Applicazioni mediche dell'intelligenza artificiale

L'Intelligenza Artificiale (IA) in campo medico-sanitario si riferisce all'applicazione di sistemi avanzati e algoritmi in grado di elaborare informazioni complesse per supportare diagnosi, trattamenti e gestione dei pazienti.

Intelligenza Artificiale

L’Intelligenza Artificiale (AI o anche Artificial intelligence) è una tecnologia informatica che consente l'interazione tra l'uomo e la macchina.

L'IA è il processo attraverso cui le macchine e i sistemi informatici simulano i processi di intelligenza umana.

L'IA elabora il linguaggio naturale, il riconoscimento vocale e la visione artificiale.

Grazie all'intelligenza artificiale è possibile (almeno questo l'obiettivo ultimo) rendere le macchine in grado di compiere azioni e "ragionamenti" complessi, imparare dagli errori, e svolgere funzioni fino ad oggi esclusive dell'intelligenza umana. Oggi in Italia e nel mondo l'intelligenza artificiale viene utilizzata in azienda e non solo, per svolgere compiti che all'uomo richiederebbero molto tempo.

Machine Learning

Il machine learning nasce nel 1959 ed è stato inventato dallo scienziato americano e pioniere dell’intelligenza artificiale Arthur Lee Samuel. Questi coniò il termine per la prima volta, definendolo come il campo di studio che dà ai computer la capacità di apprendere senza essere esplicitamente programmati.

Oggi per machine learning si intende la capacità di una macchina di imitare il comportamento e l’intelligenza umani. Questo particolare sottocampo dell’intelligenza artificiale permette, infatti, di eseguire compiti complessi e di risolvere problemi in un modo simile a quello degli umani.

L’espressione inglese machine learning sta, dunque, a significare l’attività di apprendimento automatico tipica delle macchine, rivolta alla creazione di modelli computerizzati in grado di simulare il comportamento intelligente umano attraverso l’esperienza diretta. Ciò significa poter disporre di macchine in grado, per esempio, di riconoscere una scena visiva, comprendere un testo scritto in un linguaggio naturale o di eseguire un’azione nel mondo fisico.

Deep Learning

Deep learning è un sottoinsieme del machine Learning (ML), in cui gli algoritmi di reti neurali artificiali sono modellati per funzionare come l'apparato cerebrale umano, imparando da grandi quantità di dati. Il Deep learning è basato su livelli di reti neurali che sono algoritmi modellati in modo approssimativo sul modo di lavorare dei cervelli umani. La formazione con grandi quantità di dati è ciò che configura i neuroni nella rete neurale. Il risultato è un modello di deep learning che, una volta formato, elabora nuovi dati. I modelli di Deep Learning acquisiscono informazioni da più origini dati e analizzano tali dati in tempo reale, senza la necessità di intervento umano. Nel deep learning, le unità di elaborazione grafica (GPU) sono ottimizzate per i modelli di formazione perché possono elaborare più calcoli contemporaneamente. Il Deep learning è ciò che guida molte tecnologie di intelligenza artificiale (AI) in grado di migliorare l'automazione e le attività analitiche. La maggior parte delle persone incontra il deep learning ogni giorno durante la navigazione su Internet o l'uso dei telefoni cellulari. Tra le numerose altre applicazioni, il deep learning viene utilizzato per generare didascalie per i video YouTube, per eseguire il riconoscimento vocale sui telefoni e gli altoparlanti intelligenti, per consentire il riconoscimento facciale delle fotografie e per consentire la guida autonoma delle automobili. E poiché i data scientist e i ricercatori affrontano progetti di deep learning sempre più complessi che favoriscono la creazione di contesti di deep learning, questo tipo di intelligenza artificiale diventerà solo una parte più importante della nostra vita quotidiana.

Natural Language Processing (NLP)

L'elaborazione del linguaggio naturale (NLP) è una branca dell'intelligenza artificiale (IA) che consente ai computer di comprendere, generare e manipolare il linguaggio umano. L'elaborazione del linguaggio naturale ha la capacità di interrogare i dati con testo o voce in linguaggio naturale. Questo è anche chiamato "linguaggio in". La maggior parte dei consumatori ha probabilmente interagito con l'NLP senza rendersene conto. Ad esempio, l'NLP è la tecnologia di base alla base degli assistenti virtuali, come Oracle Digital Assistant (ODA), Siri, Cortana o Alexa. Quando poniamo domande a questi assistenti virtuali, l'NLP è ciò che consente loro non solo di comprendere la richiesta dell'utente, ma anche di rispondere in linguaggio naturale. L'NLP si applica sia al testo scritto che al parlato e può essere applicato a tutte le lingue umane. Altri esempi di strumenti basati sull'NLP includono la ricerca web, il filtraggio dello spam e-mail, la traduzione automatica di testo o parlato, il riepilogo dei documenti, l'analisi del sentiment e il controllo grammaticale/ortologico. Ad esempio, alcuni programmi di posta elettronica possono suggerire automaticamente una risposta appropriata a un messaggio in base al suo contenuto: questi programmi utilizzano l'NLP per leggere, analizzare e rispondere al tuo messaggio.

Computer Vision

La computer Vision è un campo dell'intelligenza artificiale (AI) che utilizza il machine learning e le reti neurali per insegnare ai computer e ai sistemi a ricavare informazioni significative da immagini digitali, video e altri input visivi e a formulare raccomandazioni o intraprendere azioni quando vengono identificati difetti o problemi. Se l'AI consente ai computer di pensare, la computer vision consente loro di vedere, osservare e capire.

La computer Vision funziona in modo molto simile alla visione umana, tranne per il fatto che gli esseri umani hanno un vantaggio. La vista umana ha il vantaggio di poter contare su innumerevoli informazioni di contesto per allenarsi a distinguere gli oggetti, la loro distanza, se si stanno muovendo o se c'è qualcosa di sbagliato in un'immagine.

La computer Vision addestra le macchine a svolgere queste funzioni, ma deve farlo in tempi molto più brevi con telecamere, dati e algoritmi piuttosto che con retine, nervi ottici e corteccia visiva. Dal momento che un sistema addestrato per ispezionare prodotti o osservare un asset di produzione è in grado di analizzare migliaia di prodotti o processi al minuto, notando difetti o problemi impercettibili, può superare rapidamente le capacità umane.

La computer vision viene utilizzata in settori che vanno dall'energia e dai servizi di pubblica utilità alla produzione e all'industria automobilistica, con il mercato che continua a crescere.

Applicazioni Mediche

Chirurgia Robotica

La chirurgia robotica è un’area della medicina moderna che utilizza tecnologie avanzate per assistere i chirurghi durante gli interventi in sala operatoria. Offre una serie di vantaggi, tra cui una maggiore precisione, minore invasività, tempi di recupero più rapidi e, generalmente, minori rischi di complicanze per i pazienti. Richiede un’applicazione costante per un apprendimento progressivo e consapevole. Non solo il chirurgo, ma tutto il team robotico di sala è parte attiva di ogni intervento sul paziente e, con la sua esperienza, determina il successo di un intervento.

I sistemi robotici chirurgici in uso sono costituiti da bracci robotici che vengono controllati dal chirurgo tramite una consolle distante dal letto operatorio, munita di molteplici comandi installati su joystick e su pedaliera che il chirurgo coordina nell’uso durante l’intervento. Lo specialista guida sulla road map digitale dell’intervento da eseguire i movimenti del robot, e il sistema converte tali impulsi in azioni precise all’interno del corpo del paziente.

I robot chirurgici sono dotati di strumenti miniaturizzati, come pinze e bisturi, che permettono di eseguire operazioni con una maggiore precisione e una migliore manovrabilità rispetto alle tecniche chirurgiche tradizionali, perché amplificati da una magnificazione di immagine dovuta a potenti ottiche supportate da telecamere ad altissima risoluzione.

Produzione Farmaci

L'utilizzo dell’Intelligenza Artificiale in ambito farmaceutico sta riscuotendo un notevole successo negli ultimi tre anni, con notevoli passi avanti rispetto al periodo precedente, soprattutto se si pensa al suo impatto sull’abbattimento dei costi e sul raggiungimento degli obiettivi in tempi alquanto fulminei per gli standard del settore. ci sono centinaia di startup che stanno esplorando l’uso dell’apprendimento automatico nell’industria farmaceutica. Oggi, in media, ci vogliono più di un decennio e miliardi di dollari per sviluppare un nuovo farmaco. L’obiettivo “comune” è quello di utilizzare l’Intelligenza Artificiale per rendere la scoperta dei farmaci più veloce, sicura ed economica. Prevedendo il comportamento dei potenziali farmaci nell’organismo e scartando “in anticipo” i composti che non funzionano, i modelli di apprendimento automatico possono ridurre la necessità di ricorrere a lunghe ed “estenuanti” procedure di laboratorio. Stiamo assistendo ad una impennata di attività e investimenti perché la crescente automazione dell’industria farmaceutica ha iniziato a produrre abbastanza dati chimici e biologici per addestrare modelli di apprendimento automatico efficaci. La nuova generazione di aziende del campo dell’Intelligenza Artificiale si sta concentrando su tre punti critici nel processo di sviluppo dei farmaci:

individuare il bersaglio giusto nell’organismo, progettare la molecola giusta per interagire con esso, determinare in quali pazienti la molecola ha maggiori probabilità di essere utilizzata con successo. Con l’apprendimento automatico è possibile sfruttare grandi quantità di dati, compresi quelli relativi a farmaci e molecole, per costruire automaticamente “modelli complessi”. In questo modo è molto più facile e veloce prevedere il comportamento dei farmaci nell’organismo, consentendo di effettuare molti esperimenti. I modelli di apprendimento automatico possono anche setacciare vasti bacini non sfruttati di potenziali molecole di farmaci in un modo che prima non era possibile. Il risultato è che il duro, ma essenziale, lavoro in laboratorio (e nelle seguenti fasi di studi clinici) deve essere svolto solo sulle molecole con le migliori probabilità di successo.

Prima ancora di arrivare a simulare il comportamento dei farmaci, molte aziende stanno applicando l’apprendimento automatico al problema dell’identificazione dei bersagli. L’utilizzo del linguaggio naturale per estrarre i dati da vasti archivi di relazioni scientifiche risalenti a decenni fa, tra cui centinaia di migliaia di sequenze genetiche pubblicate e milioni di articoli accademici. I modelli di apprendimento automatico possono prevedere quali sono i bersagli più promettenti su cui concentrarsi per cercare di curare una particolare malattia. Ma la scelta di un bersaglio è solo l’inizio. La sfida più grande è progettare una molecola di farmaco che faccia “qualcosa”, che sia produttiva di risultati. L’interazione tra le molecole all’interno del corpo, peraltro, è molto complicata. Molti farmaci devono attraversare ambienti ostili, come l’intestino, prima di poter svolgere il loro lavoro. Tutto il processo è regolato da leggi fisiche e chimiche che operano su scala atomica. L’obiettivo della maggior parte degli approcci alla progettazione di farmaci basati sull’Intelligenza Artificiale è quello di “navigare” tra le vaste possibilità e individuare rapidamente nuove molecole che soddisfino il maggior numero possibile di requisiti.

Le startup più promettenti Altre startup del settore sono le statunitensi: Generate Biomedicines, con sede a Cambridge (Massachusetts), che si propone di raggiungere l’obiettivo dell’individuazione di nuove molecole utilizzando lo stesso tipo di Intelligenza Artificiale generativa che sta alla base di software per la creazione di testi e immagini come DALL-E 2 (“DALL-E 2 della biologia”)[2]; e l’azienda di Vancouver “Absci”, che sta cercando di creare nuovi farmaci a base di proteine utilizzando l’apprendimento automatico, ma con un approccio diverso[3]. Quest’ultima azienda prende gli anticorpi esistenti – le proteine che il sistema immunitario usa per eliminare batteri, virus ecc. – e usa modelli addestrati sui dati degli esperimenti di laboratorio per proporre molti nuovi design per le parti di questi anticorpi che si attaccano alla materia estranea. L’idea è quella di riprogettare gli anticorpi esistenti per renderli più adatti a legarsi ai bersagli. Dopo aver apportato modifiche simulate, i ricercatori sintetizzano e testano i progetti che funzionano meglio.

Anche l’azienda americana “Apriori Bio” (concittadina di “Generate Biomedicines”) ha “puntato le sue fiches” sul settore in esame. Tale azienda, in piena attività dal precedente periodo pandemico, costruisce milioni di varianti Covid in laboratorio e testa la capacità degli anticorpi che le possono combattere e neutralizzarle. Apriori Bio utilizza l’apprendimento automatico per prevedere come i migliori anticorpi se la “caverebbero” contro altri cento miliardi di miliardi di varianti. L’obiettivo è quello di scegliere gli anticorpi “più promettenti”, quelli che sembrano in grado di affrontare un’ampia gamma di varianti o che potrebbero combattere particolari varianti aggressive, utilizzandoli per progettare vaccini straordinariamente efficaci. D’altronde, il vero potenziale dell’Intelligenza Artificiale è di aprire un enorme bacino non sfruttato di strutture biologiche e chimiche che potrebbero diventare gli ingredienti di futuri farmaci. Una volta eliminate le molecole molto simili, si può attingere da un elenco di ingredienti di al massimo dieci milioni di molecole dalle quali partire per costruire i farmaci. Eppure, secondo le regole della chimica organica, il numero di possibili molecole che potrebbero diventare farmaci è di 1033 (secondo altre stime, 1060). Se si confronta questo numero con dieci milioni di molecole, si capisce che “stiamo pescando in una goccia e non nell’oceano”.

L’azienda californiana Verseon, invece, sta utilizzando tecniche computazionali vecchie e nuove per esplorare questo “oceano”, generando milioni di possibili molecole e testandone le proprietà. L’azienda di Fremont tratta l’interazione tra farmaci e proteine nel corpo come un problema di fisica, simulando la spinta e l’attrazione tra gli atomi che influenza il modo in cui le molecole si uniscono. Simulazioni molecolari di questo tipo non sono nuove; tuttavia, Verseon utilizza l’Intelligenza Artificiale per modellare in modo più accurato l’interazione tra le molecole. Finora l’azienda californiana ha prodotto sedici farmaci candidati per una serie di patologie, tra cui condizioni cardiovascolari, malattie infettive e cancro. Uno di questi farmaci è già in fase di sperimentazione clinica, mentre la sperimentazione di molti altri è destinata a iniziare a breve.

Come l’IA può ridurre i tempi e i costi della ricerca di nuovi farmaci In ogni caso, al di là di tutto, i farmaci devono essere testati sugli esseri umani. Queste fasi finali dello sviluppo di un farmaco, che prevedono il reclutamento di un gran numero di volontari, sono difficili da gestire e, in genere, richiedono molto tempo: si va, alle volte, dai dieci ai venti anni. Molti farmaci “ce la fanno”, altri falliscono la prova della sperimentazione clinica. L’Intelligenza Artificiale non sarà in grado di accelerare il processo di sperimentazione clinica, ma potrebbe aiutare le aziende farmaceutiche ad aumentare le probabilità a loro favore, riducendo i tempi e i costi della ricerca di nuovi farmaci. Con meno tempo speso a testare molecole di farmaci senza prospettive in laboratorio i candidati “promettenti” arriveranno più rapidamente alla sperimentazione clinica. Inoltre, con meno soldi in gioco, le aziende potrebbero non sentirsi obbligate ad utilizzare un farmaco che non sta dando risultati particolarmente buoni.

Anche una migliore selezione dei pazienti potrebbe contribuire a migliorare l’intero processo. La maggior parte delle sperimentazioni cliniche misurano l’effetto medio di un farmaco, contando quante persone hanno avuto successo e quante no. Se un numero sufficiente di persone, in una data sperimentazione, vede un miglioramento della propria condizione, il farmaco viene considerato un successo. Se il farmaco non è efficace per una percentuale abbastanza ampia di pazienti, allora siamo dinanzi ad un fallimento. Ma questo può significare anche che piccoli gruppi di persone, per le quali un farmaco ha funzionato con successo, vengano trascurati (facendo parte del “fallimento”). Se si riuscisse a selezionare i “pazienti giusti” dall’origine, le cose potrebbero andare diversamente. È il caso dello studio austriaco in premessa. Exscientia ha prelevato campioni di tessuto da decine di pazienti oncologici sottoposti ad almeno due cicli falliti di chemioterapia e ha valutato gli effetti di 139 farmaci esistenti sulle loro cellule. L’azienda britannica, grazie alla collaborazione dei ricercatori dell’università viennese, è riuscita a identificare un farmaco che ha funzionato per oltre la metà dei pazienti. Exscientia vuole utilizzare questa tecnologia per modellare il proprio approccio allo sviluppo dei farmaci, incorporando i dati dei pazienti nelle prime fasi del processo per addestrare un’Intelligenza Artificiale “migliorata”.

Diagnosi Malattia

L'intelligenza artificiale (IA) sta rivoluzionando il campo della medicina, trasformando i paradigmi tradizionali di diagnosi, trattamento e gestione delle malattie. Grazie ai rapidi progressi in questo settore, gli specialisti della salute sono oggi in grado di offrire cure più precise, personalizzate ed efficienti. Un altro importante sviluppo è rappresentato da EVEscape, un modello di deep learning che predice l’evoluzione dei virus, come il SARS-CoV-2, con una precisione superiore rispetto ai metodi tradizionali. Questo modello è fondamentale per la progettazione di vaccini e per la preparazione a future pandemie, evidenziando come l’IA possa giocare un ruolo cruciale nell’anticipare le mutazioni virali.

DeepMind di Google ha introdotto AlphaMissense, un modello di IA che ha analizzato 71 milioni di varianti di mutazioni genetiche, classificandone l’89% e determinando la patogenicità di molte di queste mutazioni. Questo strumento si rivela essenziale per comprendere meglio quali mutazioni genetiche possono causare malattie, inclusi diversi tipi di cancro.

L’efficacia dell’IA nella risposta a Q&A mediche: il caso di MedQA e GPT-4 Medprompt Nel campo della genomica, il Consorzio di Ricerca sul Pangenoma Umano ha utilizzato l’IA per aggiornare e mappare il genoma umano con una precisione senza precedenti. Questo nuovo riferimento del genoma è più rappresentativo e aiuta a identificare malattie in gruppi di persone con diverse ascendenze genetiche, superando i limiti delle versioni precedenti del genoma. L’efficacia dell’IA nella medicina è stata dimostrata anche da MedQA e da GPT-4 Medprompt.

Quest’ultimo ha raggiunto una precisione del 90,2% nel benchmark MedQA, superando i modelli precedenti e dimostrando che l’ingegnerizzazione dei prompt può essere un’alternativa efficace al fine-tuning specifico del dominio per l’adattamento dei modelli a settori specializzati.

MediTron-70B si è distinto come modello open-source nel campo medico, raggiungendo il 70,2% di accuratezza su MedQA. Questa performance, sebbene inferiore a quella di GPT-4 Medprompt e Med-PaLM 2, rappresenta un miglioramento significativo rispetto ai modelli open-source precedenti e sottolinea l’importanza dell’accessibilità delle capacità dell’IA in medicina.

L’Intelligenza Artificiale nella diagnosi del cancro: il modello PANDA In particolare, PANDA, un modello di IA per la rilevazione del cancro pancreatico, ha dimostrato una sensibilità e specificità superiore rispetto ai radiologi umani in test di validazione su larga scala.

Questi risultati sottolineano come l’IA possa superare le prestazioni umane in compiti diagnostici complessi e contribuire significativamente alla diagnosi precoce di malattie letali come il carcinoma duttale pancreatico. Altri usi diagnostici dell’IA includono la previsione del rischio di cancro al seno utilizzando immagini mammografiche e lo sviluppo di reti neurali open-source, X-Raydar e X-Raydar-NLP, per la classificazione di radiografie del torace. Questi metodi hanno mostrato prestazioni comparabili a quelle di esperti umani e robustezza nell’applicazione a set di dati esterni.

L’introduzione di MedAlign segna un passo avanti nell’uso dell’IA per alleviare i carichi amministrativi in ambito sanitario. Questo benchmark, basato su EHR e composto da domande e risposte cliniche, ha testato vari LLM, con una variante di GPT-4 che ha ottenuto il tasso di correttezza più alto. Questo dimostra come l’IA possa migliorare l’efficienza della gestione sanitaria e la qualità della cura del paziente. L’approvazione dei dispositivi medici AI da parte della FDA L’approvazione di dispositivi medici AI da parte della FDA mostra una crescita esponenziale, con 139 dispositivi approvati solo nel 2022, la maggior parte dei quali in radiologia. Questo aumento riflette come l’IA stia diventando una parte integrante dell’ecosistema medico, migliorando la diagnosi e il trattamento di varie condizioni L’intelligenza artificiale in medicina non è più un concetto futuristico ma una realtà palpabile che sta migliorando la pratica medica in molteplici dimensioni.

Diagnostica Immagini

a diffusione dell’Intelligenza Artificiale come strumento di ausilio ai medici è già iniziata e diverse esperienze sono già in corso: una delle applicazioni che suscitano maggiore interesse è quella della diagnostica per immagini. L’IA può migliorare la capacità dei medici e del personale sanitario di avere cura dei pazienti e consentire di rilevare precocemente anomalie che possono portare a patologie nel breve o nel lungo periodo.

Il gruppo sta lavorando su applicazioni di Intelligenza Artificiale per l’individuazione e la caratterizzazione di lesioni, principalmente in ambito oncologico. Un’ulteriore applicazione, in via di sviluppo, è relativa alla classificazione dei pazienti affetti da polmonite da SARS-CoV-2 in classi di rischio in base ai dati ottenuti dalla TC. Questo progetto è stato recentemente finalizzato e ci aspettiamo di poterlo utilizzare in futuro. L’Intelligenza Artificiale può incidere su diversi processi nell’ambito della diagnostica per immagini: Ottimizzare le risorse tecnologiche e umane, attraverso una maggiore efficienza dei flussi di lavoro e della gestione dei pazienti. Infatti, gli algoritmi di intelligenza artificiale possono intervenire per analizzare e gestire gli esami sulle macchine (ad esempio TC, RM o PET) nonché per armonizzare i protocolli utilizzati nella esecuzione degli esami. Migliorare l’efficienza degli strumenti: l’utilizzo di algoritmi IA ottimizza la modalità di ricostruzione delle immagini. Un sistema dotato di IA è in grado, ad esempio, di ridurre gli artefatti dovuti al movimento del paziente e di garantire la stessa qualità dell’immagine riducendo i tempi necessari per l’esecuzione di un esame. Individuare lesioni e anomalie. Gli algoritmi di IA possono essere addestrati per “leggere” le immagini e rilevare anomalie in particolari distretti od apparati, utilizzando una metodica ben definita. In questo momento, la maggior parte degli algoritmi possono essere utilizzati dopo essere stati addestrati su una particolare metodica di diagnostica per immagini, come la radiografia del torace oppure la TC del torace. Caratterizzare le lesioni. Oltre a identificare le alterazioni, gli algoritmi di IA possono essere addestrati per caratterizzare le lesioni: ad esempio, per riconoscere se una anomalia evidenziata ad una mammografia sia benigna o maligna, oppure se un nodulo polmonare evidenziato alla TC debba essere asportato o possa essere controllato nel tempo. In questo processo, le informazioni ricavate dalle immagini possono essere correlate con i dati del paziente, come le abitudini di vita o i risultati degli esami del sangue. La correlazione dei dati provenienti dalle diverse metodiche di analisi e dalla storia clinica dei pazienti può consentire di classificarli in gruppi omogenei di rischio. Questa classificazione dovrebbe consentire di stabilire un piano terapeutico personalizzato. Come l’Intelligenza Artificiale aiuta a individuare e caratterizzare lesioni oncologiche La nostra esperienza è maturata a partire dall’analisi delle immagini, condotta attraverso tecniche di analisi tissutale chiamate tecniche di radiomica. La radiomica consente di estrarre dalle immagini alcuni parametri quantitativi in grado di facilitare la caratterizzazione di lesioni, in questo caso lesioni neoplastiche o sospette tali: può essere integrata con tecniche di machine learning, ma la sua probabile evoluzione sarà l’utilizzo diretto di tecniche di deep learning, di apprendimento profondo tramite reti neurali artificiali.

Implicazioni etiche-legali

Le implicazioni etiche dipendono dagli imput e dalle informazioni che vengono fornite da noi umani. Quindi le nostre informazioni possono contenere degli errori sin dall’origine oppure dei pregiudizi (ad es. discriminazioni) Non è chiaro come vengano prese le decisioni dall’IA. Non sempre il medico ha chiara la modalità con cui la macchina è arrivata a quella conclusione. La macchina può arrivare a manipolare l’uomo e quindi la decisione del medico Grandi quantità di dati sensibili. Non sappiano come vengono elaborate le informazioni che forniamo - processo logico. La macchina lavora su dati statistici che hanno sempre un margine di errore. In campo medico è molto delicata la questione. La macchina non sa risolvere nuovi problemi per i quali non ha informazioni. Non ha senso comune

Fiducia

Chi fornisce i dati e chi utilizza i dati deve agire in base al principio della fiducia.

Problemi Lavorativi

La macchina sostituirà l’uomo in alcuni lavori cognitivi e potrebbe portare a risvolti etici

Possibili Sviluppi

In futuro sarà necessario prevedere la possibilità per le macchine di prendere decisioni trasversali. Per risolvere i problemi etici e legali la società civile, le aziende, le autorità e le istituzioni, i Governi devono stabilire dei principi che dovranno essere alla base dell’utilizzo futuro dell’IA Necessità di una Governance. Chi fornisce i dati e chi li utilizza dovrà rispettare principi di etica bene precisi.