DeepMind: un ottobre ‘caldo’
Questo mese di ottobre è stato caratterizzato da particolari avvenimenti, come Megatron-Turing, per fare un esempio…
Ma c’è stato un protagonista che silenziosamente, nel mondo dell’Intelligenza Artificiale ha incominciato a portare delle (ulteriori) piccole novità…
Stiamo parlando di una delle celebrità vere e proprie di questo mondo, DeepMind, una costola di Google dedicata a creare modelli innovativi di deep learning.
Noi l’abbiamo citato più volte nel blog, parlando di AlphaGo o di MuZero.
Questa volta torniamo parlando di DeepMind e di questo suo ottobre molto caldo.
1. AlphaFold
AlphaFold è una grande breakthrough a livello generale per il mondo.
Ora, AlphaFold è un sistema di deep learning che permette di prevedere la struttura tridimensionale delle proteine.
Può sembrare una cosa banale, ma in realtà scoprire la struttura tridimensionale delle proteine è stata una delle sfide più grandi di questo secolo.
Per capirci, le proteine sono fatte di sequenze di amminoacidi, un po’ come una parola composta da tante lettere diverse che interagiscono fra di loro.
Quando abbiamo delle “parole” molto piccole, è più semplice capire quale sarà la struttura della proteina.
Se invece abbiamo delle sequenze molto lunghe, è molto più difficile comprendere la struttura, sia perché le combinazioni sono tantissime, sia perché le combinazioni cambiao a loro volta la funzione delle lettere.
Questo per dire che un modello statico non sarebbe mai riuscito a prevedere la struttura tridimensionale delle proteine.
Ogni anno sono state organizzate delle competizioni, le CASP – delle Olimpiadi in cui veniva chiesto a dei ricercatori di predire la forma di una proteina in base alla sequenza.
Queste olimpiadi venivano organizzate proprio perché era difficile predire quale sia la vera forma di una proteina: noi conosciamo la forma del 15% delle proteine prodotte dal genoma umano.
Ora, con DeepMind e AlphaFold è stato sviluppato un sistema per predire, solamente in base alla sequenza di amminoacidi, con una precisione molto alta, la forma di queste proteine.
Quindi, potenzialmente, abbiamo in mano l’intero genoma umano e sappiamo esattamente come sono fatte le proteine.
In poche parole, con un computer adesso è possibile fare quello che una volta avremmo dovuto impiegare moltissimo tempo e risorse (ricercatori che possono sbagliare e impiegare un sacco di tempo) per predire la forma delle proteine e sviluppare dei farmaci, trovare dei nuovi target per un farmaco anti-virale e così via…
Se noi avessimo potuto isolare la sequenza proteica del capside del virus e disegnare una proteina che lo identificasse e lo distruggesse, questo sarebbe stato un asset incredibile che ci avrebbe permesso di uscire presto da questa situazione.
E a giugno del 2021 DeepMind ha deciso di rendere OpenSource tutto il protocollo di AlphaFold, creando un mercato.
Ad oggi ci sono già delle start-up di biotecnologia che si sono cimentate nella drug discovery e per risolvere problemi sanitari di una certa portata.
2. Un modello per domarli tutti
DeepMind sta seriamente studiando una rete neurale che permetta di emulare gli algoritmi di Intelligenza Artificiale, quindi una sorta di super sistema in grado di creare dei modelli.
Quindi, non sarà più necessario sviluppare e creare un modello partendo da un algoritmo specifico.
Oggi sappiamo che parte del lavoro di chi sviluppa queste soluzioni sta nel trovare l’algoritmo, nel parametrarlo, nell’adattarlo in base al contesto…
Qui invece stiamo parlando di far fare questa attività ad un’Intelligenza Artificiale, cioè cercare di combinare deep learning e algoritmi per creare un algoritmo che “li doma tutti”.
Si tratterebbe proprio di un modello di deep learning capace di imparare come emulare qualsiasi algoritmio, generando un modello equivalente che può funzionare con dati in tempo reale.
L’obiettivo è quello di fare letteralmente qualsiasi cosa…
Certo, “qualsiasi cosa” sembra un termine esagerato, ma nel caso pratico del business vorrebbe dire rendere ancora più facile l’introduzione di queste tecnologie.
Verrebbe facilitato – e di molto – lo step di progettazione della rete dell’algoritmo fatta da un team di data scientist esperti, che devono avere esperienza dei dati, degli algoritmi e che devono lavorare in combinazione con l’esperto di dominio per identificare qual è l’algoritmo che con l’effort minore permette loro di ottenere risultati.
Avendo un sistema di Intelligenza Artificiale, si abbattono ulteriormente le barriere che magari stanno frenando l’introduzione di queste tecnologie.
È un approccio estremamente tecnico e complesso, perciò rimarremo a osservare gli sviluppi finché non ci saranno dei risultati più concreti.
3. DGMR
DeepMind ha introdotto i cosiddetti Deep Generative Model of Rainfall (DGMR).
Ora, il weather forecasting indica le previsioni per il tempo con qualche giorno d’anticipo – attività molto complessa perché le situazioni cambiano velocemente.
Mentre i DGMR sono modelli che consentono di fare il cosiddetto “nowcasting”, cioè previsioni con un timeframe di meno di 120 minuti – attività ancora più complessa del forecasting in situazioni di variabilità.
Utilizzando le reti neurali ad apprendimento profondo, i ricercatori di DeepMind hanno visto che è possibile avere dei modelli con una precisione molto motlo alta dell’ordine del 90%.
In particolare hanno fatto delle sperimentazioni sul campo, facendo previsioni con l’ausilio di un team di 56 meteorologi e il modello ha dimostrato un’affidabilità migliore dei modelli classici nel 90% dei casi.
Stiamo facendo un passo in avanti in questo senso: da un lato abbiamo la tecnologia che ci sta dando molto, ma dall’altra abbiamo i meteorologi con un bagaglio scientifico importante.
Sono comunque delle figure professionali con una grande esperienza che non è facile modellarla, così come non è facile trovare dei modelli utilizzando statistiche tradizionali.
Ora che abbiamo queste nuove reti, ci aspettiamo che da qui al prossimo futuro, quando questa conoscenza passerà al mondo della ricerca scientifica al mondo pratico, ci saranno delle belle novità.
