DeepSeek-R1, ChatGPT, Llama, Claude… sono tutti esempi di Foundation Model. Un nome che racconta bene la loro essenza: sono una base per costruire modelli più specializzati, come i Large Language Model di cui abbiamo parlato in questo articolo.

I Foundation Model sono una classe di modelli di machine learning avanzati, caratterizzati da una grande versatilità e che possono adattarsi a compiti di diversa natura. Il loro training si basa su enormi quantità di dati, anche non strutturati: parliamo di milioni, se non trilioni di parametri. Questo imponente addestramento è la chiave per eseguire una vasta gamma di compiti senza necessità di un’ulteriore specializzazione. 

A partire dai Foundation Model sono stati poi sviluppati altri modelli calibrati su compiti più specifici, come analizzare grandi quantità di dati oppure generare contenuti linguistici. 

A fine settembre 2024, però, ai classici Foundation Model è stata affiancata una nuova serie di modelli di AI generativa: i Liquid Foundation Model (LFM).

Cosa sono i Liquid Foundation Model

I Liquid Foundation Model (LFM) sono stati progettati da una startup di Boston specializzata nella realizzazione di foundation model. Il loro obiettivo? Raggiungere prestazioni all’avanguardia su diverse scale, mantenendo un ingombro di memoria ridotto e un’inferenza più efficiente.

Entrando più nel dettaglio, i LFM sono reti neurali di grandi dimensioni costruite con unità computazionali profondamente radicate nella teoria dei sistemi dinamici, nell’elaborazione dei segnali e nell’algebra lineare numerica. Questa combinazione permette di sfruttare decenni di progressi teorici per rendere possibile l’intelligenza su qualsiasi scala.

Come i Foundation Model, anche i LFM sono dotati di versatilità e possono essere utilizzati per modellare qualsiasi tipo di dati sequenziali, compresi video, audio, testi, serie temporali e segnali.

Liquid AI ha sviluppato 3  varianti del suo modello: 1.3B, 3B e 40B MoE (dove la B sta per milioni di parametri), ideali per ambienti con risorse limitate e per il deployment all’edge. In particolare, il 40B MoE si serve del modello Mixture of Experts (MoE) per affrontare compiti più complessi. 

Da una prima analisi messa in atto da Liquid AI, sembra che i suoi LFM siano fuoriclasse nell’efficienza della memoria, soprattutto in presenza di input lunghi.

Possibili applicazioni dei Liquid Foundation Models

Versatilità ed efficienza. Sono queste le parole chiave dei LFM. Non ti stupirai, quindi, a scoprire che i loro possibili ambiti di applicazione sono tantissimi. Qui ne trovi qualcuno:

• Traduzione linguistica: grazie alla loro abilità nel gestire dati sequenziali, i LFM possono migliorare la traduzione automatica, producendo risultati più precisi e capaci di cogliere le sfumature della lingua
• Generazione di contenuti: possono essere utilizzati per creare testi o rispondere a domande complesse
• Classificazione delle immagini: potrebbero perfino identificare oggetti o riconoscere deep fake
• Analisi mediche: un’AI per analizzare immagini mediche e identificare anomalie? I LFM potrebbero essere la chiave per diagnosi sempre più precise
• Personalizzazione delle terapie basata su grandi quantità di dati clinici
• Creazione di video/audio
• Ottimizzazione dei processi industriali attraverso l’analisi dei dati provenienti dalle macchine
• Prevedere trend finanziari o identificare pattern anomali analizzando serie temporali
• Miglioramento dell’esperienza del cliente attraverso offerte personalizzate basate sui comportamenti d’acquisto

Il mondo dell’Intelligenza Artificiale si evolve in fretta, i LFM non sono che l’ultima goccia nel mare. Torna a trovarci per tutti i futuri aggiornamenti!