Un Hub per l’Evoluzione – Versatilità dell’Intelligenza Artificiale in Mostra con i Recenti Successi

Le innovazioni nell’intelligenza artificiale stanno plasmando il futuro delle imprese in quasi tutti i settori. Dalla sanità, manifattura, finanza, istruzione, intrattenimento e legale ai media, al servizio clienti, ai trasporti e altro, praticamente nessun settore importante non è stato influenzato dall’IA.

Secondo un sondaggio IBM del 2023, 42% delle aziende su scala enterprise hanno già integrato l’IA nelle loro operazioni, mentre un altro 40% sta valutando la tecnologia per le proprie organizzazioni.

Questo ha senso, dato che l’IA ha il potenziale di trasformare la produttività e, di conseguenza, il potenziale del PIL di un’economia.

Secondo le stime di PWC, l’IA potrà contribuire potenzialmente con 15,7 trilioni di dollari all’economia globale entro la fine di questo decennio, con il 45% dei guadagni economici totali provenienti da miglioramenti di prodotto guidati dall’IA sotto forma di convenienza, attrattiva, varietà e maggiore personalizzazione, stimolando la domanda dei consumatori. Nel frattempo, 6,6 trilioni di dollari dell’incremento del PIL nelle economie locali derivanti dall’IA probabilmente arriveranno da una maggiore produttività, secondo PWC.

L’IA sta rapidamente diventando una fonte chiave di interruzione e vantaggio competitivo, fungendo da hub centrale per l’avanzamento di quasi tutti i settori. Questo enorme potenziale e la versatilità dell’IA possono essere osservati nei recenti progressi realizzati con l’aiuto di questa tecnologia. 

Prevedere le Proprietà Termiche

Un’interessante applicazione dell’IA è la previsione delle proprietà termiche dei materiali. Questo può aiutare gli ingegneri a progettare dispositivi microelettronici più veloci e sistemi di conversione energetica più efficienti riducendo il calore di scarto.

Comprendere la relazione tra struttura e proprietà è importante quando si progettano materiali con proprietà specifiche. Già sono stati fatti progressi significativi nei metodi di apprendimento automatico in questo ambito. Tuttavia, rimangono sfide riguardo alla generalizzabilità dei modelli e alla previsione delle proprietà.

Quindi, la ricerca più recente ha presentato una rete neurale grafica a nodo virtuale (VGNN) per affrontare questi problemi. Nel loro modello a nodo virtuale, i ricercatori sono riusciti a ottenere spettri Γ-fononi e la previsione completa della dispersione dei fononi partendo solo dalle coordinate atomiche. Combinando il loro approccio con i potenziali interatomici di ML, il team ha raggiunto una maggiore efficienza con una migliore accuratezza.

La capacità di calcolare rapidamente e con precisione le strutture a bande dei fononi è fondamentale perché si stima che il 70% dell’energia prodotta a livello mondiale finisca effettivamente come calore di scarto. Se gli scienziati possono prevedere come il calore si muove attraverso isolanti e semiconduttori, è possibile progettare sistemi di generazione di energia più efficienti. 

Il problema è che le proprietà termiche dei materiali possono essere molto difficili da modellare. Ciò è dovuto ai fononi, un quantum di energia meccanica vibratoria.

Queste particelle subatomiche trasportano calore, e alcune delle proprietà termiche di un materiale dipendono dalla relazione di dispersione dei fononi, che è la relazione tra l’energia dei fononi e il loro momento nella struttura cristallina. Non solo è difficile incorporare ciò nella progettazione di un sistema, ma ottenerla comporta anche sfide significative. 

Secondo l’autore senior Mingda Li, professore associato di scienza nucleare e ingegneria:

“I fononi sono i responsabili della perdita termica, ma ottenere le loro proprietà è notoriamente difficile, sia computazionalmente sia sperimentalmente.”

È a causa della loro estremamente ampia gamma di frequenze che i fononi trasportatori di calore sono così difficili da prevedere. Inoltre, queste particelle viaggiano e interagiscono a velocità variabili.

I ricercatori hanno cercato di stimare le relazioni di dispersione dei fononi tramite ML per anni, ma i modelli si bloccano perché coinvolgono molti calcoli ad alta precisione. 

“Se hai 100 CPU e qualche settimana, probabilmente potresti calcolare la relazione di dispersione dei fononi per un materiale. L’intera comunità desidera davvero un modo più efficiente per farlo.”

– Co-lead author Ryotaro Okabe, a chemistry graduate student

I modelli di ML usati per effettuare calcoli ad alta precisione per stimare le relazioni di dispersione dei fononi sono chiamati reti neurali grafiche (GNN). Queste reti convertono la struttura atomica di un materiale in un grafo cristallino.

Il grafo cristallino comprende più nodi collegati da archi. I nodi rappresentano gli atomi, mentre gli archi fungono da legame interatomico tra gli atomi.

Le GNN hanno funzionato bene per calcolare polarizzazione elettrica e magnetizzazione, tra le altre quantità. Tuttavia, non sono sufficientemente flessibili per prevedere accuratamente la relazione di dispersione dei fononi, che è una quantità incredibilmente ad alta dimensionalità.

Modellare lo spazio di momento dei fononi con una struttura grafica fissa non è adeguato perché i fononi si muovono attorno agli atomi su assi diversi. Ciò richiede flessibilità, che i ricercatori hanno introdotto tramite nodi virtuali.

Mentre i nodi del grafo sono usati per rappresentare gli atomi, il team ha rivisto l’idea arrivando a “i nodi del grafo possono essere qualsiasi cosa. E i nodi virtuali sono un approccio molto generico che si può usare per prevedere molte quantità ad alta dimensionalità.”

Aggiungendo nodi virtuali flessibili alla struttura cristallina fissa, il team ha creato un nuovo framework chiamato rete neurale grafica a nodo virtuale (VGNN). Consentendo all’output della VGNN di variare in dimensione, non è più limitato dalla struttura cristallina fissa.

Tuttavia, questi nodi virtuali possono ricevere messaggi solo dai nodi reali. Quindi, mentre vengono aggiornati insieme ai nodi reali durante il calcolo, i nodi virtuali non influenzano l’accuratezza del modello.

Come ha spiegato il co-lead author Abhijatmedhi Chotrattanapituk, studente laureato in ingegneria elettrica e informatica:

“Il modo in cui lo facciamo è molto efficiente nel codice. Generi semplicemente qualche nodo in più nella tua GNN.”

Facendo rappresentare i fononi tramite nodi virtuali, il modello VGNN non deve eseguire molti calcoli complessi nella previsione della relazione di dispersione dei fononi, rendendolo più efficiente rispetto alle GNN.

Il nuovo framework AML creato da ricercatori del MIT e di altri istituti è stato effettivamente trovato capace di prevedere le relazioni di dispersione dei fononi fino a 1 milione di volte più velocemente rispetto agli approcci tradizionali non basati su IA. Anche rispetto ad altre tecniche basate su IA, questo nuovo framework è 1.000 volte più veloce con un’accuratezza comparabile o addirittura migliore. 

Nel prevedere la capacità termica di un materiale, i ricercatori hanno riscontrato che il modello è leggermente più accurato, con errori di previsione due ordini di grandezza inferiori in alcuni casi.

Secondo i ricercatori, il modello può stimare le relazioni di dispersione dei fononi per alcune migliaia di materiali in pochi secondi usando un computer personale. Questo consente l’esplorazione di più materiali con proprietà termiche specifiche. Può anche essere usato per calcolare le relazioni di dispersione dei fononi in sistemi di leghe, che è particolarmente difficile per i modelli tradizionali.

Nella microelettronica, dove la gestione del calore è una grande sfida per renderli più veloci, il nuovo metodo può essere estremamente vantaggioso e aiutare a sviluppare microelettronica più efficiente. Inoltre, il metodo può contribuire alla progettazione di sistemi di generazione di energia che producono più potenza e maggiore efficienza. 

I ricercatori propongono tre versioni del nuovo modello, ognuna capace di stimare i fononi direttamente dalle coordinate atomiche del materiale ma con complessità crescente.

Ecco due aziende che possono beneficiare di questo sviluppo legato all’IA nella previsione delle proprietà termiche dei materiali:

#1. Intel

In qualità di principale produttore di microprocessori, la gestione del calore è cruciale per Intel (INTC ). Modelli IA migliorati possono aiutare a progettare processori più veloci ed efficienti con una migliore dissipazione del calore, aumentando le prestazioni del prodotto e la durata, rendendo Intel più competitiva.

#2. NVIDIA

Una gestione termica efficiente è essenziale per le GPU ad alte prestazioni di NVIDIA (NVDA ) utilizzate nei data center, nel gaming e nelle applicazioni IA. Modelli IA potenziati possono portare a soluzioni di raffreddamento migliori, migliorando le prestazioni e l’affidabilità del prodotto. Questo apre la strada alla progettazione di sistemi IA a basso consumo energetico, rafforzando la posizione di mercato di NVIDIA.

Garantire la Parità

Un documento separato, nel frattempo, ha migliorato l’equità introducendo casualità strutturata nell’allocazione di risorse scarse con l’IA. Questo consente alle previsioni dei modelli basati su ML di affrontare incertezze innate senza compromettere l’efficienza.

Nel corso dell’ultimo anno, la popolarità dell’IA generativa come ChatGPT ha reso la tecnologia parte integrante delle imprese. Le organizzazioni si rivolgono sempre più a modelli ML per allocare le loro risorse scarse, come i benefici di welfare. Questo utilizzo può spaziare dallo screening dei curriculum alla selezione dei candidati per colloqui di lavoro, fino alla classificazione dei pazienti da parte dei fornitori sanitari per l’assegnazione limitata di risorse mediche salvavita come ventilatori o organi, basandosi sul tasso di sopravvivenza.

Quando si utilizzano modelli IA, si mira a ottenere previsioni eque riducendo i bias. Ciò è spesso realizzato con tecniche come la calibrazione dei punteggi generati o la regolazione delle caratteristiche del modello per prendere decisioni. 

Sebbene si creda tradizionalmente che gli algoritmi siano equi, un nuovo documento di ricercatori della Northeastern University e del MIT sostiene che raggiungere l’equità con il ML richieda spesso casualità. La loro analisi ha scoperto che la randomizzazione è particolarmente vantaggiosa quando le decisioni di un modello coinvolgono incertezza. Inoltre, quando lo stesso gruppo riceve costantemente decisioni negative, è necessario applicare la randomizzazione per migliorare l’equità.

I ricercatori hanno presentato un framework per introdurre specifica randomizzazione nelle decisioni del modello. Il metodo può essere adattato a situazioni individuali per migliorare l’equità senza danneggiare l’accuratezza o l’efficacia del modello.

“Anche se potessi fare previsioni eque, dovresti decidere queste allocazioni sociali di risorse scarse o opportunità esclusivamente in base a punteggi o classifiche? Man mano che le cose si scalano e vediamo sempre più opportunità decise da questi algoritmi, le incertezze intrinseche in questi punteggi possono essere amplificate. Mostriamo che l’equità può richiedere una certa forma di randomizzazione.”

– L’autore principale, Shomik Jain, studente laureato in IDSS

Questa nuova ricerca si basa su un documento precedente, che ha esplorato i danni dell’uso di sistemi deterministici su larga scala e ha scoperto che l’uso di modelli ML per allocare risorse in modo deterministico amplifica le disuguaglianze esistenti e rafforza i bias. Secondo l’autrice senior Ashia Wilson, investigatrice principale in LIDS:

“La randomizzazione è un concetto molto utile in statistica e, con nostra sorpresa, soddisfa le richieste di equità sia dal punto di vista sistemico sia individuale.”

Esplorando quando la randomizzazione può migliorare l’equità, il documento più recente ha adottato il concetto di valore delle lotterie di John Broome per argomentare la necessità della randomizzazione in contesti di risorse scarse, al fine di onorare tutte le rivendicazioni dando a ciascuna persona una possibilità. Jain ha affermato:

“Quando riconosci che le persone hanno rivendicazioni diverse su queste risorse scarse, l’equità richiederà che rispettiamo tutte le rivendicazioni degli individui. Se diamo sempre a chi ha una rivendicazione più forte la risorsa, è giusto?”

Un’allocazione deterministica in cui una rivendicazione più forte ottiene sempre la risorsa può causare esclusione sistemica o portare a ingiustizie composte. I modelli di apprendimento automatico possono anche commettere errori, che si ripetono quando si utilizza un approccio deterministico.

Il documento ha osservato che la randomizzazione può aiutare a superare questi problemi. Tuttavia, non tutte le decisioni dovrebbero essere randomizzate allo stesso modo. Una decisione meno certa dovrebbe avere più randomizzazione.

Ad esempio, l’allocazione di reni comporta la proiezione della durata della vita, altamente incerta, e quando ci sono due pazienti separati da soli cinque anni, diventa ancora più difficile da misurare. Wilson ha detto:

“Vogliamo sfruttare quel livello di incertezza per personalizzare la randomizzazione.”

Per determinare l’entità della randomizzazione necessaria in diverse condizioni, i ricercatori hanno utilizzato metodi di quantificazione dell’incertezza statistica per dimostrare che una randomizzazione calibrata può produrre risultati più equi senza influire significativamente sull’efficacia o sull’utilità del modello.

“C’è un equilibrio da trovare tra l’utilità complessiva e il rispetto dei diritti degli individui che ricevono una risorsa scarsa, ma spesso il compromesso è relativamente piccolo.”

– Wilson

Mentre la randomizzazione può essere davvero vantaggiosa per migliorare l’equità in aree come le ammissioni universitarie, la ricerca ha anche notato situazioni come la giustizia penale, dove randomizzare le decisioni potrebbe effettivamente danneggiare gli individui invece di migliorare l’equità. 

In futuro, i ricercatori pianificano di studiare altri casi d’uso e indagare l’effetto della randomizzazione su altri fattori, come i prezzi e la concorrenza, e su come ciò possa essere usato per migliorare la robustezza dei modelli ML. Ora, esamineremo due aziende che possono beneficiare significativamente di questo sviluppo:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. può migliorare l’equità nella gestione delle cure dei pazienti e nella distribuzione delle risorse incorporando casualità strutturata nei modelli IA. Questo approccio riduce i bias e garantisce un accesso equo ai trattamenti, allineandosi con l’impegno di UnitedHealth a fornire cure di alta qualità e a prezzi accessibili.

Ha riportato ricavi di 98,9 miliardi di dollari nel secondo trimestre del 2024, riflettendo un aumento di 6 miliardi di dollari rispetto all’anno precedente.

#2. Pfizer 

Pfizer Inc. (PFE ) può utilizzare la casualità strutturata nell’IA per garantire una selezione equa dei pazienti nelle sperimentazioni cliniche e una distribuzione equa dei trattamenti sperimentali. Questo approccio supporterà la missione di Pfizer di promuovere l’equità sanitaria e di beneficiare una popolazione più ampia.

Dal punto di vista dei ricavi, Pfizer ha registrato ricavi annuali di 58,5 miliardi di dollari nel 2023.

Sistemi di Apprendimento Linguistico Personalizzato

Un’altra interessante applicazione dell’IA è realizzata nella generazione di libri illustrati personalizzati per aiutare i bambini nello sviluppo linguistico. Utilizzando IA generativa e tecnologia IoT domestica, lo studio più recente mira a offrire un modo efficace e personalizzato per aiutare i bambini a migliorare l’elaborazione del linguaggio e la comunicazione. 

Lo sviluppo linguistico nei bambini è di fondamentale importanza, poiché influisce sulla loro crescita cognitiva e accademica. Considerato il ruolo che svolge nello sviluppo sociale complessivo dei bambini, i progressi linguistici devono essere valutati regolarmente affinché interventi linguistici tempestivi possano essere forniti. 

Tradizionalmente, si utilizza un approccio unico per tutti attraverso liste di vocaboli standardizzate e materiale predefinito per valutazioni e interventi delle competenze linguistiche. Ciò avviene nonostante il fatto che i bambini apprendono la lingua interagendo con i loro ambienti, e poiché crescono in contesti diversi, ciò porta a variazioni nell’esposizione al vocabolario.

Per superare le limitazioni di questo approccio convenzionale, un team di ricercatori ha sviluppato un sistema educativo innovativo che è personalizzato per l’ambiente unico di ogni bambino. 

Questo sistema di apprendimento linguistico personalizzato si chiama “Open Sesame? Open Salami! (OSOS)“. Combina la teoria della patologia del linguaggio con competenze pratiche e si adatta alle variazioni nello sviluppo linguistico dei bambini attraverso una ponderazione individualizzata dei fattori e criteri flessibili di selezione del vocabolario. 

Alimentato da IA generativa e sensori pervasivi, OSOS profila l’ambiente linguistico di un bambino, estrae parole prioritarie personalizzate e crea libri illustrati personalizzati includendo naturalmente quelle parole. Comprende tre moduli principali:

1. Profilatore Linguistico Personalizzato
2. Estrattore di Vocabolario Target
3. Generatore di Supporto all’Intervento Personalizzato

Il Profilatore sarà distribuito a casa e integrato in elettrodomestici o smart speaker per raccogliere campioni vocali. I genitori controlleranno quando avviare e interrompere la registrazione.

Per questo scopo, sono stati utilizzati dispositivi IoT domestici per catturare e monitorare l’ambiente quotidiano e l’esposizione linguistica dei bambini. Il vocabolario dei bambini è stato poi analizzato mediante separazione dei parlanti, che identifica e isola i diversi oratori, e tecniche di analisi morfologica per valutare le unità semantiche più piccole del linguaggio.

L’Estrattore analizza le enunciazioni ed estrae una lista prioritaria selezionabile di parole consigliabili per il bambino. Ogni parola viene analizzata calcolando punteggi basati su fattori cruciali legati alla patologia del linguaggio.

Il Generatore, nel frattempo, fornisce interventi sotto forma di libri illustrati, pratica clinica comune e parte della routine naturale dei bambini. Per creare materiali personalizzati, il team ha utilizzato tecnologie avanzate di IA generativa, inclusi GPT-4 e Stable Diffusion. Queste soluzioni hanno permesso di produrre libri su misura che integrano senza soluzione di continuità il vocabolario target di ciascun bambino. 

Il team ha testato il sistema di apprendimento linguistico personalizzato con nove famiglie per un periodo di quattro settimane. I risultati hanno dimostrato l’applicabilità del sistema in contesti quotidiani e hanno mostrato efficacemente l’apprendimento del vocabolario target da parte dei bambini.

“Il nostro obiettivo è sfruttare l’IA per creare guide personalizzate su misura per i diversi livelli e bisogni degli individui.”

– Autrice principale Jungeun Lee del POSTECH

Le due aziende di seguito possono beneficiare dei sistemi di apprendimento linguistico personalizzati basati sull’IA:

#1. Amazon

Amazon (AMZN ), con le sue ampie capacità di IA e IoT, può integrare sistemi di apprendimento linguistico personalizzati nei suoi dispositivi domestici intelligenti come Alexa. Questo consentirebbe ai genitori di utilizzare Alexa per catturare e analizzare lo sviluppo linguistico dei loro figli in tempo reale, offrendo esperienze di apprendimento su misura.

Nel 2023, il fatturato totale di Amazon è cresciuto del 12% raggiungendo 575 miliardi di dollari, con i segmenti Nord America, Internazionale e AWS che hanno contribuito in modo significativo. 

Il fatturato del Nord America è aumentato del 12% a 353 miliardi di dollari, quello internazionale è cresciuto dell’11% a 131 miliardi di dollari, e il fatturato di AWS è salito del 13% a 91 miliardi di dollari. Il reddito operativo è passato da 12,2 miliardi di dollari nel 2022 a 36,9 miliardi di dollari nel 2023, mentre il flusso di cassa libero è passato da -11,6 miliardi di dollari nel 2022 a +36,8 miliardi di dollari.

#2. Alphabet Inc. (Google)

Google può distribuire sistemi di apprendimento linguistico personalizzati tramite i suoi dispositivi Google Home e Nest. Sfruttando l’expertise di IA di Google, questi dispositivi possono fornire contenuti di apprendimento personalizzati e monitorare lo sviluppo linguistico, favorendo interventi più efficaci per i bambini.

Nel 2023, il fatturato totale di Alphabet Inc. (GOOG ) è cresciuto a 307,4 miliardi di dollari, rispetto ai 282,8 miliardi di dollari del 2022. I servizi Google, inclusi Google Search e le pubblicità su YouTube, hanno generato 272,5 miliardi di dollari, mentre Google Cloud ha guadagnato 33,1 miliardi di dollari. Il reddito operativo è salito a 84,3 miliardi di dollari, con Google Cloud che ha trasformato una perdita di 1,9 miliardi di dollari nel 2022 in un profitto di 1,7 miliardi di dollari. Il totale degli attivi ha raggiunto 402,4 miliardi di dollari, inclusi 110,9 miliardi di dollari in contanti.

Conclusione

Come abbiamo visto con questi recenti successi, l’IA ha casi d’uso diversi, dal supportare i bambini nello sviluppo linguistico alla progettazione di sistemi di conversione energetica più efficienti e dispositivi microelettronici ad alte prestazioni. Questo dimostra quanto sia potente la versatilità dell’IA. 

La capacità dell’IA di gestire grandi volumi di dati, eseguire compiti ripetitivi in modo efficiente, apprendere dai dati e migliorare nel tempo la rende una forza davvero dirompente per una vasta gamma di settori che innovano, migliorano la loro efficienza e produttività, riducono i costi e migliorano il processo decisionale. In questo contesto, l’IA mostra un potenziale enorme, che potrebbe ben oltre le nostre attuali stime, trasformare le industrie e, a sua volta, le nostre vite.

Clicca qui per scoprire tutto sull’investimento nell’intelligenza artificiale.