Un vivace incontro sull’intelligenza artificiale applicata al settore farmaceutico ha animato la sede di ZEST Group a Roma. L’evento, organizzato dall’attiva associazione Alumni di ESADE, prestigiosa business school di calibro europeo e mondiale, ha visto la preziosa collaborazione di Radisson Rewards, creando un’occasione di networking e approfondimento di alto livello. Eugenio Mealli, keynote speaker in materia di intelligenza artificiale nel settore farmaceutico, è stato affiancato da Roberto Magnifico, esperto di investimenti in AI, socio fondatore e membro del CdA di ZEST Group.

Quante intelligenze artificiali esistono?

Prima di addentrarsi nelle specifiche applicazioni dell’AI nella scoperta di nuove molecole e nell’ottimizzazione della complessa catena di valore farmaceutica, i partecipanti hanno dedicato spazio a una riflessione sul concetto stesso di intelligenza artificiale. È emerso come, nel discorso pubblico odierno, l’attenzione sia spesso monopolizzata da ChatGPT e dai suoi epigoni, nonché dalle svariate applicazioni per la generazione di immagini, video e interazioni conversazionali.

È stato sottolineato come questo scenario rappresenti solamente una sfaccettatura, seppur affascinante e in rapida evoluzione, dell’AI: la cosiddetta AI Generativa. Ma quali sono gli LLM (Large Language Models) e gli LMM (Large Multimodal Models) più utilizzati in questo contesto e per quali scopi? Tra gli LLM spiccano nomi come GPT-4 (alla base di ChatGPT), Gemini (di Google), Claude (di Anthropic) e modelli open-source come Llama (di Meta). Questi vengono impiegati per una vasta gamma di compiti, tra cui la generazione di testi creativi, la traduzione linguistica, la risposta a domande complesse, la stesura di codice informatico e la creazione di contenuti di marketing. Gli LMM, capaci di elaborare non solo testo ma anche immagini, audio e video, come GPT-4 Vision e Gemini Pro Vision, ampliano ulteriormente le possibilità, consentendo l’analisi di dati multimodali e la creazione di applicazioni ancora più sofisticate. Tuttavia, come evidenziato durante l’incontro, il panorama dell’intelligenza artificiale è ben più ampio. Esistono quasi 50 famiglie di tecniche di AI, molte delle quali non hanno una natura generativa ma sono cruciali per risolvere problemi in svariati settori. Si va dal machine learning fino ad architetture complesse superiori.

Elementi basilari ma comunque complessi: le GANs

Un esempio concreto e illuminante delle tecniche “di base” è rappresentato dalle GANs (Generative Adversarial Networks). Queste architetture, intrinsecamente generative nel loro funzionamento, sono state utilizzate come paradigma per spiegare un approccio di apprendimento differente. Le GANs si compongono essenzialmente di due reti neurali in competizione: un generatore e un discriminatore. Per rendere il concetto più tangibile, è stato proposto un esempio pratico legato al design automobilistico. Immaginiamo di applicare le GANs al progetto di una nuova automobile. Il generatore ha il compito di “disegnare” l’estetica di un modello di automobile, cercando di renderlo il più simile possibile a quelli reali. Il discriminatore, invece, agisce come un critico esperto, analizzando gli output del generatore e verificando se essi siano plausibili o meno. Nell’esempio fornito, se il generatore producesse un modello concettuale dotato di cinque ruote, il discriminatore emetterebbe un giudizio negativo, segnalando inequivocabilmente che una configurazione a cinque ruote non è una caratteristica accettabile per un’automobile convenzionale. Attraverso questo feedback continuo e competitivo, il generatore “apprende” le caratteristiche intrinseche del concetto di automobile. Di conseguenza, nelle successive iterazioni, produrrà nuove proposte di design, correggendo gli errori precedenti e presentando modelli sempre più realistici e conformi alle aspettative, in questo caso, con quattro ruote.

Nascita di una molecola aromatica

Questo esempio ha permesso ai partecipanti di comprendere come l’intelligenza artificiale, al di là della sua capacità di generare contenuti, possa essere impiegata per compiti di apprendimento, classificazione, ottimizzazione e problem solving in ambiti specifici come quello farmaceutico, aprendo scenari futuri di grande interesse e potenziale innovativo. L’incontro è proseguito con un vivace scambio di idee e la consapevolezza che l’AI rappresenta una frontiera tecnologica in continua evoluzione, con implicazioni profonde e trasversali per numerosi settori industriali. Eugenio Mealli ha coinvolto i partecipanti in un “gioco”, nel quale loro erano il generatore di una rete GAN e Mealli il discriminatore. Sono bastati tre turni di gioco, che nel gergo degli sviluppatori si chiamano “epoche”, per portare i partecipanti a disegnare una molecola aromatica senza che se ne rendessero conto.

Le scatole nere dell’AI

È quindi seguita un’interazione sul funzionamento reale delle reti neurali. Si è visto che è vero che ogni calcolo ha un “peso” matematico. E allora perché si dice che siano delle “scatole nere” di cui non si capisce il modo di ragionare? Il motivo è che le reti neurali hanno centinaia di perceptroni, e spesso sono innestate in architetture superiori con altre reti e con algoritmi non neurali. Diventa impensabile monitorare i singoli valori, tenuto conto che in pochi minuti avvengono milioni di calcoli. Ma se sono così potenti, come mai perfino le squadre di esperti delle big tech faticano a creare applicazioni operative concrete? Qui entrano in ballo, inaspettatamente, considerazioni etiche e generali. Le grandi reti neurali complesse sono energivore e antiecologiche. I progetti di AI hanno la logica del breve termine e quindi prevale la tendenza a utilizzare quanta più potenza-macchina disponibile senza dedicare tempo a selezionare o formare risorse umane che possano affiancare conoscenza semantica e capacità tecnica. In altri termini, spesso si gettano nelle reti neurali quantità enormi di dati senza aver dedicato tempo sufficiente a filtrarli, selezionarli e studiarne il significato. La speranza è che, avendo molte macchine e molte squadre che lavorano in parallelo con approcci diversi, qualcuno ottenga al più presto risultati di valore pratico.

Conoscenza del settore e algoritmi efficienti

L’approccio alternativo praticato da Mealli nei suoi progetti AI è di sfruttare la conoscenza reale del settore e iniettarla in algoritmi quanto più possibile semplici ed efficienti. È necessario un capo progetto competente nel settore obiettivo e molti mesi di studio preliminare, ma poi il modello costruito ha un vantaggio competitivo enorme in termini di costi di esercizio. Roberto Magnifico ha confermato che, prima di investire in una start-up di AI, si verifica che la compagine dei fondatori abbia almeno un membro con capacità di sviluppo tecnologico e una discreta conoscenza del business obiettivo. Raramente basta una buona idea e del denaro e poi affidare a terzi lo sviluppo software, per puntare a essere un “unicorno”, cioè arrivare a un valore aziendale di decine o centinaia di milioni di euro. Il bagaglio di competenze richiesto per essere ai vertici di un progetto evoluto comprende, accanto al dominio generale della tecnologia e alla gestione della squadra, una istintiva capacità quantitativa, cioè logico-matematica e statistica, e una conoscenza diretta del campo pratico di applicazione.

Riflessioni per il settore farmacologico

Cionondimeno, alcuni gruppi di talento stanno creando motori di ricerca di nuove molecole farmacologicamente attive. Software capaci di prevedere l’affinità di determinati gruppi sub-molecolari per il target farmacologico (recettori o simili), o ancor meglio di individuare i target stessi e “immaginare” quali molecole potrebbero arrivare facilmente al sito d’azione e legarsi al recettore. Il time-to-market di un nuovo medicinale si taglia così anche dell’80 per cento. E ancora, l’intelligenza artificiale può prevedere e mitigare la tossicità e monitorare i test clinici e l’uso di massa, incluse interazioni ove non previste.

Una delle barriere d’entrata per nuovi progetti di questo tipo sono le risorse computazionali: con pochi milioni di euro non si riesce a essere competitivi, perché la potenza di calcolo richiesta cresce quadraticamente o anche esponenzialmente con il fattore dimensionale dei dati utilizzati. Per questo, si inizia con approcci semplificati. Analizzare una molecola nella sua approssimazione bidimensionale con un sistema informatico comune può richiedere alcuni giorni, che diventano settimane se si passa alle elaborazioni tridimensionali.

Se pensiamo alla catena di valore farmaceutica, l’elaborazione di dati economici, aziendali e di mercato ha una complessità chiaramente minore, al più paragonabile alle approssimazioni molecolari bidimensionali. Ci sono diversi tentativi di proporre e implementare algoritmi di machine learning e deep learning al business delle industrie, della distribuzione intermedia e delle farmacie. Anche in questo caso però il talento è più scarso di quello che sembra, e le conclusioni dell’incontro ESADE suggeriscono di selezionare attentamente il gruppo di lavoro del progetto, per non rischiare di deludere le aspettative.