. Cosa cambia per le Sue domande sull'attualità e quali gesti adottare.

In questa pagina
  1. 1In 30 secondi
  2. 2Di cosa si tratta
  3. 3Domande dirette
  4. 4Come funziona
  5. 5Cosa fa Lei
  6. 6Le insidie
  7. 7Fonti
  8. 8Cita questo articolo

In 30 secondi

Dove succede
Ogni volta che si pone a un assistente di IA una domanda che dipende dalla data, per esempio un tema di attualità recente[1].
Cosa cambia
I dati di un modello sono in genere fissi dopo il suo addestramento[4], e il modello incontra difficoltà di fronte a un'informazione che evolve rapidamente[2].
Il riflesso
Per ogni fatto datato, incrociare la risposta con una fonte affidabile, e fornire o far cercare le informazioni aggiornate.
Se è già fatto
Se una risposta dell'IA è servita per una decisione, confrontarla con una fonte affidabile prima di andare oltre[5].

Di cosa si tratta

Un modello di IA di tipo grande modello linguistico è addestrato su testi fermi a una data precisa, la data di interruzione. Oltre, non può fornire informazioni esatte senza interrogare una fonte esterna[1].

Per un dipendente, questo significa che una risposta fluida e sicura di sé su un tema recente può poggiare su dati superati.

Domande dirette

Che cos'è la data di interruzione di un modello?

È il limite temporale dei testi su cui il modello è stato addestrato[1]. Gli autori di LLMLagBench parlano di una frontiera rigida delle conoscenze: oltre, il modello non può fornire informazioni esatte senza interrogare fonti esterne[1].

Perché il modello non conosce ciò che è accaduto dopo?

Secondo il NCSC (Regno Unito), un modello linguistico è addestrato su una grande quantità di dati testuali, poi lo si interroga. In genere, i dati del modello sono statici una volta terminato l'addestramento[4]. Dei ricercatori scrivono allo stesso modo che i modelli sono addestrati su corpora statici[2].

Il modello può mescolare il recente e l'antico?

Sì, è un rischio descritto dagli autori di LLMLagBench. Quando questo limite è sconosciuto o ignorato, un modello può mescolare nel proprio ragionamento informazioni antiche, sensibili al tempo, con le sue conoscenze generali, e ciò può nuocere all'esattezza della risposta[1].

Si può sapere a quale data si ferma un modello?

Alcuni modelli annunciano la propria data di interruzione, altri no. LLMLagBench è uno strumento di misura che cerca di identificare le frontiere temporali probabili più precoci dei dati di un modello, verificando la sua conoscenza di eventi recenti. È stato applicato a un gran numero di modelli, con o senza data di interruzione dichiarata[1]. Gli autori hanno convalidato l'affidabilità di questo strumento a mano e confrontandolo con le informazioni pubblicate sull'addestramento di questi modelli[1].

Come può un modello accedere a informazioni più recenti?

Tramite una ricerca esterna. La generazione aumentata da ricerca (RAG in inglese) associa un modello a un meccanismo di ricerca esterno, il che gli permette di accedere a conoscenze aggiornate[2]. Una sintesi di ricercatori indica che questo approccio mira in particolare ad attenuare le allucinazioni e le conoscenze obsolete dei modelli[3]. L'OWASP lo colloca tra le sue misure di prevenzione: il RAG recupera informazioni pertinenti e verificate da basi esterne affidabili durante la generazione della risposta[5].

Il NCSC (Regno Unito) descrive un'altra via, l'«aumento del prompt»: fornire informazioni di contesto insieme alla domanda, per esempio copiando dei testi o dei documenti interi nella domanda[4].

La ricerca risolve il problema?

No, non del tutto. Dei ricercatori rilevano debolezze che possono limitare l'efficacia di questo approccio[2]. Una sintesi cita tra le difficoltà persistenti la qualità della ricerca, le questioni di riservatezza e il costo di integrazione[3]. I ricercatori citati per primi indicano anche che, man mano che i modelli progrediscono, il vantaggio relativo del RAG tradizionale è diventato meno marcato[2].

Quali danni può causare una risposta sbagliata?

Secondo l'OWASP, la disinformazione prodotta da un modello può comportare falle di sicurezza, danni alla reputazione e una responsabilità giuridica[5]. L'OWASP cita anche il codice generato: un modello può proporre delle librerie non sicure o inesistenti, e ciò può introdurre delle vulnerabilità se ci si fida senza verificare[5].

Come funziona

Il modello apprende le relazioni tra le parole in una grande massa di testi, poi risponde a una domanda basandosi su queste relazioni[4]. Una volta finito l'addestramento, i dati del modello sono in genere statici. Possono essere completati da un addestramento supplementare (fine-tuning) o dall'apporto di contesto nella domanda[4].

Un meccanismo di ricerca esterno cambia la situazione: il modello può allora basarsi su conoscenze aggiornate e adatte alla domanda[2]. Nelle aziende, l'impiego di un sistema di questo tipo pone delle questioni pratiche: recupero di dati proprietari, sicurezza e capacità di reggere il carico[3].

Cosa fa Lei

  • Per un tema recente, utilizzi una funzione di ricerca o di collegamento a fonti esterne quando lo strumento ne offre una, poiché, senza fonte esterna, il modello non può fornire informazioni esatte oltre la propria data di interruzione[1].
  • Fornisca di persona i documenti aggiornati nella domanda, come descrive il NCSC (Regno Unito)[4]. Prima di incollare un documento, tenga conto della raccomandazione del NCSC (Regno Unito) di non includere informazioni sensibili nelle domande poste a modelli pubblici[4]. Il NCSC precisa che la domanda è visibile all'organizzazione che fornisce il modello[4].
  • Verifichi i fatti importanti. L'OWASP raccomanda di incoraggiare gli utenti a incrociare le risposte di un modello con fonti esterne affidabili[5].
  • Per le informazioni critiche o sensibili, l'OWASP raccomanda una supervisione umana e dei processi di verifica dei fatti, con revisori formati per evitare l'eccessiva fiducia nei contenuti generati dall'IA[5].
  • L'OWASP raccomanda anche di formare gli utenti sui limiti dei modelli e sull'importanza della verifica indipendente[5].

Le insidie

  • Una risposta che sembra credibile non è necessariamente esatta. L'OWASP definisce la disinformazione come la produzione di informazioni false o fuorvianti che sembrano credibili[5].
  • Un modello può sbagliarsi e «allucinare» dei fatti[4]. L'OWASP descrive l'allucinazione come un contenuto che sembra esatto ma che è inventato[5]. Il NCSC aggiunge che questi modelli possono essere di parte e spesso creduloni, per esempio di fronte a domande tendenziose[4].
  • L'insidia della fiducia eccessiva: l'OWASP chiama «eccessiva fiducia» il fatto di fidarsi troppo del contenuto generato senza verificarne l'esattezza, il che aggrava l'effetto della disinformazione[5].
  • La ricerca non garantisce tutto. Anche con essa, la qualità di ciò che viene recuperato può porre un problema[3].
  • I rischi dell'IA generativa hanno un quadro di riferimento: il NIST ha pubblicato il 26 luglio 2024 un profilo dedicato all'IA generativa (NIST-AI-600-1), che può aiutare le organizzazioni a identificare i rischi propri di questa tecnologia[6].

Fonti

  1. arXiv, «LLMLagBench: Identifying Temporal Training Boundaries in Large Language Models», 15 novembre 2025. https://arxiv.org/abs/2511.12116 (consultato il 14 novembre 2026)
  2. arXiv, «When Retrieval Succeeds and Fails: Rethinking Retrieval-Augmented Generation for LLMs», 10 ottobre 2025. https://arxiv.org/abs/2510.09106 (consultato il 14 novembre 2026)
  3. arXiv, «A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions», 25 luglio 2025. https://arxiv.org/abs/2507.18910 (consultato il 14 novembre 2026)
  4. NCSC (Royaume-Uni), «ChatGPT and large language models: what's the risk?», 14 marzo 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (consultato il 14 novembre 2026)
  5. OWASP, «LLM09:2025 Misinformation», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultato il 14 novembre 2026)
  6. NIST, «AI Risk Management Framework», 12 luglio 2021. https://www.nist.gov/itl/ai-risk-management-framework (consultato il 14 novembre 2026)