In questo secondo appuntamento dello Scientifica Journal abbiamo deciso di accompagnarvi nel cuore pulsante dell’innovazione di Scientifica Venture Capital, in quello che rappresenta il nostro tratto distintivo: lo Scientifica Lab, ovvero i 1400 mq  di laboratori proprietari che si trovano a L’Aquila, all’interno del Tecnopolo d’Abruzzo.

Ad accompagnarci sarà Simone Pesce , Science & Tech Project Manager, che ci parlerà di intelligenza artificiale e modelli di Machine Learning Predittivi.

Ciao Simone, ci puoi raccontare su cosa state lavorando?

Il team di Scientifica Venture Capital è alle prese con lo sviluppo di un particolare tool che permette di generare dealflow partendo da una tecnologia/idea/patent di base.

Grazie a modelli LLM (modelli linguistici di grandi dimensioni) e NLP (acronimo di Natural Language Processing o elaborazione del linguaggio naturale), il tool è in grado di capire il contesto tecnologico e applicativo dell’idea ed identificare patent/tesi/papers relativi ad essa.

Interessante, ma spiegaci meglio: su quali tecnologie si fonda?

Il tool che stiamo sviluppando si basa su 3 tecnologie specifiche, nel dettaglio:

• NLP, ovvero algoritmi di Intelligenza Artificiale in grado di analizzare, rappresentare e quindi comprendere il linguaggio naturale. Questa tecnologia ci aiuta a garantire una più precisa estrazione delle informazioni da brevetti e/o pubblicazioni scientifiche

• Modelli di machine learning predittivi: questo tipo di modelli, basati su algoritmi avanzati di machine learning, sono progettati per fare previsioni o stime su eventi futuri. Sviluppare e affinare questi modelli predittivi, che utilizzano dati storici e real-time, permetterà al tool di prevedere tendenze di mercato, emergenti tecnologie e potenziali opportunità di innovazione

• Analisi del sentiment e Interpretazione emotiva: attraverso queste applicazioni della tecnologia NLP addestriamo il tool affinché comprenda il testo in modo simile agli umani, determinando quindi se il tono emotivo è positivo, negativo o neutro. Questo sarà utile per comprendere meglio le percezioni del mercato e le reazioni emotive associate a specifiche tecnologie o brevetti.

Un progetto molto sfidante, immagino ci siano state delle difficoltà in ambito tecnico/scientifico durante il processo di sviluppo, ci puoi raccontare le principali?

Utilizzare ed integrare diversi tipi di tecnologie ci ha posto davanti a diversi scogli da superare.

Uno tra i principali riguarda l’addestramento dei diversi modelli di intelligenza artificiale, affinché rispondano efficacemente a determinate esigenze.

Per fare un esempio è fondamentale che il tool riesca ad analizzare ed elaborare testi con lo scopo di estrarre informazioni rilevanti, come i NER (riconoscimento entità normative); oppure che sia in grado di interpretare correttamente la terminologia scientifica e le espressioni del settore per fornire un’analisi del sentiment accurata su brevetti e pubblicazioni.

Oppure una delle sfide più significative nell’implementazione dell’intelligenza artificiale per la ricerca avanzata è l’interpretazione efficace delle query in linguaggio naturale.

Gli utenti spesso formulano ricerche usando o un linguaggio colloquiale o termini tecnici specifici di un settore, i quali devono essere correttamente interpretati dalla piattaforma per restituire risultati pertinenti e accurati. Questo richiede una comprensione profonda del contesto, delle ambiguità linguistiche e delle variazioni semantiche.

Quali sono, quindi, le strategie che consentono il superamento di questi scogli?

Mantenere l’accuratezza dei modelli di intelligenza artificiale, come quelli utilizzati per la ricerca avanzata, l’analisi sentiment e i sistemi di raccomandazione, è fondamentale per fornire risultati pertinenti e utili agli utenti.

Questo richiede uno studio continuo nello sviluppare e affinare gli algoritmi di AI per migliorare l’accuratezza dell’analisi dei testi e dell’estrazione delle informazioni ed inoltre un’attenta gestione dei dati di addestramento, la scelta di algoritmi appropriati e la continua validazione dei modelli.

Grazie, Simone per questo interessante viaggio all’interno dello Scientifica Lab e all’interno del mondo dell’intelligenza artificiale.

Noi ci diamo appuntamento al prossimo mese per un’altra edizione dello Scientifica Journal.