L’intelligenza artificiale è diventata parte integrante della vita di molte persone. Probabilmente l’avete già utilizzata, che sia per redigere un’e-mail, pianificare una vacanza o effettuare ricerche su Internet. In molti casi, oggi è difficile farne a meno.
Ma al di là di questi usi «di massa», l’IA e le tecnologie a essa associate si sono affermate anche in numerosi ambiti tecnici, medici e scientifici. Esplorare queste applicazioni di nicchia permette di comprendere meglio l’impatto reale — presente e futuro — di questa tecnologia sulle nostre vite, spesso in modo indiretto ma decisivo.
Medicina
In ambito medico, l’IA è stata integrata molto rapidamente, in particolare in radiologia. I sistemi di IA sono oggi in grado di rilevare anomalie sospette sulle immagini mediche, ma anche di prevedere i rischi di sviluppo di alcune malattie, come il cancro, a partire dalla storia clinica e dalle cartelle pazienti.
Queste tecnologie mostrano già risultati concreti. All’ospedale Saint Göran di Stoccolma, l’introduzione di un’IA che analizza le mammografie ha permesso:
- un aumento dell’11,3% del tasso di rilevamento dei tumori al seno,
- nonché una riduzione del 21,9% dei falsi positivi.
(Fonte: RTS)
Un altro esempio significativo proviene dall’Università McGill, dove i ricercatori hanno sviluppato un modello di IA capace di rilevare la diffusione di tumori cerebrali metastatici a partire da risonanze magnetiche. Questo modello permette di identificare la presenza di cellule tumorali nei tessuti intorno al cervello con una precisione dell’85%, e senza intervento chirurgico.
Più vicino a noi, sono in corso anche ricerche all’Università di Ginevra. Vi è stata sviluppata un’IA per anticipare il rischio di metastasi e recidive di alcuni tumori. Questo approccio si basa in particolare sull’analisi delle espressioni geniche, con una precisione dichiarata di circa l’80%. Fonte
Un’iniziativa nazionale svizzera mira inoltre a integrare l’IA su larga scala nel trattamento del cancro, in particolare tramite lo sviluppo di grandi modelli di linguaggio destinati ad assistere gli oncologi nell’analisi di vasti volumi di dati pazienti. Fonte
Simulazione di molecole
Forse non ne avete mai sentito parlare, ma uno dei progressi più spettacolari resi possibili dall’IA riguarda la biologia molecolare, e più precisamente il ripiegamento delle proteine.
Le proteine sono lunghe catene di amminoacidi, paragonabili a collane di perle. Il modo in cui queste catene si ripiegano nello spazio determina direttamente la loro funzione biologica. Ad esempio, una proteina a forma di «serratura» potrà legarsi a una molecola specifica — la «chiave» — per innescare una reazione chimica.
Il problema è che:
- una proteina mal ripiegata non può più svolgere la sua funzione,
- e peggio ancora, alcune proteine mal ripiegate possono aggregarsi e diventare tossiche per l’organismo.
È proprio questo il meccanismo coinvolto in malattie gravi come Alzheimer, Parkinson o ancora la fibrosi cistica. Comprendere il ripiegamento delle proteine significa quindi aprire la strada a nuovi trattamenti.
Tuttavia, prevedere matematicamente il ripiegamento di una proteina è un problema di estrema complessità. Una sola proteina può adottare un numero astronomico di configurazioni possibili, rendendo qualsiasi approccio brute-force del tutto irrealistico. Fino a poco tempo fa, gli scienziati dovevano basarsi su metodi sperimentali lunghi e costosi.
Grazie al deep learning, addestrato su immense banche dati di strutture proteiche note, è stato possibile creare modelli capaci di identificare regole di ripiegamento invisibili all’occhio umano.
L’esempio più emblematico è AlphaFold, un progetto sviluppato da DeepMind (Google), che ha profondamente trasformato la biologia strutturale permettendo di prevedere la struttura di milioni di proteine con una precisione notevole.
Ingegneria – CAD
Nell’ambito dell’ingegneria e della progettazione assistita da computer (CAD), l’IA sta sconvolgendo anche i metodi tradizionali grazie alla progettazione generativa (generative design).
Storicamente, un ingegnere disegnava manualmente ogni pezzo, basandosi sull’esperienza e sull’intuizione. Oggi il processo è invertito: l’ingegnere descrive il problema e l’IA propone le soluzioni.
In concreto, l’ingegnere definisce:
- il peso massimo,
- i vincoli meccanici,
- i punti di fissaggio,
- i materiali consentiti.
L’algoritmo esplora allora migliaia di geometrie possibili e conserva solo quelle che rispettano le leggi della fisica. La materia viene aggiunta dove è necessaria per la solidità, e rimossa altrove.
I risultati sono spesso sorprendenti: i pezzi generati hanno forme organiche, che evocano ossa o strutture naturali. Ma soprattutto, sono più leggeri, più resistenti e più efficienti dei loro equivalenti progettati manualmente.
La NASA utilizza ad esempio la progettazione generativa nel suo progetto Evolved Structures per creare componenti di telescopi e sonde spaziali. Questi pezzi permettono di ridurre il peso di quasi due terzi resistendo al contempo a vincoli estremi, e il tempo di sviluppo è passato da diversi mesi a pochi giorni.
Anche l’industria automobilistica adotta questi metodi. Toyota, ad esempio, ha utilizzato la progettazione generativa per ripensare l’armatura dei suoi sedili. Risultato: una struttura più sottile e più leggera, che riduce il peso totale del veicolo migliorando al contempo lo spazio e il comfort dei passeggeri.
(https://www.autodesk.com/fr/design-make/articles/generative-design-seat-frame).
