L’automazione della scienza

L’applicazione dell’intelligenza artificiale (IA) nella scienza vanta una storia lunga ed importante. I recenti sviluppi nel campo dell’IA e dell’automazione di laboratorio hanno reso possibili semplici ricerche scientifiche interamente automatizzate. Il robot-scienziato è un sistema robotizzato implementato fisicamente che applica tecniche dall’IA per eseguire cicli di sperimentazione scientifica automatizzata: la formulazione di ipotesi, la selezione di esperimenti efficienti per discriminare tra ipotesi, l’esecuzione di esperimenti utilizzando apparecchiature automatiche di laboratorio e l’analisi dei risultati. I robot scienziati hanno come obiettivo una migliore conoscenza e una maggiore efficienza scientifica. Adam, il robot-scienziato, è la prima macchina ad aver raggiunto una nuovissima scoperta scientifica in completa autonomia. Il robot Eve è stato originariamente creato per scoprire in modo automatico i farmaci, specie quelli per trattare le malattie tropicali meno conosciute. Ora stiamo adattando Eve in modo che possa lavorare e accumulare conoscenze nell’ambito della biologia, in particolare nelle ricerche sui lieviti e sul cancro. Negli scacchi esiste un continuum di livelli di abilità che va dai novizi fino ai grandi maestri. È probabile che i progressi nell’IA e nell'automazione da laboratorio porteranno ad uno sviluppo di robot sempre più intelligenti: Frank Wilczek, premio Nobel per la fisica, ha dichiarato che tra cent’anni il miglior fisico sarà una macchina. In tal caso cambierà non solo la tecnologia, bensì anche la nostra comprensione della scienza e dell’universo.

Apprendimento automatico trasformativo: quando l’esplicito è meglio dell’implicito

La chiave del successo nell'apprendimento automatico (AA) sta l'uso di rappresentazioni efficaci di dati. In passato, l’AA è stato applicato solo su problemi isolati. Grazie al costante aumento di dati disponibili, l’AA viene attualmente usato anche per un’ampia serie di problemi correlati. Nell’ambito dell’AA multi-tasking e nel trasferimento di AA si sfruttano i problemi correlati per migliorare le prestazioni dell’AA. Insieme ai miei colleghi ho sviluppato l’apprendimento trasformativo (AT): una nuovissima rappresentazione generale di AA per una serie di problemi correlati. L’AT vanta il duplice vantaggio in quanto migliora le prestazioni dell’AA e consente di formulare previsioni esplicabili. La nuova idea essenziale è di trasformare le rappresentazioni standard di dati in una rappresentazione esplicita basata sulle previsioni di modelli preformati. L’AT è stato valutato utilizzando i quattro metodi di AA non lineari più significativi: le foreste casuali, le macchine a vettore di supporto, i k-nearest neighbors e le reti neurali su tre problematiche scientifiche nel mondo reale, ovvero la progettazione di farmaci, la previsione dell'espressione genica ed il meta-apprendimento. Grazie all’AT abbiamo ottenuto un importante miglioramento delle prestazioni predittive di tutti e quattro i metodi AA in tutte e tre le aree. Un prezioso prodotto secondario dell’AT è la produzione di modelli di predizione su larga scala che abbiamo applicato per raggruppare i bersagli farmacologici/geni e farmaci a seconda della loro similarità funzionale. Inoltre, abbiamo utilizzato i modelli per fare previsioni su attività farmacologiche su larga scala e previsioni di attività genica.