curiosità 27/09/2025 0 Comments

Qual è l’impatto dell’IA nel mondo della ricerca oggi?

Oggi, mondo reale e mondo digitale sono arrivati ad un livello di interconnessione tale da non capire dove finisca uno e inizi l’altro, quasi come se uno smartphone fosse il naturale prolungamento di una mano. Allo stesso modo, il mercato dei dati ha assunto una centralità e un valore smisurati. Testi, immagini, video, e-mail, documenti, dati dell’internet, dei social media, sanitari o sulla sicurezza informatica. Dati non strutturati che generano valore nel momento in cui vengono estratti e che oggi sono potenzialmente infiniti e vengono utilizzati in enormi quantità per addestrare modelli di Intelligenza Artificiale che ormai, sono diffusi e accessibili quasi a tuttƏ.

Con Intelligenza Artificiale si intende la capacità da parte di un computer o una macchina di duplicare l’attività cognitiva umana e simulare il modo in cui gli esseri umani apprendono, prendono decisioni o risolvono problemi. Una tecnologia nata nel 2012 che oggi, oltre ad avere molteplici applicazioni nel mondo reale, è uno strumento sempre più utilizzato nel campo scientifico e sta spostando in avanti i confini della ricerca. Mediante modelli di Machine Learning (ML) – algoritmi statistici in grado di apprendere autonomamente dai dati e generare risultati, schemi e prevedere il comportamento di modelli, è possibile automatizzare il processo di analisi ed elaborazione di enormi dataset e identificare complesse relazioni in tempi molto rapidi. Questi hanno anche la capacità di riconoscere immagini microscopiche grazie a tecniche di apprendimento come le reti neurali, che imitano la struttura del cervello umano e sono utili nell’identificazione di oggetti celesti o nella rilevazione di cellule tumorali, ad esempio. In più, tecniche di Natural Language Processing (NLP) permettono a software di sintetizzare articoli scientifici e fornire aggiornamenti continui sulle scoperte in corso, di accelerare la scrittura e revisione degli articoli scientifici e quindi, anche il tempo di diffusione di una scoperta. Così, l’automatizzazione di attività ripetitive e dispendiose in termini di tempo consente a ricercatorƏ di concentrarsi su aspetti più complessi e creativi della ricerca.

Tuttavia, l’IA deve essere problematizzata e utilizzata nell’ottica di supportare e non sostituire la creatività o il giudizio umano in modo da continuare a dare valore al proprio lavoro. Ciò che viene maggiormente criticato ai modelli di ML, è la natura black box di molti algoritmi i cui processi non sono trasparenti sollevando così dubbi sulla validità e riproducibilità dei risultati, aspetti fondamentali in campo scientifico. Di conseguenza, i risultati di un modello ML possono essere poco utili o impossibili da utilizzare e sollevano anche problematiche riguardanti la proprietà intellettuale delle scoperte stesse. L’utilizzo dell’IA richiede una valutazione conscia e critica da parte di ricercatorƏ e istituzioni che la promuovono, in modo da applicarla in modo etico e contribuire realmente al progresso scientifico. Un po’ come fa Michela, che dato l’uso esponenziale degli strumenti di ML nell’analisi di dati, ha deciso di tenere un corso universitario sulla matematica e i meccanismi che li determinano in modo che studentƏ siano consci del suo funzionamento e in grado di interpretare i risultati. Infatti, affidarsi ciecamente all’IA comporta dei rischi notevoli, come confondere la conoscenza di un argomento da parte dell’IA come la propria, o restringere la ricerca solo a quei campi che possono essere esplorati tramite l’IA stessa. Un altro pericolo è quello che viene definito “illusione di obiettività” che porta a ritenere che i sistemi di IA siano privi di pregiudizi e allucinazioni quando invece, l’IA non è neutrale e questioni di giustizia sociale sono centrali.

Nella ricerca scientifica, considerazioni etiche e di governance sono fondamentali. Infatti, pregiudizi e stereotipi presenti nei dati umani con cui i modelli sono addestrati, vengono riprodotti dagli algoritmi dell’IA e possono portare a risultati ingiusti o pratiche discriminatorie – soprattutto se applicate ad ambiti quali la ricerca sanitaria o la giustizia penale.  Errori sistematici che possono diventare frequenti e difficili da correggere e dato che narrazioni discriminatorie permeano tutt’oggi la percezione pubblica e politica – e date le applicazioni dell’IA – anche questa dev’essere decolonizzata. Per questi motivi, vi è il bisogno di verificare l’equità dei propri modelli e di linee guida chiare per la comunicazione dei risultati. Altrettanto importante è la creazione di normative comuni sulla protezione dei dati sensibili inclusi nei dataset e l’inclusione dei paesi in via di sviluppo nella ricerca scientifica globale.

Il futuro della ricerca scientifica è innegabilmente interconnesso con l’IA e decisioni ad essa legate devono essere prese assieme a coloro che vivono quotidianamente le sfide operative, e assieme a scienziatƏ, politicƏ ed espertƏ di etica.

Benefici e problematiche legate al mondo dell’IA sono molteplici. Per approfondire, vi consigliamo la lettura dei seguenti articoli che affrontano il tema in maniera più dettagliata:   

 

*Ciò avviene anche a modelli di IA generativa come chat GPT – quello maggiormente conosciuto e utilizzato – che propongono informazioni senza citare le fonti originali sollevando così interrogativi sulla trasparenza, correttezza e qualità dei dati. In più, al momento l’IA consuma l’1% della domanda globale di energia e di acqua e questa, è destinata ad aumentare. Basta pensare che in media una domanda a ChatGPT ha bisogno di dieci volte l’energia elettrica di una ricerca su Google.

Post Views: 371