I dati rappresentano la linfa vitale del machine learning e devono essere categorizzati per spingere il lavoro degli algoritmi. «Ad oggi, però, abbiamo assistito da una parte a una tecnologia che corre velocemente, dall’altra a un’incapacità quasi imprenditoriale di assumere il dato come un valore competitivo», dice Valeria Lazzaroli, Presidente dell’ENIA (Ente Nazionale per l’Intelligenza Artificiale). «È tempo di concludere il girone mediatico dell’AI per dar spazio alle aziende pubbliche e private di definire la strategia da perseguire per sviluppare business model data driven e forward looking. Se il GDPR fosse stato un appuntamento mancato, laddove avremmo potuto adottarne in toto la corretta postura digitale per impostare reali architetture informative, l’AI Act non consente spazio di manovra. Bisogna disporre di funzioni organizzative idonee e delle relative competenze».

Due leve, secondo Lazzaroli, che in Italia si fa fatica ad avere. «Questo perché non abbiamo mai raggiunto una maturità riskbased e, ahinoi, la transizione digitale mette a nudo questa grave carenza». Secondo la presidente di ENIA, il ricorso a una salvifica AI Narrow supporterebbe in modo potente e puntuale tutte le criticità dell’Italia, specie relativamente alle infrastrutture, le critiche in particolare. «E invece, giusto il contesto attuale, complesso e di difficile codifica, con l’AI che chiederebbe una genetica aziendale fortemente radicata nella valorizzazione del dato come principale asset aziendale, assistiamo alla tossica diffusione di un’AI Generativa che, utilizzata come un oracolo, restituisce un supporto falsato perché non ha reale conoscenza delle nostre aziende. L’avrà nel tempo, scippando l’occasione di fare innovazione attraverso la creatività», conclude.

Quali sono le criticità dal punto di vista normativo?

 «Se parliamo di sanità digitale, l’expertise è elevatissima. Tanto nelle competenze in capo ai medici quanto nella disponibilità dei macchinari. Pensiamo a robotica e in generale i traguardi raggiunti dalla biotecnologia e bionica. Risultati impensabili fino a qualche anno fa. Il problema che si pone per riuscire a potenziare capacità e competenza sono la governance e la qualità del dato. I dati ci sono ma non sono categorizzati quindi disponibili per essere elaborati, trattati e gestiti come asset aziendale per fare pianificazione strategica, per disporre di analisi predittive. Si aggiunga, dunque, l’aspetto normativo, che, non trovando la corretta maturità digitale della economia del dato, diventa penalizzante, ponendosi come un apparente fermo all’innovazione. Il fattore allarmante è che, non passando da questo tipo di riorganizzazione, si intraprenda la strada senza ritorno dell’AI Generativa, che non è tossica nella misura in cui la struttura abbia sviluppato una significativa infrastruttura informatica e informativa a prova di nerboruti regolamenti europei. Diversamente, non conoscendo i propri dati, sarà uno stillicidio che spoglierà l’azienda della spinta innovativa».

Quali possono essere i benefici di un’AI Narrow?

 «L’AI Narrow per la sanità si riferisce a sistemi di AI progettati per svolgere compiti specifici e ben definiti e può essere sviluppata attraverso algoritmi proprietari dell’azienda sanitaria. Quindi, spaziamo dalla diagnostica assistita con l’analisi di immagini mediche per identificare anomalie, come tumori o fratture. Uno dei campi di applicazione più comuni è la radiologia, dove l’AI può aiutare a rilevare malattie come il cancro al polmone o il cancro al seno in una fase precoce. È efficacissima per il monitoraggio dei pazienti in tempo reale attraverso dispositivi indossabili o sensori che raccolgono dati vitali come la pressione sanguigna, il battito cardiaco o i livelli di ossigeno. Parliamo anche di ottimizzazione della logistica ospedaliera ai fini dei flussi di lavoro all’interno degli ospedali: la gestione delle risorse, la pianificazione degli interventi chirurgici e il controllo delle scorte di medicinali. AI narrow può analizzare i dati per prevedere la domanda di letti ospedalieri o pianificare il personale in base alle esigenze previste. E in ultimo l’analisi dei dati del paziente a supporto di terapie personalizzate, ottimizzando la prescrizione di farmaci in base alle condizioni mediche individuali e alla risposta ai trattamenti. Pur lasciando sempre al medico la decisione sul paziente, il contributo di sistemi che possono prevenire errori nella somministrazione dei farmaci o segnalare potenziali interazioni pericolose tra farmaci».

Cosa ne pensa dell’AI Act?

«Ha definito il perimetro, stabilito parametri, arriverà alla determinazione di tassonomia e di approfondimenti ancora trascurati».

Quali?

«Per esempio, alcuni ambiti come la filiera alimentare, avrebbe meritato la classificazione di “rischio alto”».

Come può essere utilizzata l’AI per comprendere il cervello e viceversa? Quali risvolti dal punto di vista normativo?

«L’intelligenza Artificiale (AI) e la neuroscienza si stanno influenzando a vicenda in modi affascinanti, contribuendo tanto alla comprensione del cervello quanto allo sviluppo di nuove tecnologie di AI. Per comprendere il cervello abbiamo la modellazione neurale laddove i ricercatori possono simulare processi cognitivi come la memoria, l’apprendimento e la percezione. Ormai riusciamo a decodificare i segnali elettrici cerebrali, traducendoli in comandi che possono essere utilizzati per controllare dispositivi come protesi robotiche o computer. Questo tipo di ricerca è fondamentale nel campo delle interfacce cervello-computer (BCI), che possono aiutare persone con disabilità motorie a interagire con l’ambiente circostante​. E poi lo studio delle malattie neurologiche. Viceversa, il cervello, con la sua efficienza e adattabilità, rappresenta una fonte d’ispirazione per lo sviluppo di nuove architetture di AI. Si parte dal nostro cervello per lo sviluppo di Deep Neural Networks, ispirate, appunto, dalla struttura del cervello e ai suoi neuroni interconnessi. Anche le tecniche di deep learning si basano su come il cervello apprende dalle esperienze e utilizza strati multipli di informazioni per costruire una rappresentazione del mondo. Parliamo anche di neuromorfismo che si basa sull’architettura del cervello per sviluppare nuovi hardware in grado di eseguire calcoli più efficienti in termini energetici simulando neuroni biologici. Come potrà immaginare il problema cardine è la privacy di dati così tanto sensibili!».

In che senso?

«Bisognerà disporre di tecnologie che, su ispirazione della nativa blockchain, consentano l’anonimizzazione del dato. Ed in tal senso una sorta di DAO come involucro esterno al nostro Servizio Sanitario, consentirebbe la disponibilità di un token per ogni utente ed una inviolabilità del dato che farebbe contenti sia il GDPR che il Data Act».

Il Fascicolo sanitario elettronico presenta ancora punti di debolezza tanto da raccogliere la contestazione da parte del Garante della privacy. Si potrebbe pensare a un FSE basato sulla blockchain?

«Certamente. Proprio come dicevo poc’anzi, nei prossimi anni si può immaginare un “sistema di dati” sicuro e condiviso tra tutti gli attori del settore sanitario, automatizzando le interazioni attraverso l’utilizzo di smart contracts. La blockchain garantisce l’integrità e l’immutabilità delle informazioni, agevolando la condivisione tra ospedali, fondi sanitari integrativi, pazienti, strutture sanitarie e Anagrafe del ministero della Salute. Nel sistema si potrebbero coinvolgere i fondi sanitari integrativi ed enti di ricerca scientifica, promuovendo un utilizzo delle risorse e dei dati permettendo una programmazione sanitaria più precisa e una prevenzione personalizzata per ciascun individuo».

L’AI chiede una genetica aziendale fortemente radicata nella valorizzazione del dato come principale asset aziendale. Serve, però, migliorare le infrastrutture, in particolare quelle critiche. Il ricorso all’AI Narrow potrebbe essere una soluzione possibile per supportare tutte le criticità.