Promuovere un modello aggiornato è ancora, per molti team, un salto nel buio. Si riaddestra, si fa fine-tuning, si cambia quantization o, peggio, un fornitore sostituisce il modello in produzione senza preavviso. Ogni aggiornamento può essere peggiore di ciò che sostituisce. Il lavoro che introduce DISCERN parte da qui e rovescia il problema: invece di etichettare un intero dataset di validazione per confrontare due modelli, sfrutta il fatto che la differenza di rischio vive sugli input in cui i due modelli non sono d'accordo. Quegli input sono osservabili senza etichette.

DISCERN è un protocollo sequenziale a due livelli. Il primo livello, a zero etichette, certifica gli aggiornamenti benigni quando il tasso di disaccordo resta sotto una soglia di tolleranza, usando solo traffico non etichettato. Il secondo livello entra in gioco quando il disaccordo è abbastanza alto: etichetta solo i campioni su cui i modelli divergono, attraverso una sequenza di confidenza anytime-valid, valida a ogni istante di arresto e sotto qualsiasi regola di instradamento delle etichette, anche con un giudice avversario. In pratica, si paga solo il disaccordo.

I risultati teorici mostrano validità a campione finito e limiti di complessità di etichettatura dell'ordine di rho^2/eps^2. Poiché il tasso di disaccordo rho è tipicamente piccolo, sfruttare il disaccordo senza etichette fa risparmiare un fattore 1/rho rispetto a un auditor che ignora la struttura del pairing. La garanzia si compone anche su una sequenza illimitata di promozioni a partire da un unico error budget.

La conseguenza strutturale per chi gestisce modelli in produzione è che la certificazione di non regressione smette di essere un costo proporzionale alla dimensione del dataset e diventa proporzionale alla frazione di traffico su cui il nuovo modello dissente. Per deployment on-premise e self-hosted questo cambia gli incentivi: non serve accumulare etichette costose prima di promuovere un aggiornamento; il traffico reale non etichettato, già disponibile localmente, può alimentare il primo livello. Il vincolo non è più l'accesso a un servizio di labeling esterno, ma la capacità di osservare il traffico e di registrare le decisioni divergenti dei due modelli.

Nei test riportati, su oltre 14.000 flussi di audit replicati e 785 coppie di aggiornamenti, incluse versioni LoRA di modelli linguistici fino a 1,4 miliardi di parametri, il tasso di mancata copertura osservato è 0,0002 contro un nominale del 5%, la potenza è 0,986 senza falsi allarmi e il 56% degli aggiornamenti benigni ottiene la certificazione senza alcuna etichetta. Ogni audit genera una prova verificabile a macchina per il monitoraggio post-market.

Il secondo effetto, meno visibile, è la pressione sui fornitori cloud che applicano silent swap. Se un cliente può verificare senza etichette che il modello sostituito non è peggiore, il vendor swap non è più invisibile: diventa un evento controllabile e certificabile. Il potere si sposta da chi possiede il modello a chi possiede il traffico. Questo non elimina il rischio di regressione su dati fuori distribuzione, ma rende il monitoraggio continuo più economico e compatibile con budget di rischio unificati.

Un'ulteriore implicazione riguarda la frequenza degli aggiornamenti. Se la promozione è economica e certificabile, i team possono permettersi cicli più brevi di fine-tuning e quantization, adattando i modelli locali a domini specifici senza accumulare debito di etichettatura. Ma c'è un rovescio: certificare solo sul disaccordo presuppone che il traffico osservato sia rappresentativo. Se la distribuzione degli input cambia in modo silenzioso, il disaccordo può restare basso mentre il rischio assoluto sale. La certificazione è solida rispetto al giudice avversario, non necessariamente rispetto a un ambiente non stazionario. Per chi valuta deployment on-premise, esistono trade-off tra controllo del traffico e costi di etichettatura; AI-RADAR dedica a questi aspetti una serie di framework analitici nella sezione /llm-onpremise.