Google Research presenta Agile Deliberation per classificare concetti soggettivi

Il 4 novembre 2026 Otilia Stretcu e Leijie Wang hanno presentato Agile Deliberation, un framework di Google Research per costruire classificatori di immagini su concetti soggettivi con una deliberazione interattiva. Il team ha pubblicato un post e ha rilasciato codice e algoritmi su GitHub¹.

I modelli apprendono da etichette umane. Funziona con categorie oggettive, come un cartello di stop o un golden retriever. Va in crisi quando serve giudicare “cibo sano”, “opera ispirante” o contenuti da moderare. In questi casi i confini variano con contesto, preferenze e politiche. Chi etichetta spesso parte da un’idea vaga e ne scopre limiti ed eccezioni solo vedendo esempi reali. I flussi tradizionali impongono scelte rigide quando la definizione mentale è ancora in evoluzione¹.

Agile Deliberation trasforma la costruzione di queste tassonomie in una conversazione guidata. Non chiede all’utente di essere un oracolo. Lo aiuta a precisare la propria intenzione e a tradurla in istruzioni operative per il modello. L’obiettivo è risolvere prima l’ambiguità umana, poi allineare i confini del classificatore. Il risultato, secondo gli autori, sono modelli più coerenti e meno fatica rispetto al prompt engineering manuale¹.

Il flusso ha due fasi: concept scoping e concept iteration. Nello scoping, il sistema spinge a scomporre l’idea in sottocategorie positive e in esclusioni esplicite. Per “cibo sano” l’utente può elencare “Salads”, “Grain Bowls”, “Lean Proteins”. Può anche escludere “Processed Foods” o “Raw, Unprepared Ingredients”. Questa struttura iniziale fornisce una base chiara su cui lavorare¹.

Con la struttura in mano, si passa al test attivo. Il sistema usa modelli visione-linguaggio per cercare immagini al limite che mettono alla prova le definizioni testuali. Costringe a decidere cosa includere e cosa escludere. Un esempio: un frullato di frutta. Bevanda sana grazie alla frutta cruda, o escluso per gli zuccheri? Ogni decisione rivela assunzioni implicite e aggiorna le regole¹.

Le scelte dell’utente alimentano un ciclo di ottimizzazione con un modello linguistico. Il sistema riformula automaticamente le istruzioni e sposta i confini del classificatore in linea con le definizioni affinate. La logica ricorda l’active learning, ma l’obiettivo non è ridurre l’incertezza del modello in astratto. Qui si cercano casi borderline che massimizzano la chiarezza della policy dell’utente¹.

Valutare un classificatore soggettivo in offline è problematico: manca un ground truth fisso. Per questo gli autori hanno costruito un prototipo e svolto 18 sessioni dal vivo, da un’ora e mezza ciascuna, con ordini randomizzati tra framework e baseline. Hanno osservato meno affaticamento e ansia grazie al feedback su immagini di confine. I modelli risultanti sono più consistenti e superano baseline standard¹.

Il lavoro insiste sull’esperienza live perché benchmark statici non catturano concetti soggettivi. Gli autori hanno aperto codice e algoritmi per la comunità di ricerca¹.

La proposta ribalta un presupposto radicato: l’annotatore non è una fonte onnisciente, è un partner che chiarisce iterativamente regole e eccezioni. Se questa pratica entra nei flussi quotidiani, la qualità delle politiche di classificazione potrebbe dipendere meno da prompt iniziali e più da decisioni informate su casi di confine¹.