Sebastian Raschka spiega come costruire da zero un rilevatore di testo IA

Sebastian Raschka pubblica un tutorial pratico per costruire un rilevatore di testo generato da IA, completo di dataset, addestramento del modello, deployment locale e un esperimento con un verificatore (RLVR)¹.

L’idea nasce dopo l’arrivo della funzione “AI detector” nell’interfaccia di Substack e dalle richieste di progetti dimostrativi eseguibili in locale con small language models¹. Il progetto ha scopo didattico: mostra come funziona un detector implementandone uno semplice, utile anche a osservare i suoi limiti sul campo¹.

Il percorso è end‑to‑end. Prima si costruisce il dataset. Poi si addestra il modello. Infine si esegue in locale. A questo si aggiunge un passaggio su RLVR: il rilevatore diventa un verificatore che fornisce un segnale per guidare l’output del modello generativo, riducendo la probabilità di essere classificato come “IA‑generated”¹. In altri termini, il verificatore funge da criterio di feedback per orientare il modello, un esempio di approccio “verifier‑based” applicato oltre i classici domini di matematica e codice¹.

Raschka indica due usi concreti del detector. Primo: filtrare testi “spammy”. Secondo: migliorare la propria scrittura con strumenti di supporto evitando che l’output sembri prodotto da un’IA. L’esempio è diretto: chi rivede ortografia e grammatica di un articolo lungo può voler evitare uno stile che ricada nei tratti tipici dei modelli generativi¹.

Il tutorial chiarisce il perimetro e le aspettative: scopo educativo, niente promesse oltre la dimostrazione. L’autore mostra come collegare ogni blocco — dati, modello, esecuzione locale, verificatore — per ottenere un prototipo funzionante e analizzarne il comportamento. L’accento resta su cosa viene rilevato e su come un modello può adattarsi al segnale del verificatore, non sulla pretesa di “risolvere” la rilevazione¹.

Il segmento su RLVR è il tassello più esplorativo. Usare un verificatore per addestrare un modello piccolo a evitare la rilevazione permette di misurare dove un detector cede e dove regge, con un ciclo chiuso di generazione‑controllo‑aggiustamento. La stessa pipeline, nota l’autore, offre una base semplice per esperimenti futuri, senza dipendere da infrastrutture esterne¹.

Una scelta di metodo emerge come implicazione: spostare il focus dai soli modelli generativi alla coppia modello‑verificatore rende più trasparente sia il criterio di giudizio sia l’effetto del feedback. È un terreno utile per docenti, ricercatori e sviluppatori che vogliono testare ipotesi sui detector con strumenti piccoli, locali e riproducibili¹.