Negli ultimi due anni ho avuto centinaia di conversazioni sull’intelligenza artificiale con regolatori, istituzioni finanziarie, ingegneri, amministratori delegati e persone scettiche. Ciò che emerge costantemente è la quantità di confusione e ambiguità che circonda questo campo. Tutti parlano di intelligenza artificiale come se fosse una tecnologia che si muove in una direzione, mentre la realtà è molto più complessa e dettagliata. Come scritto da Shawn Kamkar.
L’intelligenza artificiale è l’intersezione tra previsione e ragionamento
L’intelligenza artificiale rappresenta il punto d’incontro di due sistemi fondamentalmente diversi: uno progettato per prevedere, l’altro progettato per ragionare. Le aziende che comprendono questa differenza e imparano a combinarle avranno un vantaggio significativo rispetto alle aziende che trattano l’intelligenza artificiale come uno strumento monolitico.
IA predittiva e IA generativa
L’intelligenza artificiale predittiva supporta da molti anni il processo decisionale in silenzio e dietro le quinte; I modelli di machine learning eccellono nell’individuare modelli in enormi quantità di dati storici. Ad esempio, nel settore del credito, questi modelli analizzano enormi volumi di dati storici per identificare modelli che praticamente nessun analista umano può individuare tra milioni di risultati; Prevede la probabilità di rimborso, il rischio di frode e la volatilità di un portafoglio di investimenti in modo molto più accurato rispetto ai tradizionali sistemi di valutazione creati decenni fa.
L’intelligenza artificiale generativa svolge una funzione completamente diversa: raccoglie informazioni, affronta l’ambiguità e comunica nel linguaggio umano. Può spiegare l’importanza di una tendenza, riassumere risultati complessi, evidenziare compromessi strategici e aiutare le persone a interagire con sistemi che in precedenza richiedevano competenze specializzate per essere compresi. La sua funzione non si limita solo alla previsione; Piuttosto, include l'inferenza e la traduzione (trasformazione dei dati in concetti comprensibili).
La differenza e la combinazione tra i due: il modo più semplice per comprendere questa differenza è con la seguente analogia: l’apprendimento automatico rappresenta il “laboratorio diagnostico” che esegue i test, mentre l’intelligenza artificiale ostetrica rappresenta il “dottore” che aiuta a interpretare i risultati e determinare il passaggio successivo. Nessuno dei due è indispensabile all'altro; Piuttosto, si integrano insieme per creare un sistema più potente ed efficace.
Utilizza il giusto tipo di intelligenza artificiale per l'attività
Questa distinzione è importante perché molte organizzazioni stanno attualmente cercando di inserire l’intelligenza artificiale generativa in ruoli per i quali non era stata originariamente progettata. Nonostante le enormi capacità dei grandi modelli linguistici, non sono sistemi di previsione deterministici (cioè non forniscono risultati stabili e definiti con precisione matematica).
Chiedere a un “chatbot” generico di prendere decisioni finanziarie o operative cruciali in modo indipendente – senza un’infrastruttura analitica specializzata a supportarlo – è in qualche modo simile a chiedere a un medico di diagnosticare le condizioni di un paziente senza l’aiuto di laboratori, esami medici o misurazione dei segni vitali. Il ragionamento privo di dati affidabili e solidi rimane inaffidabile.
Nel frattempo, i sistemi di previsione privi di spiegabilità creano un diverso tipo di problema. Quello che sto notando è che le organizzazioni sono in grado di generare risultati sempre più accurati, ma difficili da comprendere e compresi da sempre meno persone. Questa discrepanza è ciò che modella le caratteristiche della prossima fase di adozione dell’intelligenza artificiale in vari settori.
Varie applicazioni sul campo
Ad esempio, nel settore sanitario, i modelli di previsione possono identificare i pazienti ad alto rischio in anticipo rispetto ai metodi di screening tradizionali. Tuttavia, i medici necessitano ancora di sistemi in grado di interpretare i risultati, riassumere le considerazioni terapeutiche e comunicare chiaramente con i pazienti. Nel campo dei veicoli autonomi, un livello di intelligenza artificiale monitora costantemente percorsi, pedoni, distanze e ostacoli in tempo reale, mentre un altro livello determina come il veicolo risponderà al cambiamento delle condizioni.
Questo schema si ripete ovunque: intelligenza predittiva combinata con intelligenza deduttiva (basata su logica e analisi).
Combinando previsione, inferenza... e giudizio umano
Le operazioni di prestito ne sono uno degli esempi più chiari; Il processo di valutazione del credito deve essere deterministico e ripetibile – nel senso che gli stessi input devono portare ogni volta allo stesso risultato e alla stessa interpretazione – altrimenti la decisione non sarà giustificabile né per le autorità di vigilanza né per i mutuatari. Qui emerge il potere dell’apprendimento automatico, ma non fornisce un mezzo per esplorare le connotazioni di questi numeri e i loro significati.
Ecco che entra in gioco il ruolo dell’intelligenza artificiale generativa per colmare questa lacuna. Interpreta i risultati nel contesto, testa scenari ipotetici alternativi (analisi "what if") sui portafogli creditizi e simula l'impatto dei cambiamenti politici sulle decisioni di approvazione. Piuttosto che limitarsi a valutare i prestiti, questa intelligence aiuta i finanziatori a comprendere i risultati dei sistemi che gestiscono l’effettivo processo di valutazione. Questa combinazione non nega il ruolo del giudizio umano; Anzi, ne accresce il valore; Consente agli esseri umani di dedicare meno tempo all’analisi di routine e più tempo per affrontare casi eccezionali, prendere decisioni strategiche ed esercitare compiti di controllo e supervisione.
Le organizzazioni che ottengono i migliori risultati sono quelle che non sostituiscono gli esseri umani con sistemi di intelligenza artificiale; Piuttosto, costruiscono sistemi che integrano diverse forme di intelligenza: modelli statistici che rilevano modelli su larga scala, sistemi generativi che trasformano la complessità in intuizioni utilizzabili e un elemento umano che aggiunge contesto e svolge ruoli di supervisione e valutazione.
Funzionalità di analisi avanzate
Per decenni, le capacità analitiche avanzate sono state concentrate all’interno delle principali istituzioni globali; Soltanto queste istituzioni disponevano delle risorse finanziarie per fornire le infrastrutture e le competenze necessarie per elaborare le informazioni su larga scala. Tuttavia, l’intelligenza artificiale sta iniziando a cambiare questa realtà. Le organizzazioni che trarranno i maggiori benefici non saranno quelle che perseguono la completa automazione; Piuttosto, quelli che combinano previsione, ragionamento e giudizio umano in sistemi di lavoro che migliorano l’efficacia degli individui.
Immaginate un paziente che anni fa abbia accettato di utilizzare i suoi dati medici per addestrare un sistema intelligente che aiuti i medici a rilevare le malattie. Pertanto, le sue fotografie, i suoi esami e la sua storia medica furono inclusi nelle migliaia, forse milioni, di documenti utilizzati per costruire il modello. Poi ha cambiato idea e ha chiesto di revocare il consenso e di cancellare i suoi dati.
In un database tradizionale la soluzione sembra semplice: il record viene cancellato e la storia è finita. Ma il problema diventa più complesso quando il sistema ha già imparato da quei dati; Durante l'addestramento, il modello non conserva necessariamente la scheda del paziente come fa un database, ma piuttosto i suoi parametri interni cambiano in base ai modelli estratti. Pertanto, il file originale può essere cancellato, mentre parte del suo effetto statistico rimane in ciò che l'algoritmo ha appreso.
Quando il pulsante “Elimina” non è sufficiente
È possibile cancellare anche ciò che la macchina ha appreso? Questa è la domanda che si pongono i ricercatori in un recente studio analitico pubblicato il 18 luglio 2026 sulla rivista “npj Digital Medicine”, parte del “Nature Portfolio”, intitolato “Cancellare l’apprendimento automatico come necessità per la governance dell’intelligenza artificiale clinica”.
Nello studio si discute il concetto di “Machine Unlearning”, ovvero il tentativo di rimuovere l’influenza di dati specifici da un modello precedentemente addestrato, senza doverlo necessariamente riqualificare completamente da zero.
Se questa idea avrà successo nella pratica, potrebbe aggiungere alla medicina digitale un’abilità che tradizionalmente non faceva parte della progettazione degli algoritmi: non solo imparare, ma anche saper dimenticare.
Cos’è il “de-apprendimento”?
L’addestramento dei sistemi di intelligenza artificiale implica l’estrazione di modelli e relazioni statistiche da grandi quantità di dati, quindi la codifica di ciò che hanno appreso in modo distribuito all’interno dei parametri del modello, in modo che possano essere successivamente utilizzati nella classificazione, previsione o diagnosi di supporto.
“Delete learning” tenta di andare nella direzione opposta: rimuovere la traccia di determinati dati dopo che il modello ha già imparato da essi. L'obiettivo, anziché riqualificarsi da zero ogni volta che viene richiesta l'eliminazione di un record, è modificare il modello in modo che il suo comportamento sia il più vicino possibile a un modello ipotetico che non è stato inizialmente addestrato su quei dati. Questo modello riqualificato senza i dati da cancellare è talvolta noto come il “gold standard” con cui viene confrontata l’efficacia del processo di cancellazione.
La differenza qui è fondamentale; L'eliminazione di un'immagine radiografica o di un risultato di esame dal database non garantisce che il suo effetto scomparirà dal modello precedentemente addestrato su di esso. Perché il suo impatto potrebbe essere già stato distribuito su un gran numero di transazioni interne.
Ciò può essere paragonato allo strappo di una pagina da un libro dopo che il lettore ne ha memorizzato il contenuto: la pagina è scomparsa, ma l'informazione non è necessariamente scomparsa dalla memoria.
Perché la medicina ha bisogno di “dimenticare”?
Il bisogno di dimenticare non inizia né finisce quando un paziente cambia idea e revoca il consenso all'utilizzo dei propri dati; Dopo la formazione potrebbe risultare chiaro che alcune registrazioni contenevano errori, che le immagini mediche erano state classificate con una diagnosi errata o che un gruppo di popolazione non era rappresentato in modo equilibrato. In altri casi, il problema potrebbe non essere i dati in sé, ma piuttosto il cambiamento delle conoscenze mediche su cui si basavano.
Questo è un punto molto importante in medicina. La conoscenza clinica non è statica. Anche le raccomandazioni terapeutiche cambiano man mano che emergono nuove esperienze ed evidenze e le pratiche che erano accettabili quando i dati da cui è stato raccolto il sistema possono essere riviste.
I ricercatori citano la pandemia “Covid-19” come un chiaro esempio, quando le prove e le raccomandazioni terapeutiche sono cambiate in modo eccezionalmente rapido. Se un modello medico impara da pratiche che in seguito si rivelano inappropriate, la semplice aggiunta di dati più recenti potrebbe non sempre rispondere a una domanda più difficile: possiamo rimuovere una traccia di conoscenza su cui non vogliamo più che il sistema faccia affidamento?
Qui la “cancellazione dell’apprendimento” acquista una funzione che va oltre la cancellazione dei dati; Potrebbe diventare uno strumento per correggere la memoria clinica del modello quando la scienza stessa cambia.
Il paziente ha il diritto di essere dimenticato dall’algoritmo?
La questione diventa più complessa quando si passa dall’informatica al diritto e ai diritti dei pazienti; Il Regolamento generale sulla protezione dei dati (GDPR) dell’UE conferisce agli individui, ai sensi dell’articolo 17 e in circostanze specifiche, il diritto di richiedere la cancellazione dei propri dati personali, fenomeno talvolta noto come “diritto alla cancellazione” o “diritto all’oblio”.
Ma i modelli intelligenti pongono un problema che i database tradizionali non sono stati progettati per gestire; Se i dati del paziente sono già entrati nel processo di formazione, l'eliminazione del record originale non risponde necessariamente a un'altra domanda: che dire dell'impatto di tali dati all'interno del modello?
Lo studio indica che la misura in cui si applicano gli obblighi di cancellazione alle transazioni di modelli addestrati è ancora una questione giuridica irrisolta. L'informazione originale potrebbe non rimanere memorizzata in una posizione specifica che può essere semplicemente trovata ed eliminata, ma piuttosto il suo effetto potrebbe essere distribuito in tutta la struttura del modello.
Qui appare un nuovo divario tra il diritto legale di cancellare i dati e la capacità tecnica di far sì che l’algoritmo si comporti come se non avesse imparato da esso in primo luogo. È un ambito in cui medicina, informatica e diritto si incontrano, mentre i confini del “diritto all'oblio digitale” del paziente sono ancora in fase di definizione.
Dimenticare non è privo di rischi
Ma far dimenticare il modello non è un processo privo di costi; Rimuovere l'impatto di un insieme di dati può modificare il suo comportamento in modi che vanno oltre le informazioni stesse e può influenzare la sua capacità di distinguere tra situazioni o di “calibrarle”; Cioè, la misura in cui le probabilità previste corrispondono ai risultati che effettivamente si verificano.
Questo effetto potrebbe non essere distribuito uniformemente; Un processo che appare vincente nella misurazione della performance complessiva può avere un impatto maggiore su un gruppo specifico di pazienti, soprattutto se è già rappresentato da un numero limitato di casi.
Pertanto, i ricercatori mettono in guardia dal trattare la cancellazione dell’apprendimento come un “pulsante Elimina”. Dopo qualsiasi modifica fondamentale, il modello dovrebbe essere testato nuovamente, le sue prestazioni rispetto alla versione precedente e la verifica che non si manifestino effetti collaterali indesiderati, pur mantenendo la possibilità di tornare a una versione precedente se il processo fallisce.
Lo studio propone quindi un concetto importante, che è “unlearning readiness”: ovvero i sistemi medici dovrebbero essere progettati fin dall’inizio in modo che sia possibile successivamente identificare i dati da dimenticare, rimuoverne le tracce, quindi verificare il successo del processo e documentare cosa è cambiato.
Pertanto, “dimenticare” diventa una proprietà a cui si dovrebbe pensare quando si costruisce il modello, non dopo che se ne presenta la necessità.
Dal “modello fisso” a un ciclo di vita continuo
L’”erasure learning” cambia anche il modo in cui guardiamo ai sistemi medici dopo la loro adozione; Il modello non dovrebbe essere trattato come un prodotto fisso che ottiene approvazione e poi rimane invariato; I dati cambiano, le prove mediche si evolvono, possono essere scoperti nuovi errori o i pazienti possono revocare il proprio consenso all'utilizzo delle proprie informazioni.
Lo studio propone quindi di affrontarlo all'interno di un ciclo di vita continuo che inizia con la conoscenza della fonte dei dati e la possibilità di tracciarli, passa attraverso la gestione delle versioni del modello e la determinazione delle circostanze che richiedono la rimozione della traccia di determinate informazioni, per poi testare la versione modificata prima che continui ad essere utilizzata clinicamente.
Ciò significa che la domanda quando si adotta un nuovo sistema medico non dovrebbe essere solo: come hai imparato? Ma anche: sappiamo correggere ciò che abbiamo imparato se poi scopriamo che non è più valido?
La governance, in questo senso, diventa la gestione del ciclo di vita dell’IA medica, piuttosto che un’approvazione normativa una tantum quando entra in un ospedale.
La prossima domanda per l’intelligenza artificiale medica
Abbiamo trascorso gli ultimi anni cercando di costruire sistemi in grado di apprendere dal maggior numero possibile di dati. Ma la medicina potrebbe ora aver bisogno di un’abilità diversa: che una macchina sappia cosa dimenticare, quando e come dimostrare di aver dimenticato senza danneggiare ciò che ha imparato correttamente. Il filosofo tedesco Friedrich Nietzsche scriveva più di un secolo fa che “Dimenticare non è solo una forza oziosa... ma una forza attiva e positiva”. Si riferiva alla mente umana, non agli algoritmi, ma oggi la sua frase assume un significato tecnico inimmaginabile ai suoi tempi. Dopo anni in cui l’attenzione si è concentrata su come insegnare a una macchina, la fase successiva potrebbe iniziare chiedendosi come farle annullare ciò che ha imparato quando diventa necessario. Forse la memoria di una macchina si misura non solo da ciò che può trattenere, ma anche da ciò che può dimenticare quando ricordare diventa sbagliato.
In medicina, dimenticare potrebbe non essere l’opposto dell’apprendimento; Piuttosto, è una delle condizioni per continuare un corretto apprendimento.
I risultati preliminari di un ampio studio genetico hanno rivelato che le persone portatrici di variazioni genetiche che le rendono più inclini ai gusti dolci o grassi tendono in realtà a mangiare quantità maggiori di questi alimenti. Questa predisposizione genetica è associata anche ad un aumento del peso corporeo e ad un modesto aumento del rischio di sviluppare il diabete di tipo 2.
Principali studi sulle basi genetiche delle preferenze di gusto
Questi risultati offrono una possibile spiegazione a una domanda che da tempo lascia perplessi i ricercatori: perché alcune persone riescono a resistere facilmente a un pezzo di caramella, mentre altre si ritrovano più attratte dai dolci, dalle bevande zuccherate e dai cibi grassi? Lo studio suggerisce che la risposta potrebbe essere in parte scritta nei nostri geni.
Lo studio è uno dei più grandi studi fino ad oggi che hanno studiato le basi genetiche delle preferenze di gusto e si è basato sui dati della Biobanca britannica, che include informazioni genetiche e sanitarie e dati sulle abitudini alimentari di circa mezzo milione di persone nel Regno Unito.
I geni dietro il desiderio di cibo
Il gruppo di ricerca – guidato da Julie Jervis, ricercatrice presso il Center for Genomic Medicine del Massachusetts General Hospital negli Stati Uniti – ha utilizzato un metodo innovativo per studiare la relazione tra geni e preferenze alimentari. Jervis ha presentato i risultati alla conferenza “NUTRITION 2026” in occasione dell’incontro annuale dell’American Society for Nutrition, che si è tenuto dal 25 al 28 luglio 2026 a “National Harbor” nel Maryland, vicino a Washington, DC. Lo studio è stato pubblicato sulla rivista American Society for Nutrition (ASN).
Database sensoriali: invece di chiedere semplicemente alle persone cosa preferiscono negli alimenti, i ricercatori hanno combinato le risposte dei questionari sulle preferenze alimentari con database sensoriali che descrivono le caratteristiche dei diversi alimenti, come dolcezza, salsedine e cremosità.
Punteggi genetici per i gusti: hanno quindi condotto analisi dell’intero genoma in un gruppo di partecipanti per identificare le differenze genetiche associate alla preferenza per i gusti dolci, salati o grassi. Hanno poi creato dei “punteggi genetici” che riflettono la predisposizione genetica di ogni persona a preferire ciascuno di questi gusti.
In un altro gruppo di partecipanti, i ricercatori hanno testato se questa predisposizione genetica si riflette effettivamente nel comportamento alimentare e nella salute.
Il dessert può iniziare con una piccola quantità
I risultati preliminari hanno mostrato che le persone che avevano una maggiore tendenza genetica a preferire i gusti dolci mangiavano in media circa 7 grammi in più di cibi dolci al giorno, comprese caramelle e bevande zuccherate.
Potrebbe sembrare una piccola somma in un giorno; Ma i ricercatori sottolineano che piccole differenze nelle abitudini alimentari possono sommarsi nel tempo.
Ancora più importante, un’elevata predisposizione genetica a preferire gusti dolci o grassi è stata anche associata ad un aumento del peso corporeo e ad un modesto aumento del rischio di sviluppare il diabete di tipo 2.
Gran parte di questa associazione sembra essere dovuta al consumo di quelli che sono noti come “cibi iperappetibili” come bevande zuccherate, cibi fritti, patatine e altri alimenti che tipicamente combinano alti livelli di zucchero, grassi o sale.
I geni non sono cibo
I ricercatori sottolineano che i risultati non significano che una persona sia geneticamente predisposta ad amare i dolci, o che diventerà inevitabilmente obesa o diabetica. La dieta e la salute metabolica sono influenzate da un’ampia gamma di fattori, tra cui l’ambiente, le abitudini alimentari e l’attività fisica.
