intelligenza artificiale

Subterms

    Latest story

    0 Condivisioni

    Il Nobel per la Fisica a John J. Hopfield e Geoffrey E. Hinton

    by

    Il Premio Nobel per la Fisica del 2024 è stato assegnato a John J. Hopfield e Geoffrey E. Hinton «per le scoperte e le invenzioni fondamentali che consentono l’apprendimento automatico con reti neurali artificiali».Hopfield e Hinton hanno preso in prestito sistemi e strumenti dalla fisica per sviluppare i sistemi di apprendimento automatico (“machine learning”) che oggi fanno funzionare alcuni dei più famosi sistemi di intelligenza artificiale. I loro studi hanno permesso di sviluppare soluzioni per trovare andamenti e modelli nei dati, derivando da questi le informazioni. Il lavoro di Hopfield e Hinton è stato quindi fondamentale per sviluppare le tecnologie che fanno funzionare le reti neurali, cioè i sistemi che provano a imitare le nostre capacità di apprendimento e della memoria.
    Nei primi tempi dell’informatica, gli algoritmi erano scritti dalle persone e la loro principale utilità era di indicare al sistema che cosa fare nel caso di una determinata circostanza, una indicazione piuttosto semplice riassumibile in: “Se si verifica questo allora fai quello”. Algoritmi, codice e altre variabili determinano il funzionamento di un software, cioè di un programma informatico, come il browser sul quale si è caricata la pagina che state leggendo in questo momento. Un algoritmo può essere definito come una sequenza finita di istruzioni per risolvere un determinato insieme di richieste o per calcolare un risultato.
    Ci sono molti ambiti in cui i dati e i “se questo allora quello” da considerare sono tantissimi, una quantità tale da non poter essere gestita con istruzioni scritte a mano: più dati e più variabili portano a più eccezioni da prevedere e indicare al software per dire come comportarsi, ma se le eccezioni sono miliardi il compito non può essere assolto da dieci, cento o mille programmatori.
    Questa difficoltà è stata superata con il machine learning (ML), cioè l’attività di apprendimento dei computer tramite i dati. Mette insieme l’informatica con la statistica, con algoritmi che man mano che analizzano i dati trovando andamenti e ripetizioni, sulla base dei quali possono fare previsioni. L’apprendimento può essere supervisionato, cioè basato su una serie di esempi ideali, oppure non supervisionato, in cui è il sistema a trovare i modi in cui organizzare i dati, senza avere specifici obiettivi.
    Messa in altri termini: per fare una torta il software tradizionale segue una ricetta con l’elenco degli ingredienti e le istruzioni passo passo, mentre un software basato sul ML impara attraverso degli esempi osservando una grande quantità di torte, sbagliando e riprovando fino a quando non ottiene un risultato in linea con la richiesta iniziale. Per farlo ha bisogno di una rete neurale artificiale, un modello di elaborazione dei dati che si ispira al funzionamento delle reti neurali biologiche, come quelle nel nostro cervello.
    Le reti neurali artificiali hanno richiesto decenni per essere sviluppate e perfezionate, con grandi difficoltà legate soprattutto alle ridotte capacità di elaborazione dei computer per buona parte del Novecento. Le cose iniziarono a cambiare nei primi anni Ottanta quando il fisico John Hopfield fissò in un modello matematico i principi per realizzare una rete neurale che simula la nostra capacità di ricordare e di ricostruire le immagini nella nostra mente. Hopfield aveva sviluppato il modello attingendo dalle proprie conoscenze in fisica e in particolare dalle proprietà magnetiche di alcuni materiali che condizionano il comportamento dei loro atomi.
    Una rete di Hopfield funziona memorizzando dei modelli, come immagini e schemi, e poi richiamandoli quando riceve un input parziale oppure distorto come un’immagine incompleta o poco definita. Il sistema prova a minimizzare l’energia complessiva, cioè cerca di raggiungere uno stato stabile riducendo il disordine che rende instabile lo stato di partenza della rete. In pratica, quando la rete riceve un’immagine incompleta o rumorosa, “esplora” varie possibili configurazioni per ridurre l’energia complessiva, finché non trova una configurazione che corrisponde a un modello memorizzato, cioè a un’immagine “stabile” e riconoscibile. In questo modo può dire che una certa immagine mai analizzata prima assomiglia a una delle immagini che ha già in memoria.

    Negli anni seguenti alla pubblicazione del modello di Hopfield, Geoffrey Hinton lavorò a un sistema che aggiungeva alcuni principi di fisica statistica, cioè quella parte della fisica che utilizza metodi statistici per risolvere problemi. Elaborò la “macchina di Boltzmann”, basata sulla distribuzione che porta il nome del fisico austriaco Ludwig Boltzmann.
    La macchina di Boltzmann è un tipo di rete neurale usato per riconoscere particolari schemi nei dati. Per farlo utilizza due tipi di nodi: i nodi visibili, che ricevono l’informazione, e i nodi nascosti, che aiutano a elaborare queste informazioni senza essere visibili direttamente. Questi nodi interagiscono tra loro e influenzano l’energia complessiva della rete.
    La rete funziona aggiornando uno alla volta i valori dei nodi, fino a raggiungere uno stato stabile, in cui il comportamento complessivo della rete non cambia più. Ogni possibile configurazione della rete ha una probabilità, determinata dall’energia della rete stessa. In questo modo, la macchina può generare nuovi modelli partendo da ciò che ha imparato. La macchina impara dagli esempi durante il suo allenamento: i valori delle connessioni tra i nodi vengono aggiornati in modo che i modelli presentati abbiano la probabilità più alta di essere ricreati, quindi più un modello viene ripetuto, più aumenta la probabilità che la rete lo ricordi.

    Con i loro lavori ispirati alla fisica, Hopfield e Hinton hanno dato un contributo fondamentale allo sviluppo del machine learning, soprattutto negli ultimi 15 anni grazie all’aumentata capacità di calcolo dei processori. A distanza di anni, i grandi progressi partiti dalla fisica potrebbero avere importanti ricadute per la fisica stessa con l’elaborazione di nuovi modelli per effettuare misurazioni più accurate, per esempio escludendo il rumore di fondo nello studio delle onde gravitazionali. Le possibilità di impiego dei sistemi di intelligenza artificiale sono comunque sterminate e toccano praticamente qualsiasi ambito della ricerca.
    John J. Hopfield è nato nel 1933 a Chicago, negli Stati Uniti, ed è docente alla Princeton University.Geoffrey E. Hinton è nato nel 1947 a Londra, nel Regno Unito, ed è docente presso l’Università di Toronto in Canada. È stato ricercatore e dirigente di Google, incarico che ha lasciato lo scorso anno sollevando alcune perplessità e preoccupazioni sulla rapida evoluzione di alcuni sistemi di intelligenza artificiale. LEGGI TUTTO

    More stories

    • 0 Condivisioni

      in Scienza

      Ci servirebbe una macchina che annusa

      by

      Gli odori hanno un ruolo centrale nella nostra percezione del mondo, eppure buona parte del funzionamento dell’olfatto rimane un mistero. Sappiamo che microscopiche strutture (i recettori) nel naso rilevano le sostanze in sospensione nell’aria che respiriamo e inviano un segnale al cervello, che elabora quell’informazione dandoci la consapevolezza di avere appena percepito un odore, ma non comprendiamo ancora perfettamente come. Osmo, una società statunitense con grandi finanziatori come Google, dice di avere fatto importanti progressi per risolvere il mistero insegnando alle macchine a riconoscere gli odori, naturalmente usando sistemi di intelligenza artificiale.Il capo di Osmo è Alex Wiltschko, un neurobiologo originario del Texas che ha fatto fortuna in California lavorando diversi anni a Google, prima che da una delle divisioni di ricerca della società nascesse la sua start-up. Fin da ragazzino Wiltschko era ossessionato dai profumi, al punto da averne una piccola collezione ed essere incuriosito dal modo in cui ciascuno di noi li percepisce, con una certa componente di soggettività. Fu quella curiosità a spingerlo a studiare neurobiologia e a conseguire un dottorato, che però non riuscì a mettere a frutto in ambito accademico, dove non sembrava esserci molto interesse per la biologia dell’olfatto.
      Wiltschko lasciò l’università, lavorò in varie società e infine trovò impiego a Google Research, dedicata alla ricerca di prodotti innovativi, dove divenne il responsabile di un gruppo di lavoro che si occupava di “olfatto digitale”. La sua idea, che avrebbe poi continuato a sviluppare con Osmo, era di creare un sistema per mappare gli odori, sviluppando sensori e sistemi informatici per la loro identificazione e in prospettiva per lo sviluppo di nuove molecole. Le applicazioni potrebbero essere molteplici, dalla produzione di profumi alla ricerca di deterrenti più efficaci contro gli insetti, passando per sensori in grado di diagnosticare malattie in base all’odore prodotto dai pazienti.
      Per lungo tempo l’olfatto ha ricevuto meno attenzioni rispetto ad altri sensi come la vista e l’udito, forse anche a causa della sua enorme e talvolta sfuggente complessità. I nostri occhi vedono una certa porzione della luce, definibile e misurabile, così come le nostre orecchie percepiscono i suoni con una frequenza compresa in un certo intervallo, anche in questo caso misurabile e analizzabile. Per l’olfatto è tutto più complicato: le sostanze che stimolano la nostra percezione sono potenzialmente miliardi e ciò che rende possibile identificarle, i recettori, sono strutture minuscole con una grande varietà di forme e funzioni. Si stima che siano almeno 400, contro i due tipi di recettori che rendono possibile la visione.
      Secondo Wiltschko, l’unico modo per padroneggiare una tale complessità è costruire una mappa, come del resto abbiamo fatto per definire la varietà di colori che possono vedere i nostri occhi o i suoni che possiamo percepire con le orecchie. Le mappe sono una delle invenzioni più efficaci per ridurre la complessità, o per lo meno per costruirne più livelli via via più articolati e dettagliati. La semplificazione che offre una cartina di un quartiere cittadino è ideale per essere gestita con le nostre conoscenze e capacità mentali, ma più una mappa diventa articolata più è difficile navigarla e per questo Osmo lavora con sistemi di intelligenza artificiale in grado di produrre la mappa stessa e di orientarsi al suo interno.
      (James Glossop/WPA Pool/Getty Images)
      I cartografi degli odori sono partiti da alcuni cataloghi di profumi realizzati negli anni, che descrivono sia la struttura delle molecole che producono determinati odori sia le loro caratteristiche quando vengono inalati: fruttato, legnoso, affumicato e così via. I cataloghi più grandi comprendono migliaia di molecole, ma non è sempre semplice trovare relazioni tra loro in modo da poterli organizzare in una mappa, che per esempio comprenda un’isola di odori che evocano la sensazione del fresco e un’altra dello stantio. Due composti chimici estremamente simili tra loro possono produrre due odori completamente diversi, mentre due molecole con strutture molto diverse tra loro possono produrre odori simili.
      Osmo ha quindi fatto allenare un sistema di intelligenza artificiale in modo che da quei cataloghi organizzasse gli odori in una mappa con circa 5mila punti, collegati tra loro su più livelli e da utilizzare per provare a prevedere le caratteristiche di altri odori non compresi nei cataloghi stessi partendo unicamente dalle caratteristiche della loro molecola. Una volta realizzato, il modello è stato messo alla prova confrontando le sue previsioni con le valutazioni di un gruppo di volontari.
      A 15 persone sono state proposte alcune centinaia di aromi, con la richiesta di odorarli e di descriverli scegliendo da un elenco di cinquanta parole come “tropicale” e “affumicato”. La percezione degli odori è soggettiva, ma nel complesso nelle valutazioni c’era la prevalenza di determinate parole. Il gruppo di ricerca ha poi confrontato le descrizioni fornite dai volontari con quelle prodotte dal sistema di intelligenza artificiale, che si basavano esclusivamente sull’interpretazione della struttura delle molecole di quegli aromi. Lo studio scientifico in cui è raccontato l’esperimento ha segnalato che l’AI riesce a fare un lavoro di identificazione e mappatura migliore di quello che riesce a fare una persona addestrata per catalogare gli odori.
      Il modello sviluppato da Osmo ha ricevuto grandi attenzioni, ma la società è distante da un uso commerciale. Nella percezione degli odori sono coinvolti molti altri fattori legati al funzionamento dei recettori e degli enzimi che intervengono sui composti che inaliamo con l’aria. La grande varietà di recettori implica che ci possano essere interazioni tra loro di tipo diverso a seconda delle sostanze, con esiti che variano da persona a persona. È il motivo per cui alcuni percepiscono come più intensi alcuni profumi, al punto da trovarli fastidiosi rispetto ad altri. Districarsi in queste sfumature è difficile, ma Wiltschko ritiene che la capacità di una AI di navigare e organizzare la complessità possa essere la risposta. Un tipo di risposta molto conveniente.
      Le valutazioni variano molto, ma si stima che il mercato dei profumi abbia un valore annuo intorno ai 30 miliardi di dollari. È un settore particolarmente remunerativo soprattutto per i produttori di cosmetici e profumi, con alti ricarichi resi possibili soprattutto dalle collaborazioni delle società che li sviluppano con i grandi marchi di moda. Trovare le giuste combinazioni di aromi sta però diventando sempre più difficile perché si faticano a trovare nuove molecole.
      (Justin Sullivan/Getty Images)
      Le società che se ne occupano investono ingenti quantità di denaro per sintetizzarne di nuove, ma poche si rivelano poi adatte per essere impiegate in un profumo. Alcune non sono persistenti a sufficienza dopo l’applicazione sulla pelle, altre sono poco stabili o si disgregano troppo facilmente quando sono miscelate con altri composti. Una nuova molecola di sintesi deve essere inoltre testata per verificarne la sicurezza, con regole che variano a seconda dei paesi. Può quindi accadere che un composto che sembrava molto promettente debba essere accantonato dopo anni di sviluppo, rendendo fallimentare l’investimento iniziale.
      In futuro i sistemi sviluppati da Osmo, e da altre società che seguono approcci simili, potrebbero essere impiegati per sviluppare velocemente nuove molecole usando le loro articolate mappe degli odori. L’idea è che si possa chiedere al sistema un aroma di cedro maturato al Sole nell’aria salmastra del Mediterraneo d’estate, ottenendo come risposta la formula chimica delle sostanze per realizzarla. In ultima istanza, potrebbe essere il sistema stesso a provvedere alla sua sintesi, uno scenario che per i più scettici è da fantascienza allo stato attuale delle conoscenze e delle tecnologie.
      I modelli basati sulle AI potrebbero rivelarsi utili anche per sviluppare nuovi sistemi per l’analisi e la rivelazione degli odori. Macchinari di questo tipo esistono già da tempo, ma di solito sono altamente specializzati nel riconoscere determinate sostanze. I cosiddetti “nasi elettronici” sono impiegati per esempio per rilevare gli inquinanti presenti nell’aria come il diossido di azoto o il monossido di carbonio, o per valutare l’impatto olfattivo di impianti industriali nelle prossimità dei centri abitati. Non esistono però nasi elettronici versatili e con capacità paragonabili a quelle del nostro olfatto, e soprattutto non forniscono descrizioni delle sensazioni che evocano le sostanze odorose.
      Oltre ai recettori che abbiamo nel naso, la nostra esperienza con gli aromi è fortemente legata all’attività cerebrale. Il nostro cervello è estremamente abile nell’interpretare i segnali che riceve quando odoriamo qualcosa e alcune persone hanno capacità più spiccate di altre. L’”ipersomia” è una condizione che determina questa capacità e può portare a esiti sorprendenti, come la capacità di distinguere l’odore di una malattia degenerativa, prima che questa diventi evidente in chi ne è affetto. Imitando questa capacità si potrebbero quindi realizzare nasi elettronici per aiutare i medici nella diagnosi precoce di alcune malattie, intervenendo con le terapie prima ancora della comparsa di alcuni sintomi.
      Un naso elettronico basato sull’intelligenza artificiale come quello cui sta lavorando Osmo potrebbe rivelarsi utile anche per un altro tipo di prevenzione. Ogni anno in tutto il mondo ci sono circa 250 milioni di casi di malaria trasmessa dalle zanzare, con oltre 600mila morti annue per la malattia. Intervenire sulle popolazioni di zanzare e sui metodi per prevenire il loro morso è essenziale per ridurre i contagi e di conseguenza i decessi, ma fare prevenzione è costoso e richiede grandi sforzi organizzativi, non sempre praticabili nelle aree più povere del mondo. Un migliore repellente contro le zanzare potrebbe fare la differenza.
      Reti per ridurre il rischio di contagi da malaria dovuti alle zanzare in una capanna in Cambogia nel 2010 (Paula Bronstein/Getty Images)
      Per questo la Bill & Melinda Gates Foundation, che finanzia da anni progetti per contrastare la diffusione della malaria, ha investito 3,5 milioni di dollari in Osmo scommettendo sulle capacità dei suoi sistemi per sviluppare in futuro repellenti di nuova generazione contro le zanzare. Questi insetti trovano le loro prede, per lo più gli esseri umani, grazie a recettori estremamente sensibili all’anidride carbonica e ad altre sostanze volatili che produciamo con la traspirazione.
      I repellenti le mascherano in modo da risultare meno appetibili alle zanzare, ma contengono sostanze da utilizzare con cautela e c’è il sospetto che generazione dopo generazione le zanzare abbiano iniziato ad adattarsi e a non trovarle più repellenti come un tempo. Conoscendo il funzionamento dei recettori delle zanzare, i sistemi di Osmo e quelli sviluppati da altre società potrebbero essere impiegati per sviluppare sostanze per eluderli e che al tempo stesso richiedano meno precauzioni per il loro utilizzo rispetto ai repellenti attuali.
      Wiltschko aveva iniziato a lavorare con i sistemi di intelligenza artificiale ben prima che iniziasse l’euforia degli ultimi anni, spinta soprattutto dai successi di ChatGPT di OpenAI. Il maggiore interesse verso queste tecnologie ha comunque favorito gli investimenti anche nel settore in cui è attiva Osmo, che dovrà quindi confrontarsi con altre aziende e start-up interessate a risolvere il mistero dell’olfatto, o almeno a provarci. LEGGI TUTTO

    • 0 Condivisioni

      in Scienza

      Gli smartphone possono capire quando siamo depressi

      by

      Caricamento playerLa possibilità di utilizzare gli smartphone per raccogliere informazioni e dati biometrici utili in ambito clinico fu estesamente discussa all’inizio della pandemia. All’epoca se ne parlò soprattutto in relazione ad alcuni progetti sperimentali, sostenuti perlopiù da finanziamenti privati, che ambivano a semplificare la diagnosi del Covid monitorando parametri come la respirazione e la voce delle persone. Ma da tempo diversi gruppi di ricerca e aziende interessate stanno studiando la possibilità di utilizzare gli smartphone per cogliere eventuali segni di malattie mentali facilitando sia le diagnosi che la prevenzione.
      La diagnostica dei disturbi mentali tramite app per smartphone è un settore in grande espansione, in cui un certo ottimismo trainato dalla fiducia nei progressi dell’intelligenza artificiale si contrappone alle molte preoccupazioni per i rischi di violazione della privacy degli utenti e di utilizzo improprio o non autorizzato dei loro dati. Indipendentemente dalle questioni problematiche, di recente il dibattito si è concentrato sui vari modi in cui gli smartphone possono servire nel caso di diagnosi che richiedono valutazioni più articolate e complesse del semplice controllo di un valore biometrico come la frequenza cardiaca o la pressione sanguigna.
      Tra le persone che lavorano alla ricerca e allo sviluppo di software per la diagnosi dei disturbi mentali, la tecnologia degli smartphone e di dispositivi indossabili come gli smartwatch è considerata una risorsa preziosa, tanto più in un periodo storico contraddistinto da un netto aumento dei disturbi e dall’urgenza di trovare soluzioni. L’ampissima diffusione di questi dispositivi è considerato un vantaggio, prima di tutto, perché rende disponibile uno strumento diagnostico aggiuntivo – con tutti i limiti e le cautele del caso – per le molte persone che vivono in contesti in cui la quantità di servizi e professionisti della salute mentale è ancora insufficiente.
      Inoltre, anche in contesti meglio attrezzati, gli smartphone potrebbero rendere disponibile un tipo e una quantità di informazioni che i professionisti stessi difficilmente potrebbero ottenere dai pazienti in un modo diverso. Le riflessioni sul genere di dati che potrebbe aver senso raccogliere dagli utenti attraverso gli smartphone per facilitare la diagnosi di alcuni disturbi, in particolare la depressione, contribuiscono peraltro a migliorare la qualità del dibattito mostrando in generale quanto siano incerti e di volta in volta difficili da tracciare i confini tra la salute fisica e quella mentale, e quelli tra il diritto alla privacy e quello alla salute.

      – Leggi anche: Sono gli smartphone il problema degli adolescenti?

      L’obiettivo degli sviluppatori di software di intelligenza artificiale per la diagnosi della depressione, molti dei quali lavorano in collaborazione con diverse università e istituti di ricerca, è utilizzare modelli predittivi per analizzare grandi quantità di informazioni e individuare lievi cambiamenti, nel corpo o nel comportamento delle persone, che potrebbero indicare la malattia. È un settore che tra il 2020 e il 2022, secondo una stima della società di analisi di mercato CB Insights, ha ricevuto oltre 10 miliardi di dollari di finanziamenti in tutto il mondo.
      Per il momento molte app sono utilizzate soltanto per la ricerca in ambito accademico, ha scritto il sito di news Vox, ma altre forme di raccolta e analisi di grandi quantità di dati sono utilizzate già da tempo da alcune piattaforme di social media per segnalare agli operatori sanitari possibili comportamenti autolesionisti degli utenti.
      Un ragazzo in attesa in una stazione della metropolitana di New York (Drew Angerer/Getty Images)
      Secondo l’edizione più recente del Manuale diagnostico e statistico dei disturbi mentali (DSM), che è il testo fondamentale a livello internazionale per la classificazione dei disturbi psichici, la diagnosi di depressione richiede la presenza di sintomi specifici (almeno cinque su nove) per un periodo minimo di due settimane. Tra i sintomi ci sono la perdita di interesse o piacere per le attività quotidiane, l’umore depresso e l’insonnia, o l’ipersonnia. «Ma i sintomi della depressione cambiano molto rapidamente», e potrebbero non essere correttamente notati e riferiti dai pazienti, ha detto a Vox lo psichiatra Nicholas Jacobson, professore alla Geisel School of Medicine del Dartmouth College.
      Insieme alle informazioni ottenute dal medico tramite l’anamnesi, altri dati sul sonno o sull’uso dei social registrati tramite app per smartphone, secondo Jacobson, potrebbero permettere di avere un quadro più completo della salute mentale di una persona. Uno degli obiettivi della ricerca è appunto estendere e rendere più eterogenea la raccolta di dati attraverso i dispositivi, e addestrare modelli predittivi di intelligenza artificiale a cogliere in quei dati segni di un peggioramento dell’umore che potrebbero sfuggire a una valutazione umana.

      – Ascolta anche: Sigmund: Cos’è (e cosa non è) la depressione

      Per uno studio pubblicato a febbraio in formato preprint e condotto su un campione di pazienti che avevano già ricevuto una diagnosi di depressione, Jacobson e altri ricercatori e ricercatrici del Dartmouth College hanno utilizzato un’app sperimentale chiamata MoodCapture. Lo studio prevedeva che i partecipanti aprissero la app tre volte al giorno, in momenti prestabiliti, per rispondere alle domande di un sondaggio mentre la fotocamera frontale dello smartphone scattava loro dei selfie automaticamente.
      Un modello di intelligenza artificiale ha quindi correlato le varie immagini dei partecipanti – centinaia di foto scattate ogni giorno – alle risposte del sondaggio, valutando di volta in volta i sentimenti descritti al momento della compilazione, come la tristezza e la disperazione. Ha quindi utilizzato sia le caratteristiche somatiche dei volti sia altri indizi contestuali, come il tipo di illuminazione nella stanza o gli oggetti presenti sullo sfondo, per prevedere i primi sintomi di depressione. Se un partecipante era sdraiato sul letto ogni volta che compilava il sondaggio, per esempio, il modello stimava come più probabile che fosse depresso.
      Una ragazza in una strada del centro a Berlino (Sean Gallup/Getty Images)
      L’obiettivo del modello utilizzato per lo studio non era associare la depressione a determinate caratteristiche del viso, ma registrare di volta in volta eventuali lievi cambiamenti nelle espressioni facciali di ciascun utente, o anche solo nel luogo e nel modo in cui ciascuno di loro reggeva lo smartphone. Secondo una stima ottenuta valutando i risultati finali dello studio, il sistema potrebbe essere in grado di individuare in modo attendibile i sintomi della depressione con una precisione di circa il 75 per cento. I dati su ciascun utente potrebbero essere combinati con altri dati raccolti passivamente, per esempio sulle ore di sonno o di uso dei social media, per permettere agli specialisti di valutare anche informazioni obiettive e non filtrate dai pazienti.

      – Leggi anche: Sui social si parla troppo di salute mentale?

      Come vale anche per i software di riconoscimento facciale, da tempo molto discussi, l’utilizzo di MoodCapture pone una serie di problemi noti, sia di privacy degli utenti che di malfunzionamenti dovuti a pregiudizi riconducibili ai dati usati per l’addestramento del sistema. Per esempio l’accuratezza nel prevedere la depressione era maggiore nel caso degli utenti bianchi, che formavano la maggior parte del campione, e minore nel caso degli utenti non bianchi. Potrebbe inoltre essere complicato ottenere in futuro dalle persone il particolare tipo di consenso informato necessario per questo genere di studi, che sono supervisionati da comitati etici indipendenti di revisione (Institutional review board, IRB, che analizzano e valutano procedure e metodi della ricerca scientifica per assicurarsi che i diritti degli esseri umani siano rispettati).
      Molte app per la salute mentale disponibili per il download – ne esistono migliaia – sono di un tipo diverso rispetto a MoodCapture e non riguardano propriamente la diagnostica. Alcune molto popolari e apprezzate, tra cui Bearable, sono pensate per persone con malattie croniche (non solo mentali) e prevedono una raccolta dei dati attraverso i dispositivi indossabili in modo da registrare l’evoluzione dei sintomi del tempo. Sono cioè più simili alle app che permettono di controllare l’alimentazione, una specie di diari digitali, ma mostrano nel complesso informazioni che possono anche servire a capire meglio come il proprio stile di vita influenzi i sintomi della malattia di cui si vuole tenere traccia.
      Una ragazza in una strada di un centro commerciale a Pechino (Kevin Frayer/Getty Images)
      I progressi nello sviluppo dei software di intelligenza artificiale permettono tuttavia di ipotizzare che nei prossimi anni esisteranno molte app in grado di prevedere con relativa precisione l’evoluzione dei disturbi mentali, non solo di registrarne i sintomi. Uno studio pubblicato nel 2021 sulla rivista Journal of Medical Internet Research esaminò la capacità di prevedere il rischio di depressione in una popolazione di 267 adulti in salute, sulla base delle loro risposte a un sondaggio e dei dati registrati da ciascuno di loro attraverso un popolare fitness tracker indossabile (il Fitbit). Lo studio concluse che i modelli di apprendimento automatico alla base di questo approccio potrebbero migliorare in futuro lo screening della depressione, permettendo di individuare le persone ad alto rischio.

      – Leggi anche: Le app che ricreano le persone che non ci sono più possono aiutare nel lutto?

      In generale, sia tra i ricercatori che tra gli sviluppatori, l’ottimismo nel settore delle app per la diagnostica delle malattie mentali è alimentato dalla convinzione che i sistemi di intelligenza artificiale potrebbero un giorno servire a notare aspetti della vita dei pazienti che altrimenti sfuggirebbero sia a loro che alle persone che li hanno in cura. L’ottimismo è però in parte frenato dalla consapevolezza che sarà difficile mediare tra il diritto pubblico alla salute e gli interessi privati delle aziende, che una volta ottenuti i dati degli utenti potrebbero trattarli con maggiore disinvoltura rispetto a quanta ce ne sia di solito in una relazione tra specialista e paziente. «Nessun terapista metterà mai i tuoi dati a disposizione degli inserzionisti», ha detto a Vox Stevie Chancellor, professoressa di informatica e ingegneria della University of Minnesota.
      Uno dei rischi principali, in altre parole, è che informazioni ottenute tramite strumenti diagnostici basati sull’uso delle app e dei sistemi di intelligenza artificiale possano essere indirettamente acquisite da società con interessi diversi dalla salute pubblica. Alcune aziende potrebbero utilizzarle per la selezione del personale, per esempio, o per decidere se concedere o no assicurazioni e finanziamenti.
      Questo conflitto di interessi potrebbe condizionare anche la ricerca, in un settore in cui servono ancora molte prove empiriche del beneficio clinico che strumenti di questo tipo potrebbero procurare nel trattamento dei problemi di salute mentale. Se le società mostreranno un interesse maggiore «per le prove che per la redditività, allora staremo andando nella direzione giusta», disse nel 2023 allo Smithsonian Magazine Judith Law, CEO di Anxiety Canada, un’organizzazione non profit che si occupa di strumenti e servizi per il trattamento dei disturbi d’ansia.
      Il dibattito sulle possibilità di agevolare e migliorare tramite specifiche app il lavoro necessario per la diagnosi dei problemi mentali offre diversi spunti per pensare agli smartphone non soltanto come possibile – e discussa – causa dei problemi, ma anche come possibile parte della soluzione. Ma secondo diversi esperti questo sarà possibile solo a patto di creare una tecnologia affidabile e regolamentarla in modo da ridurre il rischio di danni involontari. E a patto di non intendere l’approccio basato sulla tecnologia come sostitutivo della relazione interpersonale, dal momento che «uno dei fattori più importanti per il successo della terapia è la qualità della relazione tra l’individuo e il terapeuta», disse allo Smithsonian la psicologa clinica Vara Saripalli. LEGGI TUTTO

    • 0 Condivisioni

      in Scienza

      Si fa presto a dire test di Turing

      by

      Caricamento playerL’8 giugno di settant’anni fa Alan Turing fu trovato morto nella propria casa di Wilmslow, in Inghilterra, dalla sua governante. Le analisi sul suo corpo portarono alla conclusione che uno dei più brillanti pionieri dell’informatica fosse morto il giorno prima – il 7 giugno – a causa di un avvelenamento da cianuro. Vicino al suo corpo c’era una mela mangiata a metà: si ipotizzò che Turing l’avesse usata per mascherare il sapore del veleno, ma non fu mai analizzata per verificare se contenesse tracce di cianuro. Turing morì dopo un periodo di grandi difficoltà, definito dalle leggi dell’epoca un criminale per la propria omosessualità e sottoposto alla castrazione chimica, dopo aver dato un contributo fondamentale all’informatica e allo sviluppo del concetto di “intelligenza artificiale”.
      Solo nel 2009, a più di mezzo secolo dalla sua morte, il governo britannico espresse il proprio rammarico per il trattamento riservato a Turing, così come alle migliaia di altre persone condannate per la loro omosessualità. Furono poi necessari altri quattro anni prima che la regina Elisabetta II concedesse a Turing una grazia postuma, riconoscendo il suo importante contributo per il progresso e la pace, soprattutto in un periodo drammatico come quello della Seconda guerra mondiale.
      Turing fu infatti uno dei protagonisti delle decodifica dei messaggi realizzati con Enigma, la macchina sviluppata dai nazisti per comunicare in codice e organizzare gli attacchi soprattutto contro i sottomarini degli Alleati, come raccontato nel film The Imitation Game con Benedict Cumberbatch. Ma il contributo più grande di Turing fu nello studio e nelle riflessioni intorno al rapporto tra gli esseri umani e le macchine, in un periodo in cui l’informatica per come la intendiamo oggi era agli albori e gli scenari in cui i computer avrebbero risolto molti dei nostri problemi sembravano ancora da fantascienza.
      Prima della Seconda guerra mondiale e di Enigma, Turing immaginò nei suoi studi una macchina in grado di svolgere qualsiasi compito, prospettando caratteristiche e funzionamenti non molto lontani da quelli dei computer che usiamo ogni giorno, smartphone compresi. Turing riteneva che la sua ipotetica macchina sarebbe stata in grado di rispondere a specifiche esigenze, a patto di fornirle un programma adeguato per farlo.
      Ma Turing era soprattutto affascinato dalla possibilità che un giorno le macchine potessero diventare sofisticate al punto da sembrare umane. Illustrò l’idea in un articolo pubblicato nel 1950 sulla rivista accademica Mind, descrivendo un esperimento per mettere alla prova un sistema artificiale in una conversazione tra esseri umani.
      Fin dall’inizio dell’articolo Turing chiariva la difficoltà del problema: «Propongo di prendere in considerazione la seguente questione: “Le macchine possono pensare?”». La riflessione proseguiva segnalando come fosse difficile definire il concetto stesso di “pensare”, arrivando alla proposta di un gioco-test basato per lo più sul linguaggio da considerare come un’espressione di intelligenza.
      Una versione di Enigma (Getty Images)
      Nel corso del tempo sarebbero state elaborate varie versioni del test, oggi noto come “Test di Turing” dal nome del suo inventore, ma ci sono spesso elementi comuni. Nel test un valutatore deve essere in grado di distinguere veri interlocutori da un interlocutore artificiale, naturalmente senza poterli vedere e sapendo che uno di loro è una macchina. Il sistema artificiale supera la prova se il valutatore non riesce a distinguerlo dagli esseri umani.
      Nonostante fosse stato presentato in un articolo in parte speculativo e “minore” rispetto ad altre ricerche svolte da Turing – e non fosse definito esplicitamente come un modo per misurare l’intelligenza di un sistema – il test che porta il suo nome sarebbe diventato negli anni un importante punto di riferimento per chi si occupa di informatica e di sistemi di intelligenza artificiale. A oltre 70 anni dalla sua pubblicazione, si discute ancora oggi sulla possibilità che una macchina sviluppi una propria coscienza, tale da consentirle di articolare un pensiero e di averne consapevolezza.
      Nel corso del tempo il test di Turing avrebbe ricevuto diverse critiche per una certa ingenuità, dimostrata dal fatto che alcuni dei vincoli previsti possono essere facilmente aggirati per dare l’illusione al valutatore di avere effettivamente a che fare con un essere umano, anche se sta interagendo con una macchina fortemente limitata ma programmata per nascondere i propri limiti. Anche per questo motivo nacquero test alternativi, pur basati sugli assunti di Turing.
      ELIZA, un programma sviluppato negli anni Sessanta negli Stati Uniti, dava risposte all’apparenza “intelligenti” imitando uno psicologo. Il sistema suggeriva con una certa frequenza ai propri interlocutori umani di riflettere sulle loro affermazioni, proprio come avrebbe fatto un terapista, semplicemente componendo le proprie frasi in domande che contenevano parte delle risposte appena ricevute. Secondo alcuni parametri, ELIZA superava il test e in un recente studio ha anche battuto una delle versioni di GPT, il sistema di intelligenza artificiale che fa funzionare il famoso ChatGPT.
      Che un sistema concepito 60 anni fa, quando i computer avevano una frazione della capacità di calcolo di quelli attuali, ne abbia superato uno recentissimo e molto discusso proprio per le sue capacità si spiega col fatto che non esiste un’unica versione formalizzata del test. L’idea di base è quella che fu esposta da Alan Turing a metà Novecento, ma i modi in cui viene effettuato il test possono variare sensibilmente in base ai criteri scelti dai gruppi di ricerca che se ne occupano.
      Essendo il sistema più conosciuto e studiato degli ultimi anni, ChatGPT è finito al centro di molte sperimentazioni anche tese a verificare la sua capacità di produrre conversazioni così verosimili da poter essere scambiate per quelle prodotte da un essere umano.
      Nel luglio del 2023 un articolo pubblicato su Nature ha segnalato il superamento del test di Turing da parte di ChatGPT, pur evidenziando come rimangano irrisolti molti problemi legati al produrre sistemi che siano effettivamente in grado di ragionare. Alcuni particolari sistemi di AI come ChatGPT sono basati su modelli linguistici di grandi dimensioni (LLM) per la generazione di testi, che prevedono le parole da utilizzare man mano che scrivono una frase senza che abbiano una consapevolezza di ciò che stanno facendo (per alcuni esperti è un problema secondario, nel momento in cui una AI svolge comunque efficacemente il compito che le è stato assegnato).
      A inizio 2024 un altro studio, pubblicato su Proceedings of the National Academy of Sciences, ha segnalato come la versione all’epoca più recente di ChatGPT producesse conversazioni non distinguibili da quelle dei suoi interlocutori umani, rivelando le proprie origini artificiali solo nel caso di risposte orientate in modo più marcato alla cooperazione e all’altruismo. La sperimentazione era stata effettuata basandosi su una serie di test solitamente somministrati per verificare la personalità e le scelte in particolari scenari, di tipo etico ed economico. Secondo il gruppo di ricerca, lo studio dimostra uno dei primi casi in cui una intelligenza artificiale ha superato «un rigoroso test di Turing», ma per alcune delle risposte fornite «non avrebbe probabilmente guadagnato molti amici».
      L’esperimento non può comunque essere considerato definitivo, visto che la questione del test di Turing e più in generale della capacità delle macchine di pensare è ancora ampiamente discussa tra chi si occupa di filosofia, di informatica e di matematica. La proposta di Turing non era del resto orientata a dare risposte, ma a fare domande: non aveva pensato il proprio test come una prova di intelligenza e umanità, ma come un gioco, una gara di imitazione. Lo immaginò in un’epoca molto diversa dalla nostra, dove sarebbe stato già sorprendente di per sé avere un programma che risponde a delle domande ed è in grado di portare avanti una conversazione.
      Oggi sappiamo che quei sistemi esistono, sono ormai nella nostra vita di tutti i giorni, ma sappiamo anche che non hanno consapevolezza di sé e che non “pensano”. E quando arriviamo a quest’ultima conclusione, ci interroghiamo su che cosa significhi davvero “pensare”, un concetto per nulla banale e sul quale si ragiona e specula praticamente da sempre. Turing era consapevole dell’impossibilità di dare una risposta convincente alla definizione di quel concetto, ancor prima di applicarlo alle macchine.
      Una statua dedicata ad Alan Turing a Manchester, Regno Unito (Getty Images)
      Di certo Turing avrebbe osservato con interesse i progressi raggiunti nel campo delle AI negli ultimi anni, visto che già nel suo articolo del 1950 ammetteva che «Le macchine mi sorprendono con grande frequenza», aggiungendo poi:
      L’idea che le macchine non possano suscitare sorprese è dovuta, a mio avviso, a un errore a cui sono particolarmente soggetti filosofi e matematici. Deriva dal presupposto che non appena un fatto viene presentato a una mente, tutte le conseguenze di quel fatto affiorano nella mente simultaneamente con esso. È un presupposto molto utile in molte circostanze, ma si dimentica troppo facilmente che è falso. Una conseguenza naturale di ciò è che si presuppone che non vi sia alcuna virtù nel mero elaborare conseguenze partendo da dati e principi generali.
      Alan Turing morì a 41 anni in circostanze mai completamente chiarite e che ancora oggi lasciano aperte molte domande. Due anni prima della sua morte, la polizia stava indagando su un furto avvenuto nella sua casa e Turing ammise di avere avuto una relazione fisica con un uomo, che gli aveva riferito di conoscere l’identità di chi aveva commesso il furto e che sarebbe stato quindi utile alle indagini. Nel marzo del 1952 Turing fu accusato di «grave indecenza e perversione sessuale» e si dichiarò colpevole e fu condannato alla castrazione chimica attraverso l’assunzione di estrogeni. La condanna per omosessualità comportò la fine dell’accesso da parte di Turing ai documenti e alle attività governative secretate, per esempio legate alle attività di intelligence durante la Guerra Fredda, nonostante pochi anni prima avesse dato un contributo importante nel decifrare i messaggi di Enigma.
      Il corpo di Alan Turing fu cremato due giorni dopo la morte e le ceneri furono disperse nel giardino del crematorio, nel punto in cui anni prima erano state disperse le ceneri di suo padre.
      ***
      Dove chiedere aiutoSe sei in una situazione di emergenza, chiama il numero 112. Se tu o qualcuno che conosci ha dei pensieri suicidi, puoi chiamare il Telefono Amico allo 02 2327 2327 oppure via internet da qui, tutti i giorni dalle 10 alle 24.Puoi anche chiamare l’associazione Samaritans al numero 06 77208977, tutti i giorni dalle 13 alle 22. LEGGI TUTTO

    • 0 Condivisioni

      in Scienza

      Avremo farmaci sviluppati dalle intelligenze artificiali?

      by

      Sviluppare un nuovo farmaco è un po’ come fare una scommessa: si investono tempo e moltissimo denaro nella ricerca e nella sperimentazione di qualcosa che non si sa se davvero funzionerà e che potrebbe rivelarsi un costosissimo fallimento. Una nuova molecola molto promettente in laboratorio può mostrarsi inefficace nella sperimentazione animale o nei test clinici sugli esseri umani e prevederlo prima è spesso impossibile. Per ridurre uno dei rischi di impresa più grandi che esistano, negli ultimi tempi le aziende farmaceutiche hanno iniziato a esplorare le nuove possibilità offerte dai sistemi di intelligenza artificiale (AI), i cui progressi sono diventati evidenti anche ai meno esperti nell’ultimo anno soprattutto grazie al successo di ChatGPT di OpenAI.Alcune aziende hanno iniziato a utilizzare le AI per provare a prevedere efficacia e sicurezza di nuovi principi attivi, altre per rendere più semplice e rapido il complicato processo di selezione dei volontari che partecipano ai test clinici. Lo hanno fatto sia sviluppando al proprio interno nuove divisioni dedicate ai sistemi di intelligenza artificiale, sia appoggiandosi alle società e startup nate di recente proprio per applicare le AI al settore dei farmaci.
      A inizio gennaio le due aziende farmaceutiche Eli Lilly e Novartis hanno stretto un accordo con Isomorphic Labs, una società controllata da Alphabet (la holding di Google) e nata da una divisione di DeepMind, una delle più innovative aziende nel settore delle AI. Trattandosi di accordi per un valore complessivo di 3 miliardi di dollari se ne è parlato molto e non solo tra gli addetti ai lavori, ma le condizioni prevedono investimenti piuttosto misurati nel tempo. Eli Lilly anticiperà 45 milioni di dollari, ma i restanti 1,7 miliardi di dollari dell’accordo saranno pagati solo al raggiungimento di alcuni risultati ambiziosi, come l’avvio dei test clinici o l’approvazione dei nuovi principi attivi. Qualcosa di analogo riguarda anche Novartis che anticiperà 37,5 milioni di dollari e investirà altri 1,2 miliardi di dollari nel tempo, sulla base di un sistema basato su incentivi e risultati.
      DeepMind è tra le società che più hanno sperimentato l’impiego delle AI in ambito scientifico e in particolare nell’analisi e nella previsione delle caratteristiche delle proteine. La forma di una proteina determina infatti anche la sua funzione, di conseguenza lo studio e la previsione della sua struttura sono fondamentali nello sviluppo di molti farmaci. Isomorphic Labs parte da quelle conoscenze e ha l’obiettivo di accelerare in modo significativo la fase di scoperta di nuove molecole per i farmaci che attualmente dura diversi anni e richiede molte risorse, portandola dalla media di cinque anni a due.
      Sfruttando diversi modelli di apprendimento automatico, Isomorphic Labs ha sviluppato una piattaforma per prevedere le caratteristiche delle molecole e il modo in cui potranno interagire con l’organismo. Avere la possibilità di fare queste valutazioni in maniera più accurata consente di orientare la ricerca, riducendo il rischio di un fallimento nelle fasi successive quando dalla sperimentazione in laboratorio si passa ai test clinici con le persone. Il sistema naturalmente non garantisce sempre la produzione di molecole efficaci e sicure, ma secondo i responsabili dell’azienda può limitare sensibilmente gli insuccessi e soprattutto potrebbe accelerare le fasi di sviluppo.
      In un certo senso i sistemi di Isomorphic Labs hanno qualcosa in comune con i modelli generativi come ChatGPT, che tra le altre cose riescono a comporre testi come in una normale conversazione utilizzando la statistica per prevedere qualche parola da inserire dopo quella che hanno appena prodotto. Le AI per lo sviluppo dei farmaci fanno qualcosa di simile, ma per progettare le strutture molecolari rispettando alcune regole e limitazioni che vengono scelte dagli operatori. In poco tempo, il sistema è in grado di produrre numerose varianti della stessa molecola, affinando man mano il risultato in base agli effetti previsti sull’organismo.
      Sanofi, un’altra grande azienda farmaceutica, ha avviato una collaborazione con la società Exscientia che nella sua documentazione si presenta con frasi alquanto audaci come: “In futuro tutti i farmaci saranno progettati con le AI. Il futuro è ora con Exscientia”. Anche questa azienda ha l’obiettivo di scoprire nuovi principi attivi e di prevederne le caratteristiche e le interazioni con l’organismo, ancora prima di avviarne lo sviluppo e la sperimentazione.
      L’azienda farmaceutica italiana Menarini ha invece avviato una collaborazione con Insilico Medicine, società fondata tra Hong Kong e New York che sostiene di avere già sviluppato 17 potenziali nuovi farmaci sui quali effettuare i test clinici. L’accordo ha un valore stimato intorno ai 500 milioni di dollari e coinvolge Stemline Therapeutics, una delle controllate di Menarini, che avrà l’esclusiva per lo sviluppo, la sperimentazione e l’eventuale vendita di un nuovo principio attivo per il trattamento di alcune forme di tumore. Le possibilità di successo, però, sono ancora tutte da dimostrare.
      Per questo motivo ha suscitato una certa attenzione nel settore l’avvio dei test clinici su un nuovo farmaco sperimentale di Genentech per trattare la colite ulcerosa, una malattia cronica che comporta una forte infiammazione del colon, tale da far aumentare nel tempo il rischio di tumore rispetto a chi non ha questa condizione. Il principio attivo era stato sviluppato per trattare altri problemi di salute, ma da alcune simulazioni con sistemi di intelligenza artificiale è emerso che avrebbe potuto dare qualche risultato contro la colite ulcerosa.
      Talvolta può accadere che un farmaco sperimentale si riveli inefficace nel trattare la condizione per cui era stato sviluppato, mentre mostra di essere promettente contro un’altra malattia. Scoprirlo però non è semplice e richiede spesso anni di lavoro o qualche coincidenza favorevole. I gruppi di ricerca di Genentech sono riusciti a ottenere questo risultato in nove mesi utilizzando anche le AI per confrontare milioni di ipotesi, fino a trovare conferme sulla probabile utilità del loro farmaco nel trattare le cellule del colon coinvolte nella malattia.
      Già nel 2022 erano emersi indizi sul possibile uso del farmaco contro la colite ulcerosa, ma ora saranno necessari i test clinici per confermare la sua efficacia su pazienti veri. Le sperimentazioni di questo tipo fuori dai laboratori sono richieste dalle autorità di controllo per assicurarsi non solo che un farmaco sia efficace, ma anche sicuro per chi lo utilizza.
      I tempi dei test clinici sono molto lunghi e spesso hanno una fase iniziale molto costosa, sia in termini di tempo sia di denaro, per la selezione dei volontari che dovranno far parte della sperimentazione. Per alcuni test clinici è infatti necessario avere persone con diagnosi chiare della malattia che si vuole trattare, distribuiti in particolari fasce della popolazione per genere, età, condizione economica e provenienza geografica. In molti studi più il campione selezionato è di qualità, più ci si possono attendere dati affidabili.
      Partendo da questi presupposti, alcune aziende farmaceutiche hanno iniziato a sfruttare sistemi di intelligenza artificiale per organizzare la selezione dei volontari nei test clinici. Le AI possono accedere a enormi elenchi, come quelli degli ospedali o quelli tenuti dalle istituzioni sanitarie, effettuando rapidamente una preselezione in base ai criteri richiesti dall’azienda farmaceutica. In questo modo si riducono i tempi successivi della selezione e, almeno in linea teorica, si possono ottenere gruppi di volontari più adatti alla sperimentazione da svolgere.
      La multinazionale farmaceutica Amgen ha sviluppato uno strumento di intelligenza artificiale che si chiama ATOMIC, specializzato nella ricerca e nella classificazione dei dati clinici provenienti da medici, ospedali e altre istituzioni sanitarie. Amgen dice che con il nuovo sistema è in grado di selezionare in meno di nove mesi i volontari per uno studio clinico, rispetto all’anno e mezzo di lavoro richiesto in precedenza. La società ha già usato lo strumento per l’avvio di alcuni test clinici legati alle malattie cardiovascolari e al trattamento dei tumori con buoni risultati, di conseguenza utilizzerà ATOMIC per buona parte delle nuove selezioni in programma per quest’anno.
      La selezione dei volontari è naturalmente un ambito molto diverso rispetto a quello dello sviluppo di nuovi principi attivi, ma è comunque importante perché una sua migliore gestione potrebbe consentire alle aziende farmaceutiche di risparmiare tempo e denaro. È inoltre un settore in cui secondo gli esperti ci sono maggiori margini di successo in breve tempo e minori rischi, considerata la diversa complessità dell’iniziativa.
      Soluzioni di questo tipo sono inoltre viste come una naturale evoluzione degli strumenti basati sulle AI che avevano iniziato a farsi spazio nelle aziende farmaceutiche. Per esempio l’azienda svizzera Roche ha sviluppato un sistema che ha chiamato RocheGPT con dati e informazioni legati all’azienda, alle sue attività e agli ambiti di ricerca. RocheGPT è visto come una sorta di ChatGPT, ma altamente specializzato sulle caratteristiche di Roche e in grado di fornire risposte di vario tipo e in vari ambiti, non necessariamente legati alla sola ricerca, ma anche alla gestione delle attività aziendali.
      Altre aziende farmaceutiche hanno iniziato a sperimentare le AI per accelerare altri processi che di solito richiedono molto tempo legati alla compilazione della documentazione da presentare agli organismi regolatori, come la Food and Drug Administration (FDA) negli Stati Uniti e l’Agenzia europea per i medicinali (EMA) in Europa. In alcuni casi si tratta di documenti accessori e meno importanti, in altri dell’organizzazione dei dati dei test clinici sui quali è comunque necessario un controllo umano finale. Al momento FDA ed EMA non hanno regole esplicite sull’impiego dei sistemi di intelligenza artificiale, ma iniziano a essere sollevati dubbi e preoccupazioni per la loro mancanza, come del resto sta avvenendo in diversi altri settori in cui hanno iniziato a diffondersi le AI di ultima generazione.
      A essere molto interessate al settore farmaceutico non ci sono solamente le società che sviluppano sistemi di intelligenza artificiale, ma anche le aziende che producono microprocessori. Nvidia, uno dei principali produttori al mondo di chip e molto attivo nel settore dei sistemi per le AI, ha contratti con almeno una ventina di aziende farmaceutiche per fornire i propri processori o i centri dati che vengono impiegati per la grande quantità di calcoli richiesti da alcuni modelli di intelligenza artificiale. La domanda è alta e secondo alcuni analisti in breve tempo alcune delle aziende farmaceutiche più grandi competeranno per i dati e la capacità di elaborarli.
      L’interesse intorno ai sistemi di intelligenza artificiale nell’ultimo anno è stato senza precedenti e di sicuro ha portato ad aspettative che in alcuni ambiti sono molto più alte rispetto alle effettive capacità di alcune AI. Gli investimenti, comunque, non mancano in numerosi settori e si prevede che si manterranno alti anche nel corso di quest’anno. In ambito farmaceutico si stima che nell’ultimo decennio ci siano stati investimenti per circa 18 miliardi di dollari in società di biotecnologie che hanno al centro i sistemi di intelligenza artificiale. Se agli inizi riguardavano per lo più società di dimensioni relativamente piccole o medie, ora interessano alcuni dei marchi più famosi e potenti al mondo. LEGGI TUTTO