Mistral Large 2: il Davide contro il Golia delle Big Tech
L’ultimo modello di Mistral AI, il Mistral Large 2 (ML2), sembra competere con i modelli di grandi dimensioni di leader del settore come OpenAI, Meta e Anthropic, pur essendo una frazione delle loro dimensioni. Il tempismo di questo rilascio è degno di nota: arriva nella stessa settimana in cui Meta lancia il suo colossale modello Llama 3.1 da 405 miliardi di parametri. Sia ML2 che Llama 3 vantano capacità impressionanti, tra cui una finestra di contesto da 128.000 token per una maggiore “memoria” e il supporto di più lingue. Mistral AI si è da tempo differenziata per la sua attenzione alla diversità linguistica e ML2 continua questa tradizione. Il modello supporta “decine” di lingue e più di 80 linguaggi di codifica, rendendolo uno strumento versatile per gli sviluppatori e le aziende di tutto il mondo. Secondo i benchmark di Mistral, ML2 si comporta in modo competitivo rispetto a modelli di alto livello come GPT-4o di OpenAI, Claude 3.5 Sonnet di Anthropic e Llama 3.1 405B di Meta in vari test di linguaggio, codifica e matematica. Nel benchmark Massive Multitask Language Understanding (MMLU), ampiamente riconosciuto, ML2 ha ottenuto un punteggio dell’84%. Sebbene sia leggermente indietro rispetto ai suoi concorrenti (GPT-4o con l’88,7%, Claude 3.5 Sonnet con l’88,3% e Llama 3.1 405B con l’88,6%), vale la pena notare che si stima che gli esperti di dominio umani ottengano circa l’89,8% in questo test. Efficienza: Un vantaggio fondamentale Ciò che distingue ML2 è la sua capacità di ottenere prestazioni elevate con un numero di risorse significativamente inferiore rispetto ai suoi rivali. Con 123 miliardi di parametri, ML2 è meno di un terzo delle dimensioni del modello più grande di Meta e circa un quattordicesimo delle dimensioni di GPT-4. Questa efficienza ha importanti implicazioni per la distribuzione e le applicazioni commerciali. Con la massima precisione a 16 bit, ML2 richiede circa 246 GB di memoria. Sebbene sia ancora troppo grande per una singola GPU, può essere facilmente implementato su un server con quattro o otto GPU senza ricorrere alla quantizzazione – un’impresa non necessariamente realizzabile con modelli più grandi come GPT-4 o Llama 3.1 405B. Mistral sottolinea che l’ingombro ridotto di ML2 si traduce in un throughput più elevato, poiché le prestazioni di LLM sono in gran parte dettate dalla larghezza di banda della memoria. In termini pratici, ciò significa che ML2 può generare risposte più velocemente rispetto a modelli più grandi sullo stesso hardware. Affrontare le sfide principali Mistral ha dato priorità alla lotta contro le allucinazioni, un problema comune in cui i modelli di intelligenza artificiale generano informazioni convincenti ma imprecise. L’azienda sostiene che ML2 è stato perfezionato per essere più “cauto e perspicace” nelle sue risposte e per riconoscere meglio quando non ha informazioni sufficienti per rispondere a una domanda. Inoltre, ML2 è stato progettato per eccellere nel seguire istruzioni complesse, soprattutto nelle conversazioni più lunghe. Questo miglioramento delle capacità di seguire i messaggi potrebbe rendere il modello più versatile e facile da usare in diverse applicazioni. Per venire incontro alle esigenze pratiche delle aziende, Mistral ha ottimizzato ML2 in modo da generare risposte concise, ove opportuno. Sebbene i risultati verbosi possano portare a punteggi di benchmark più elevati, spesso comportano un aumento dei tempi di calcolo e dei costi operativi: una considerazione che potrebbe rendere ML2 più interessante per l’uso commerciale. Rispetto al precedente Mistral Large, sono stati dedicati molti più sforzi alle funzionalità di allineamento e di istruzione. Su WildBench, ArenaHard e MT Bench, le prestazioni sono pari a quelle dei modelli migliori, pur essendo significativamente meno verbose. (4/N) pic.twitter.com/fvPOqfLZSq- Guillaume Lample @ ICLR 2024 (@GuillaumeLample) 24 luglio 2024 Licenze e disponibilità Sebbene ML2 sia disponibile gratuitamente su repository popolari come Hugging Face, i suoi termini di licenza sono più restrittivi rispetto ad alcune delle offerte precedenti di Mistral. A differenza della licenza open-source Apache 2 utilizzata per il modello Mistral-NeMo-12B, ML2 è rilasciato sotto la Mistral Research License. Questa licenza consente un uso non commerciale e di ricerca, ma richiede una licenza commerciale separata per le applicazioni aziendali. Mentre la corsa all’intelligenza artificiale si fa sempre più accesa, ML2 di Mistral rappresenta un significativo passo avanti nel bilanciamento tra potenza, efficienza e praticità. Resta da vedere se potrà davvero sfidare il dominio dei giganti tecnologici, ma il suo rilascio è sicuramente un’aggiunta entusiasmante al campo dei modelli linguistici di grandi dimensioni. Leggi di più su www.artificialintelligence-news.com
Come lo strumento di intelligenza artificiale granulare del New York Times guida le performance delle campagne
Negli ultimi tre mesi, il New York Times ha utilizzato l’intelligenza artificiale generativa per allineare il messaggio della campagna di un marchio agli articoli più rilevanti e al pubblico interessato, hanno dichiarato i dirigenti ad ADWEEK. E i risultati della campagna sono promettenti. Lo strumento pubblicitario alimentato dall’intelligenza artificiale generativa, chiamato BrandMatch, utilizza modelli linguistici di grandi dimensioni per decodificare il brief di un inserzionista, scoprire segmenti di pubblico più specifici e abbinare il brief agli articoli più rilevanti su cui pubblicare gli annunci. L’editore non ha voluto fornire informazioni specifiche su come definisce il proprio pubblico. “I prodotti pubblicitari premium e proprietari come [BrandMatch] hanno contribuito al successo della nostra attività pubblicitaria”, ha dichiarato Joy Robins, global chief advertising officer del New York Times Advertising. “Ci permettono di risolvere problemi per i quali gli inserzionisti in precedenza non avevano soluzioni. Come possiamo aiutarli a raggiungere il pubblico perfetto se non è possibile definirlo con i segmenti di targeting esistenti?” Il Times ha condotto dei test BrandMatch tra aprile e giugno con sei marchi, tra cui Paramount e Ferragamo, nei settori della tecnologia, della finanza e del lusso. Queste campagne hanno superato le medie di performance e i benchmark dell’editore, ottenendo un tasso medio di click-through dello 0,40%, mentre le unità native display hanno registrato un CTR ancora più alto, pari allo 0,72%. L’editore ha dichiarato che questo dato è significativamente più alto rispetto alle campagne che non utilizzano il targeting BrandMatch. Il brand lift è aumentato in media dell’8,4%, mentre la considerazione e la preferenza hanno registrato un aumento del 3,1%. Ibrand e gli editori stanno sperimentando sempre più spesso l’intelligenza artificiale per migliorare le capacità di targettizzazione degli annunci. L’anno scorso il Times ha assunto Zach Seward, cofondatore di Quartz, come direttore editoriale delle iniziative di AI per testare la gen AI all’interno della sua redazione. Lo scorso agosto, l’editore ha aggiornato i suoi termini di servizio per impedire ai bot dell’IA di scrapare i suoi contenuti e attualmente è impegnato in una battaglia sul copyright con OpenAI. Il Times ha oltre 10 milioni di abbonati a pagamento e più di 100 milioni di lettori registrati. Secondo Robins, raggiunge settimanalmente dai 50 ai 100 milioni di persone. Evoluzione degli strumenti di targeting per categorie preimpostate L’editore offre già soluzioni di targeting del pubblico di prima parte e di targeting contestuale. Tuttavia, con queste soluzioni, gli inserzionisti scelgono da una serie limitata di opzioni di targeting predefinite come il sesso, la fascia d’età o il reddito familiare, ottenendo così “risorse molto limitate e investibili”, ha dichiarato Robins. Il nuovo strumento di intelligenza artificiale rappresenta un’evoluzione dei tradizionali metodi di targeting basati sulle categorie. Ad esempio, i marchi di investimenti finanziari come Robinhood e Fidelity Investments probabilmente si rivolgono a segmenti di pubblico simili interessati al trading, che di solito si trovano accanto a contenuti commerciali. BrandMatch diventa più granulare con gli interessi del pubblico. “Quando si aggiunge il brief a BrandMatch, gli articoli suggeriti vanno oltre i tradizionali allineamenti di business, verso la cultura, l’intrattenimento e lo sport, e trovano un pubblico ricettivo a quel messaggio”, ha detto Robins. Un targeting più granulare Paramount è stato un partner di lancio di BrandMatch e ha utilizzato lo strumento per promuovere l’ultima stagione del suo show, Evil. L’obiettivo era quello di raggiungere due pubblici distinti: i fan che avevano già visto le stagioni precedenti di Evil e le persone che non avevano visto lo show ma erano fan del soprannaturale. Secondo Mohit Lohia, vicepresidente senior e responsabile della pubblicità digitale del Times, il targeting tradizionale non era in grado di raggiungere questo livello di sfumature e Paramount doveva utilizzare criteri di targeting simili per entrambi i gruppi. Tuttavia, utilizzando BrandMatch, Paramount ha presentato due brief separati per descrivere le differenze tra i pubblici. Uno descriveva i motivi per cui i fan di Evil amano la serie, mentre l’altro descriveva le preferenze dei fan del genere soprannaturale. BrandMatch ha individuato gli articoli che potevano avere una certa risonanza su ciascun pubblico e ha modellato due segmenti di pubblico in base ai lettori di quegli articoli. Lohia non ha voluto condividere i dettagli degli articoli. La campagna ha ottenuto un CTR superiore di oltre il 20% rispetto ad annunci di intrattenimento simili. Uno dei CTR più alti si è registrato nel segmento di pubblico di prima parte definito come “abbonati all’intrattenimento” Il brand lift ha mostrato una tendenza positiva, con un aumento del 2,2% delle preferenze. In particolare, l’audience esistente di Evil ha superato i benchmark di CTR di oltre il 35%, ha dichiarato l’editore. Il Times ha registrato dei picchi di CTR guidati da un pubblico definito come “abbonato al cinema” e “abbonato all’intrattenimento” Uno degli ambienti di contenuto migliori per i fan del Male sono stati gli articoli taggati con l’emozione “Avventuroso”, ha dichiarato l’editore. Un punteggio di adiacenza più alto indica una corrispondenza BrandMatch utilizza un punteggio di adiacenza per analizzare il brief dell’inserzionista e identificare i contenuti più rilevanti, ha spiegato Lohia. Un punteggio di adiacenza più alto indica un allineamento più stretto tra l’articolo e il messaggio del marchio. Una volta identificato il contenuto più in linea con il brief, l’editore determina il pubblico più coinvolto all’interno di quel contenuto, ha dichiarato Lohia, ma l’azienda non ha voluto entrare nello specifico di come definisce il suo pubblico. Le prime campagne che utilizzano il targeting BrandMatch dovrebbero essere attive nella seconda metà di settembre. Il Times prevede di rendere disponibile lo strumento per l’acquisto ad altri clienti nel quarto trimestre di quest’anno, offrendolo come parte della sua suite di soluzioni pubblicitarie. Leggi di più su www.adweek.com
Meta fa avanzare l’intelligenza artificiale open source con Llama 3.1, un modello “frontier level”
Meta ha presentato Llama 3.1, segnando una tappa significativa nell’impegno dell’azienda verso l’IA open source. Questa versione, che il CEO di Meta Mark Zuckerberg definisce “il primo modello di AI open source di frontiera”, mira a sfidare il dominio dei sistemi di AI chiusi e a democratizzare l’accesso alla tecnologia AI avanzata. La release Llama 3.1 include tre modelli: 405B, 70B e 8B. Zuckerberg afferma che il modello 405B è in grado di competere con i modelli chiusi più avanzati, offrendo al contempo una migliore efficienza in termini di costi. Da oggi, l’open source è in prima linea. Ecco Llama 3.1: I nostri modelli più performanti. Oggi rilasciamo una collezione di nuovi modelli Llama 3.1, tra cui il tanto atteso 405B. Questi modelli offrono migliori capacità di ragionamento, un contesto più ampio di 128K token… pic.twitter.com/1iKpBJuReD – AI at Meta (@AIatMeta) 23 luglio 2024 “A partire dal prossimo anno, ci aspettiamo che i futuri modelli di Llama diventino i più avanzati del settore”, prevede Zuckerberg. Zuckerberg fa un parallelo tra l’evoluzione dell’IA e il passaggio storico dai sistemi Unix chiusi a Linux open source. Sostiene che l’IA open source seguirà una traiettoria simile, diventando alla fine lo standard del settore grazie alla sua adattabilità, all’economicità e all’ampio supporto dell’ecosistema. Puoi iniziare a costruire con Llama 3.1 fin da ora. Stai pensando a quale provider scegliere? Ecco una panoramica di tutti i prezzi attuali a partire da oggi pomeriggio. Stiamo aggiornando il tutto con una matrice delle funzionalità disponibili e una guida rapida: https://t.co/lGNIfLUR0T pic.twitter.com/blIIMvWUZO – Ahmad Al-Dahle (@Ahmad_Al_Dahle) 23 luglio 2024 Zuckerberg sottolinea diversi vantaggi chiave dell’IA open source: Personalizzazione: Le organizzazioni possono addestrare e mettere a punto i modelli con i loro dati specifici. Indipendenza: Evita il lock-in a fornitori chiusi o a specifici fornitori di cloud. Sicurezza dei dati: Consente l’implementazione di modelli locali, migliorando la protezione dei dati. Efficienza dei costi: Llama 3.1 405B può essere eseguito a circa la metà del costo dei modelli chiusi come GPT-4. Crescita dell’ecosistema: Incoraggia l’innovazione e la collaborazione nel settore. Per quanto riguarda i problemi di sicurezza, Zuckerberg sostiene che l’IA open source è intrinsecamente più sicura grazie alla maggiore trasparenza e al controllo. Afferma: “L’open source dovrebbe essere significativamente più sicuro perché i sistemi sono più trasparenti e possono essere ampiamente controllati” Per sostenere l’ecosistema dell’IA open source, Meta sta collaborando con importanti aziende tecnologiche come Amazon, Databricks e NVIDIA per fornire servizi di sviluppo. I modelli saranno disponibili sulle principali piattaforme cloud e aziende come Scale.AI, Dell e Deloitte sono pronte a fornire assistenza per l’adozione da parte delle aziende. 🦙 I nuovi modelli @AIatMeta Llama 3.1 più le nostre nuove NIM NVIDIA NeMo Retriever creano un potente duo di #generativeai 🙌 ➡️ Approfondimento tecnico su come costruire una pipeline RAG agenziale con i nuovi microservizi NeMo Retriever embedding e reraking NIM. https://t.co/OjQN8rcHi0 ✨ – NVIDIA AI Developer (@NVIDIAAIDev) 23 luglio 2024 “L’open source garantirà che un maggior numero di persone in tutto il mondo abbia accesso ai benefici e alle opportunità dell’IA, che il potere non sia concentrato nelle mani di un numero ristretto di aziende e che la tecnologia possa essere distribuita in modo più uniforme e sicuro in tutta la società”, afferma Zuckerberg. Il CEO considera questo rilascio come un punto di svolta, prevedendo che la maggior parte degli sviluppatori si orienterà verso l’utilizzo di modelli di IA open source. Invita la comunità tecnologica a unirsi a Meta in “questo viaggio per portare i benefici dell’IA a tutti nel mondo” I modelli Llama 3.1 sono ora accessibili all’indirizzo llama.meta.com. (Foto di Dima Solomin) Vedi anche: Meta si unisce ad Apple nel rifiutare i modelli di intelligenza artificiale agli utenti dell’UE Vuoi saperne di più sull’IA e sui Big Data dai leader del settore? Dai un’occhiata all’ AI & Big Data Expo che si terrà ad Amsterdam, in California e a Londra. L’evento completo è in concomitanza con altri eventi importanti come Intelligent Automation Conference, BlockX, Digital Transformation Week e Cyber Security & Cloud Expo. Scopri gli altri eventi tecnologici aziendali e i webinar di TechForge qui. Tags: ai, intelligenza artificiale, sviluppo, llama, llama 3.1, mark zuckerberg, meta, open source Leggi di più su www.artificialintelligence-news.com
Meta rilascia i modelli di Llama 3.1, mantenendo una strategia open
Meta ha rilasciato i suoi modelli Llama 3.1 aggiornati nelle versioni 8B, 70B e 405B e si è impegnata a rispettare la visione open source di Mark Zuckerberg per il futuro dell’intelligenza artificiale. Le nuove aggiunte alla famiglia di modelli Llama di Meta sono dotate di una lunghezza di contesto estesa a 128k e del supporto di otto lingue. Meta afferma che l’attesissimo modello 405B dimostra “flessibilità, controllo e capacità all’avanguardia senza pari, in grado di rivaleggiare con i migliori modelli closed source” Meta sostiene inoltre che Llama 3.1 405B è “il modello di fondazione open source più grande e più capace al mondo” Con i costi di calcolo da capogiro spesi per addestrare modelli sempre più grandi, si è speculato molto sul fatto che il modello di punta 405B di Meta potrebbe essere il suo primo modello a pagamento. Llama 3.1 405B è stato addestrato su oltre 15 trilioni di token utilizzando 16.000 NVIDIA H100, con un probabile costo di centinaia di milioni di dollari. In un post sul blog, il CEO di Meta, Mark Zuckerberg, ha ribadito che l’AI open source è la strada da seguire e che il rilascio di Llama 3.1 è il passo successivo “verso l’AI open source che diventa lo standard del settore” I modelli di Llama 3.1 sono liberi di essere scaricati e modificati o perfezionati con una suite di servizi di Amazon, Databricks e NVIDIA. I modelli sono disponibili anche su fornitori di servizi cloud come AWS, Azure, Google e Oracle. Da oggi, l’open source è in prima linea. Presentazione di Llama 3.1: I nostri modelli più performanti. Oggi rilasciamo una serie di nuovi modelli Llama 3.1, tra cui il tanto atteso 405B. Questi modelli offrono migliori capacità di ragionamento, un contesto più ampio di 128K token… pic.twitter.com/1iKpBJuReD – AI at Meta (@AIatMeta) 23 luglio 2024 Prestazioni Meta afferma di aver testato i suoi modelli su oltre 150 set di dati di riferimento e ha pubblicato i risultati dei benchmark più comuni per mostrare come i suoi nuovi modelli si posizionano rispetto ad altri modelli leader. Non c’è molto che separa Llama 3.1 405B da GPT-4o e Claude 3.5 Sonnet. Ecco i dati relativi al modello 405B e alle versioni più piccole 8B e 70B. Confronto tra il benchmark di Llama 3.1 405B e gli altri modelli principali. Fonte: Meta: Meta Confronto tra Llama 3.1 405B e altri modelli di punta. Fonte: Meta Meta Meta ha anche effettuato “valutazioni umane approfondite che confrontano Llama 3.1 con i modelli concorrenti in scenari reali” Questi dati si basano sul fatto che gli utenti decidono se preferiscono la risposta di un modello o di un altro. La valutazione umana di Llama 3.1 405B riflette una parità simile a quella rivelata dai dati di benchmark. Risultati della valutazione umana di Llama 3.1 405B rispetto a GPT-4, GPT-4o e Claude 3.5 Sonnet. Fonte: Meta: Meta Meta afferma che il suo modello è veramente aperto: i pesi del modello Llama 3.1 sono disponibili per il download, anche se i dati di addestramento non sono stati condivisi. L’azienda ha inoltre modificato la licenza per consentire l’utilizzo dei modelli Llama per migliorare altri modelli di intelligenza artificiale. La libertà di perfezionare, modificare e utilizzare i modelli di Llama senza restrizioni farà suonare un campanello d’allarme per i critici dell’ IA open source. Zuckerberg sostiene che un approccio open source è il modo migliore per evitare danni involontari. Se un modello di intelligenza artificiale è aperto al controllo, secondo Zuckerberg, è meno probabile che sviluppi comportamenti emergenti pericolosi che altrimenti sfuggirebbero a modelli chiusi. Per quanto riguarda il potenziale di danno intenzionale, Zuckerberg afferma: “Finché tutti avranno accesso a generazioni simili di modelli – cosa che l’open source promuove – i governi e le istituzioni con maggiori risorse di calcolo saranno in grado di controllare i cattivi attori con meno calcolo” Per quanto riguarda il rischio che avversari statali come la Cina accedano ai modelli di Meta, Zuckerberg afferma che gli sforzi per tenerli fuori dalle mani dei cinesi non funzioneranno. “I nostri avversari sono bravissimi nello spionaggio, rubare modelli che stanno in una chiavetta è relativamente facile, e la maggior parte delle aziende tecnologiche non opera in modo tale da rendere questo più difficile”, ha spiegato. L’entusiasmo per un modello di intelligenza artificiale open source come Llama 3.1 405B che sfida i grandi modelli chiusi è giustificato. Ma con i sussurri di GPT-5 e Claude 3.5 Opus che aspettano dietro le quinte, i risultati di questi benchmark potrebbero non invecchiare molto bene. Leggi di più su dailyai.com
Il caso CrowdStrike è una lezione di comunicazione di crisi
Sono stati giorni difficili per CrowdStrike e per i marchi dei suoi clienti più importanti. Microsoft, Delta e altri sono stati direttamente colpiti dall’interruzione globale del 18 luglio, con molti che hanno citato la schermata blu della morte come un segno che l’anno 2000 è finalmente arrivato nel 2024. L’incidente si è verificato quando un aggiornamento difettoso di CrowdStrike ha compromesso 8,5 milioni di dispositivi Windows a livello globale. Sebbene Microsoft abbia sottolineato che si trattava di meno dell’1% di tutti i dispositivi Windows, la percentuale ha avuto conseguenze significative a causa del tipo di organizzazioni servite da CrowdStrike: compagnie aeree, ospedali, banche e società di telecomunicazioni, centri di infrastrutture critiche. Le ripercussioni finanziarie per CrowdStrike sono state immediate e gravi: un crollo del 22% del valore delle azioni, che ha cancellato quasi 16 miliardi di dollari dalla capitalizzazione di mercato dell’azienda. L’effetto a catena di questo colpo finanziario si è fatto sentire in tutti i settori, suscitando preoccupazioni sulla solidità delle infrastrutture digitali e sui contesti legali che regolano questi fallimenti su larga scala. Marchi come Delta e Microsoft hanno subito ripercussioni per la loro comunicazione (o mancanza di comunicazione). Ma il team di CrowdStrike, nonostante le conseguenze che hanno avuto sulle azioni e sulla percezione del marchio, ha dato a tutti noi una lezione sulla comunicazione di crisi. Che cosa ha fatto sì che alcune comunicazioni del marchio abbiano avuto successo mentre altre hanno fallito? Passi falsi del marchio e caos conseguente Delta Airlines è emersa come marchio chiave per il sentimento negativo, in quanto il vettore ha dovuto affrontare numerose cancellazioni di voli e ritardi. Il Segretario ai Trasporti degli Stati Uniti Pete Buttigieg ha dovuto ricordare a Delta le leggi che tutelano i clienti delle compagnie aeree, sottolineando la volatilità e l’insoddisfazione dell’opinione pubblica durante la vicenda. Delta è stata criticata per la sua mancanza di comunicazione immediata e trasparente. I passeggeri di vari aeroporti sono stati lasciati nel limbo, come dimostrano gli innumerevoli post sui social media che immortalano scene di esasperazione e attese di ore. Gli esperti del settore hanno poi sostenuto che la gestione di Delta avrebbe potuto essere notevolmente migliorata gestendo e distribuendo in modo proattivo informazioni più accurate e rassicurazioni attraverso vari canali per mantenere la fiducia dei clienti e mitigare la frustrazione. Per molti viaggiatori, la frustrazione per le lune di miele e le riunioni di famiglia perse è stata solo peggiorata dalla sensazione di essere abbandonati dagli agenti al gate e dal personale negli aeroporti. Microsoft ha dovuto affrontare anche le reazioni dell’opinione pubblica. Sebbene l’azienda abbia chiarito la portata dell’interruzione e abbia fornito indicazioni sulle soluzioni da adottare, l’interruzione prolungata ha evidenziato le vulnerabilità dell’affidarsi a soluzioni di cybersicurezza di terze parti. Le aziende, dai media agli uffici governativi, ne hanno risentito, dovendo affrontare tempi di inattività e perdite finanziarie che, secondo gli esperti, potrebbero raggiungere i miliardi di dollari. A differenza della reazione di Delta, quella di Microsoft è stata un misto di frustrazione e meme, con molti che scherzavano sul fatto che mentre i prodotti Windows non funzionavano, in qualche modo Microsoft Teams funzionava ancora. Questo, oltre ai numerosi meme sulla schermata blu della morte, ha reso assolutamente impossibile nascondersi dall’interruzione del servizio. La risposta di CrowdStrike L’amministratore delegato di CrowdStrike, George Kurtz, ha dovuto affrontare un notevole scrutinio per aver presentato delle scuse che, secondo alcuni, non erano sufficientemente schiette o empatiche. Le critiche sono emerse quasi immediatamente, con persone come Lulu Cheng Meservey dell’azienda di PR Rostra che si sono rivolte a Twitter per riscrivere la sua risposta. Queste critiche hanno evidenziato la necessità di un riconoscimento più sincero e trasparente del disagio causato. Domenica, il responsabile della sicurezza di CrowdStrike, Shawn Henry, ha rilasciato delle scuse personali e sentite che racchiudono la gravità della situazione e l’impegno dell’azienda a correggere il proprio errore: Questa dichiarazione è un modello di come dovrebbe essere una comunicazione di crisi efficace. Il messaggio di Henry è efficace perché: Riconosce il problema: Henry inizia ammettendo apertamente il fallimento, un primo passo fondamentale per riconquistare la fiducia. Esprime scuse sincere: Le scuse sono genuine e sentite e rafforzano la responsabilità dell’azienda. Fa riferimento all’autorità del passato: Evidenziando i precedenti successi e la dedizione sua e dell’azienda, Henry ricorda agli stakeholder i contributi che hanno consolidato la loro fiducia nel corso degli anni. Crea un legame personale: Il messaggio è personale e riflessivo, il che aiuta a creare un legame emotivo con il pubblico. Impegna all’azione: Promettendo di imparare e di crescere dall’incidente, Henry posiziona CrowdStrike come impegnata nel miglioramento continuo e nell’affidabilità. Questa risposta non può essere e non sarà l’ultima; la risposta principale deve riguardare il modo in cui è stata risolta la situazione e le misure che si stanno adottando per evitare che si ripeta. La fiducia deve essere ricostruita dalle fondamenta e, sebbene le scuse siano un ottimo inizio, devono essere seguite da azioni per assicurarsi che i clienti rimangano. Andare avanti L’aspetto più importante che emerge da questa disfatta è l’importanza cruciale di elaborare strutture di gestione del rischio resilienti. L’interconnessione dei moderni ecosistemi digitali richiede misure di cybersecurity che non solo proteggano, ma anche si adattino rapidamente alle vulnerabilità e le correggano. Una comunicazione efficace, piani d’azione rapidi e approcci incentrati sul cliente saranno fondamentali per gestire e mitigare tali interruzioni in futuro. Sebbene questo tipo di incidenti sia difficile da prevedere, è necessario che i brand costruiscano una cultura dell’azione e dell’empatia per mantenere un senso di fiducia nei confronti dei clienti che si aspettano che non accada il peggio. Una pianificazione d’emergenza con il cuore è il modo in cui si vince e si corregge la rotta. Leggi di più su www.adweek.com
Come l’intelligenza artificiale sta trasformando le scommesse sportive per ottenere quote migliori
Nel mondo delle scommesse sportive, il successo dipende dalla capacità di prevedere con precisione i risultati. L’IA sta rivoluzionando il settore fornendo agli scommettitori strumenti sofisticati per migliorare le loro probabilità. Sfruttando l’analisi dei dati, l’apprendimento automatico e l’elaborazione in tempo reale, l’IA sta rivoluzionando l’approccio tradizionale alle scommesse sportive. Questo articolo approfondisce il modo in cui gli algoritmi di IA stanno trasformando le scommesse sportive, fornendo dati reali, statistiche e approfondimenti che ne dimostrano l’impatto. L’ascesa dell’IA nelle scommesse sportive Le scommesse sportive sono sempre state un gioco di numeri, ma l’avvento dell’IA le ha portate a un altro livello. Gli algoritmi di intelligenza artificiale sono in grado di analizzare grandi quantità di dati, riconoscere schemi e fare previsioni con notevole precisione. Secondo un blog di sportbet.one, si prevede che il mercato dell’IA nello sport raggiungerà i 3,5 miliardi di dollari entro il 2026, con un tasso di crescita annuale composto (CAGR) del 28,32% dal 2019 al 2026. Questa impennata è dovuta alla crescente domanda di processi decisionali basati sui dati nelle scommesse sportive. Analisi predittiva: Il cuore delle scommesse AI Il cuore dell’impatto dell’IA sulle scommesse sportive è l’analisi predittiva. I modelli di apprendimento automatico, come l’analisi di regressione, le reti neurali e gli alberi decisionali, vengono utilizzati per analizzare i dati storici e prevedere i risultati futuri. Ad esempio, uno studio pubblicato sul Journal of Sports Analytics ha rilevato che i modelli di apprendimento automatico sono in grado di prevedere i risultati delle partite della NFL con un’accuratezza fino al 75%, un livello significativamente superiore rispetto ai metodi tradizionali. Raccolta ed elaborazione dei dati Gli algoritmi di IA prosperano grazie ai dati. Raccolgono ed elaborano informazioni provenienti da varie fonti, tra cui le statistiche sulle prestazioni passate, le condizioni dei giocatori, le previsioni del tempo e persino i sentimenti dei social media. Secondo un’indagine dell’International Journal of Computer Applications, i modelli di IA che incorporano diverse fonti di dati possono migliorare l’accuratezza delle previsioni fino al 20%. Riconoscimento dei modelli e rilevamento delle anomalie Uno dei maggiori punti di forza dell’IA è la sua capacità di riconoscere modelli e individuare anomalie. Gli algoritmi di apprendimento automatico possono identificare tendenze sottili che gli analisti umani potrebbero non notare. Ad esempio, l’intelligenza artificiale può rilevare il calo delle prestazioni di un giocatore a causa di infortuni non dichiarati, analizzando le minime variazioni nel suo stile di gioco. Questa capacità consente agli scommettitori di prendere decisioni più informate e di individuare le scommesse di valore che offrono rendimenti più elevati. Analisi in tempo reale per le scommesse live Le scommesse live, in cui le quote cambiano rapidamente durante una partita, traggono immensi vantaggi dalle capacità di analisi in tempo reale dell’IA. Gli algoritmi di IA possono elaborare flussi di dati in diretta e modificare i pronostici al volo. Secondo un rapporto del Journal of Gambling Studies, i sistemi di scommesse in tempo reale alimentati dall’IA potrebbero aumentare i profitti degli scommettitori del 15-25% rispetto ai metodi tradizionali. Questo vantaggio è particolarmente evidente negli sport ad alta velocità come il basket e il calcio. Analisi del sentimento: Valutare l’opinione pubblica Il sentimento del pubblico può influenzare in modo significativo i risultati sportivi. L’intelligenza artificiale utilizza l’elaborazione del linguaggio naturale (NLP) per analizzare il sentiment dai social media, dagli articoli di cronaca e da altri dati testuali. Ad esempio, durante la Coppa del Mondo FIFA 2018, un modello di intelligenza artificiale ha analizzato oltre 10 milioni di tweet per valutare l’opinione pubblica e ha previsto con precisione i risultati del 70% delle partite. L’analisi del sentiment aggiunge un ulteriore livello di approfondimento, aiutando gli scommettitori a comprendere i fattori psicologici in gioco. I dati del forum di scommesse sportive di BMR dimostrano che anche le discussioni e i sentimenti della comunità possono influenzare in modo significativo le decisioni di scommessa. Gestione del rischio e opportunità di arbitraggio L’intelligenza artificiale eccelle nella gestione del rischio, analizzando la probabilità di vari risultati e suggerendo scommesse che massimizzano i rendimenti riducendo al minimo le perdite potenziali. Questo include l’identificazione di opportunità di arbitraggio, in cui è possibile sfruttare le discrepanze nelle quote tra i diversi bookmaker. Secondo uno studio dell’European Journal of Operational Research, le strategie di arbitraggio guidate dall’intelligenza artificiale possono produrre rendimenti fino al 10% annuo, superando di gran lunga i metodi di scommessa tradizionali. Sistemi di scommesse automatizzati I sistemi di scommesse automatizzati, o bot, alimentati dall’intelligenza artificiale stanno diventando sempre più popolari. Questi sistemi sono in grado di piazzare scommesse in base a criteri predefiniti e all’analisi dei dati in tempo reale, eseguendo operazioni ad alta velocità per garantire che vengano sfruttate le quote migliori. Ad esempio, un bot AI sviluppato dal MIT Computer Science and Artificial Intelligence Laboratory ha ottenuto un ritorno sull’investimento (ROI) del 25% in un periodo di sei mesi sfruttando i dati in tempo reale e l’apprendimento automatico. Analisi delle prestazioni di giocatori e squadre I modelli avanzati di intelligenza artificiale valutano le prestazioni dei singoli giocatori e le dinamiche di squadra, tenendo conto di fattori quali infortuni, trasferimenti di giocatori e strategie di squadra. Uno studio pubblicato nella rivista IEEE Transactions on Knowledge and Data Engineering ha dimostrato che i modelli di intelligenza artificiale sono in grado di prevedere le prestazioni dei giocatori con un’accuratezza dell’85%, aiutando in modo significativo gli scommettitori a prendere decisioni informate, soprattutto in tornei come i campionati giovanili UEFA. Analisi di mercato: Trovare scommesse convenienti Gli algoritmi di intelligenza artificiale analizzano i mercati delle scommesse per individuare le scommesse più convenienti. Capendo come si muovono le quote e perché, gli scommettitori possono individuare le opportunità in cui le quote sono a loro favore. Secondo un rapporto di Grand View Research, l’analisi di mercato guidata dall’AI può migliorare l’efficienza delle scommesse fino al 30%, rendendola uno strumento prezioso per gli scommettitori seri. In conclusione Gli algoritmi di intelligenza artificiale stanno trasformando le scommesse sportive fornendo agli scommettitori potenti strumenti per migliorare le loro quote. Dall’analisi predittiva e in tempo reale all’analisi
Alcune grosse Big Tech dell’AI si uniscono alla Coalition for Secure AI (CoSAI)
Alcuni dei nomi più importanti delle Big Tech si sono riuniti per fondare la Coalition for Secure AI (CoSAI). Non esiste ancora uno standard globale per le pratiche di sviluppo sicuro dell’IA, e le attuali misure di sicurezza dell’IA sono frammentate e spesso gestite internamente dalle aziende che creano i modelli di IA. CoSAI è un’iniziativa open-source ospitata dall’ente di standardizzazione globale OASIS che mira a standardizzare e condividere le migliori pratiche relative allo sviluppo e all’utilizzo sicuro dell’IA. Tra le aziende Big Tech che sostengono l’iniziativa figurano Google, IBM, Intel, Microsoft, NVIDIA e PayPal. Altri sponsor fondatori sono Amazon, Anthropic, Cisco, Chainguard, Cohere, GenLab, OpenAI e Wiz. Sono invece assenti Apple e Meta. CoSAI mira a sviluppare e condividere misure di sicurezza complete che affrontino rischi quali: furto del modello avvelenamento dei dati di addestramento iniezione di input dannosi tramite prompt injection prevenzione degli abusi su scala ridotta attacchi all’inferenza di appartenenza attacchi di inversione del modello o di inversione del gradiente per dedurre informazioni private estrazione di informazioni riservate dai dati di formazione Lostatuto di CoSAI dice che “il progetto non prevede che i seguenti argomenti rientrino nell’ambito di applicazione: disinformazione, allucinazioni, contenuti odiosi o abusivi, pregiudizi, generazione di malware, generazione di contenuti di phishing o altri argomenti nel dominio della sicurezza dei contenuti” Google ha già il suo Google Secure AI Framework (SAIF) e OpenAI ha il suo progetto di allineamento, che ha subito un’infestazione. Tuttavia, fino a CoSAI non c’è stato un forum per unire le migliori pratiche di sicurezza dell’IA che gli operatori del settore hanno sviluppato in modo indipendente. Abbiamo visto piccole startup come Mistral hanno avuto un’ascesa vertiginosa grazie ai modelli di IA che hanno prodotto, ma molte di queste piccole aziende non hanno le risorse per finanziare i team di sicurezza dell’IA. CoSAI sarà una preziosa fonte gratuita di best practice sulla sicurezza dell’IA per i piccoli e grandi operatori del settore. Heather Adkins, Vicepresidente e responsabile della resilienza della sicurezza informatica di Google, ha dichiarato: “Utilizziamo l’IA da molti anni e ne vediamo il continuo potenziale per i difensori, ma riconosciamo anche le opportunità per gli avversari”. “CoSAI aiuterà le organizzazioni, grandi e piccole, a integrare l’IA in modo sicuro e responsabile, aiutandole a sfruttarne i vantaggi e a mitigarne i rischi” Nick Hamilton, Head of Governance, Risk, and Compliance di OpenAI, ha dichiarato: “Lo sviluppo e l’implementazione di tecnologie di IA sicure e affidabili sono al centro della missione di OpenAI. crediamo che lo sviluppo di standard e pratiche solide sia essenziale per garantire un uso sicuro e responsabile dell’IA e ci impegniamo a collaborare con tutto il settore per farlo”. “Attraverso la nostra partecipazione a CoSAI, intendiamo contribuire con le nostre competenze e risorse alla creazione di un ecosistema di IA sicuro e vantaggioso per tutti” Speriamo che persone come Ilya Sutskever e altri che hanno lasciato OpenAI a causa di problemi di sicurezza contribuiscano volontariamente a CoSAI. Leggi di più su dailyai.com
La “paura” è la chiave per costruire sistemi di intelligenza artificiale più adattabili, resistenti e naturali?
La ricerca sull’IA è alimentata dalla ricerca di una sempre maggiore sofisticazione, che comprende l’addestramento dei sistemi a pensare e comportarsi come gli esseri umani. L’obiettivo finale? Chi lo sa. L’obiettivo per ora? Creare agenti di IA autonomi e generalizzati in grado di svolgere un’ampia gamma di compiti. Questo concetto è chiamato intelligenza artificiale generale (AGI) o superintelligenza, che significa la stessa cosa. È difficile individuare con precisione cosa comporti l’AGI perché non c’è praticamente alcun consenso su cosa sia l’”intelligenza”, né su quando e come i sistemi artificiali potrebbero raggiungerla. Alcuni ritengono addirittura che l’intelligenza artificiale, allo stato attuale, non potrà mai ottenere un’intelligenza generale. Il professor Tony Prescott e il dottor Stuart Wilson dell’Università di Sheffield hanno descritto i modelli linguistici generativi, come ChatGPT, come intrinsecamente limitati perché sono “disincarnati” e non hanno alcuna percezione sensoriale o fondamento nel mondo naturale. Il capo scienziato di Meta, Yann LeCun, ha affermato che anche l’intelligenza di un gatto domestico è infinitamente più avanzata dei migliori sistemi di intelligenza artificiale di oggi. “Ma perché questi sistemi non sono intelligenti come un gatto?” Ha chiesto LeCun al World Government Summit di Dubai. “Un gatto è in grado di ricordare, di comprendere il mondo fisico, di pianificare azioni complesse, di fare un certo livello di ragionamento – in realtà molto meglio dei più grandi LLM. Questo ci dice che ci manca qualcosa di concettualmente importante per far sì che le macchine siano intelligenti come gli animali e gli esseri umani” Anche se queste abilità potrebbero non essere necessarie per raggiungere l’intelligenza artificiale, c’è un certo consenso sul fatto che per spostare sistemi complessi di intelligenza artificiale dal laboratorio al mondo reale sarà necessario adottare comportamenti simili a quelli osservati negli organismi naturali. Quindi, come si può ottenere questo risultato? Un approccio consiste nel sezionare gli elementi della cognizione e capire come i sistemi di IA possano imitarli. Un precedente saggio di DailyAI ha analizzato la curiosità e la sua capacità di guidare gli organismi verso nuove esperienze e obiettivi, alimentando l’evoluzione collettiva del mondo naturale. Ma c’è un’altra emozione – un’altra componente essenziale della nostra esistenza – da cui l’intelligenza artificiale potrebbe trarre beneficio. Si tratta della paura. Come l’intelligenza artificiale può imparare dalla paura biologica Lungi dall’essere una debolezza o un difetto, la paura è uno degli strumenti più potenti dell’evoluzione per mantenere gli organismi al sicuro. L’amigdala è la struttura centrale che governa la paura nei vertebrati. Negli esseri umani, è una piccola struttura a forma di mandorla situata in profondità nei lobi temporali del cervello. L’amigdala guida principalmente la risposta alla paura nei vertebrati. Spesso soprannominata “centro della paura”, l’amigdala funge da sistema di allarme precoce, scrutando costantemente le informazioni sensoriali in arrivo alla ricerca di potenziali minacce. Quando viene rilevata una minaccia – che sia l’improvviso sbandamento di un’auto in frenata o un’ombra che si muove nell’oscurità – l’amigdala entra in azione, innescando una cascata di cambiamenti fisiologici e comportamentali ottimizzati per una rapida risposta difensiva: La frequenza cardiaca e la pressione sanguigna aumentano, preparando il corpo a “combattere o fuggire” L’attenzione si restringe e si acuisce, focalizzandosi sulla fonte del pericolo I riflessi si accelerano, preparando i muscoli a un’azione evasiva in una frazione di secondo L’elaborazione cognitiva passa a una modalità rapida, intuitiva, “meglio prevenire che curare” Questa risposta non è un semplice riflesso, ma una serie di cambiamenti altamente adattivi e sensibili al contesto che adattano in modo flessibile il comportamento alla natura e alla gravità della minaccia. È anche eccezionalmente rapida. Diventiamo consapevoli di una minaccia circa 300-400 millisecondi dopo il rilevamento iniziale. Inoltre, l’amigdala non opera in modo isolato. È densamente interconnessa con altre regioni cerebrali chiave coinvolte nella percezione, nella memoria, nel ragionamento e nell’azione. Perché la paura potrebbe essere utile all’intelligenza artificiale Allora, perché la paura è importante nel contesto dell’IA? Nei sistemi biologici, la paura è un meccanismo fondamentale per individuare e rispondere rapidamente alle minacce. Imitando questo sistema nell’IA, possiamo potenzialmente creare sistemi artificiali più robusti e adattabili. Ciò è particolarmente importante per i sistemi autonomi che interagiscono con il mondo reale. Un esempio: nonostante l’intelligenza artificiale sia esplosa negli ultimi anni, le auto senza conducente tendono ancora a non essere sicure e affidabili. Le autorità di regolamentazione stanno indagando su numerosi incidenti mortali che hanno coinvolto auto a guida autonoma, compresi i modelli Tesla dotati di Autopilot e di guida autonoma completa. Parlando al Guardian nel 2022, Matthew Avery, direttore della ricerca presso Thatcham Research, ha spiegato perché le auto senza conducente sono state così difficili da perfezionare: “Il punto numero uno è che questa roba è più difficile di quanto i produttori si siano resi conto”, afferma Avery. Secondo le stime di Avery, circa l’80% delle funzioni di guida autonoma riguardano compiti relativamente semplici come il mantenimento della corsia e l’evitamento degli ostacoli di base. Le azioni successive, invece, sono molto più impegnative. “L’ultimo 10% è davvero difficile”, sottolinea Avery, “come quando c’è una mucca in mezzo alla strada che non vuole muoversi” Certo, le mucche non incutono timore di per sé. Ma qualsiasi guidatore concentrato probabilmente non avrebbe alcuna possibilità di fermarsi se si trovasse a sfrecciare verso una mucca a velocità sostenuta. Un sistema di intelligenza artificiale si affida alla sua formazione e alla tecnologia per vedere la mucca e prendere la decisione appropriata. Questo processo non è sempre sufficientemente rapido o affidabile, il che comporta un elevato rischio di collisioni e incidenti, soprattutto quando il sistema incontra qualcosa che non è stato addestrato a capire. L’aggiunta della paura ai sistemi di intelligenza artificiale potrebbe fornire un mezzo alternativo, più rapido e più efficiente per prendere una decisione. Nei sistemi biologici, la paura innesca risposte rapide e istintive che non richiedono un’elaborazione complessa. Ad esempio, un guidatore umano potrebbe frenare istintivamente al solo pensiero di un ostacolo, anche prima di averne valutato appieno la natura. Questa reazione quasi istantanea, guidata da una risposta di paura, potrebbe fare la differenza tra un quasi incidente e una
Albert AI: L’Intelligenza Artificiale che Guida le Tue Campagne di Marketing Digitale
Nel panorama in continua evoluzione del marketing digitale, le aziende si trovano spesso a dover gestire una moltitudine di canali e campagne, con il rischio di perdere di vista l’obiettivo finale: ottenere risultati concreti e misurabili. Albert AI si presenta come una soluzione innovativa che sfrutta l’intelligenza artificiale per automatizzare e ottimizzare le campagne di marketing digitale, liberando tempo e risorse preziose per le aziende. Cos’è Albert AI? Albert AI è una piattaforma di marketing digitale autonoma che utilizza l’intelligenza artificiale per prendere decisioni strategiche e operative in tempo reale. A differenza degli strumenti tradizionali, che richiedono un intervento umano costante, Albert AI è in grado di analizzare grandi quantità di dati, identificare le opportunità più promettenti e adattare le campagne in base ai risultati ottenuti. Come funziona Albert AI? Integrazione: Albert AI si integra con le principali piattaforme di marketing digitale, come Google Ads, Facebook Ads, Instagram Ads e altre, raccogliendo dati sulle performance delle campagne. Analisi dei dati: L’intelligenza artificiale di Albert AI analizza i dati raccolti, identificando modelli, tendenze e opportunità di miglioramento. Ottimizzazione delle campagne: Sulla base dell’analisi dei dati, Albert AI apporta modifiche in tempo reale alle campagne, come aggiustare le offerte, modificare il targeting, creare nuovi annunci e testare diverse varianti. Apprendimento continuo: Albert AI apprende dai risultati ottenuti, migliorando costantemente le sue capacità decisionali e l’efficacia delle campagne. Perché Albert AI è utile per le PMI? Albert AI offre numerosi vantaggi per le piccole e medie imprese (PMI): Risparmio di tempo e risorse: Automatizzando molte attività di gestione delle campagne, Albert AI libera tempo prezioso per le PMI, che possono così concentrarsi su altre attività strategiche. Miglioramento del ROI: L’ottimizzazione continua delle campagne basata sui dati consente di massimizzare il ritorno sull’investimento (ROI) delle attività di marketing digitale. Maggiore efficacia delle campagne: Grazie all’analisi dei dati e all’apprendimento automatico, Albert AI è in grado di identificare le strategie più efficaci e di adattare le campagne in tempo reale per ottenere i migliori risultati. Accesso a competenze avanzate: Le PMI possono beneficiare delle competenze di un team di esperti di marketing digitale, senza dover sostenere i costi di un’agenzia esterna. Scalabilità: Albert AI è una soluzione scalabile, che si adatta alle esigenze di crescita delle PMI. Pro e Contro di Albert AI Pro: Automazione avanzata: Automatizza efficacemente la gestione delle campagne PPC. Ottimizzazione basata sui dati: Utilizza l’IA per analizzare i dati e migliorare le prestazioni delle campagne. Scalabilità: Si adatta alle esigenze di crescita delle PMI. Supporto clienti: Offre un supporto clienti dedicato. Contro: Costo: Può essere costoso per le PMI con budget limitati. Complessità: Richiede una certa conoscenza del marketing digitale per sfruttare appieno le sue potenzialità. Affidamento sull’IA: Sebbene l’IA sia potente, è importante mantenere il controllo umano sulle decisioni strategiche. Conclusione Albert AI è uno strumento potente che può aiutare le PMI a raggiungere i loro obiettivi di marketing digitale in modo più efficiente ed efficace. Se sei disposto a investire in una soluzione tecnologicamente avanzata e a dedicare del tempo per imparare a utilizzarla al meglio, Albert AI potrebbe essere la scelta giusta per te.
Un modello AI simula 500 milioni di anni di evoluzione per creare una nuova proteina fluorescente
Gli scienziati hanno sviluppato un sistema di intelligenza artificiale in grado di simulare centinaia di milioni di anni di evoluzione delle proteine, creando una nuova proteina fluorescente diversa da quelle presenti in natura. Il team di ricerca, guidato da Alexander Rives di EvolutionaryScale, ha creato un modello di linguaggio di grandi dimensioni (LLM) chiamato ESM3 per elaborare e generare informazioni su sequenze, strutture e funzioni delle proteine. Addestrandosi sui dati di miliardi di proteine naturali, ESM3 ha imparato a prevedere come le proteine potrebbero evolversi e cambiare nel tempo. “ESM3 è un simulatore emergente che è stato appreso risolvendo un compito di predizione su dati generati dall’evoluzione”, spiegano i ricercatori nello studio. “È stato teorizzato che le reti neurali scoprono la struttura sottostante dei dati che vengono addestrati a prevedere. In questo modo, la risoluzione del compito di predizione dei gettoni richiederebbe al modello di apprendere la struttura profonda che determina i passi che l’evoluzione può compiere, ovvero la biologia fondamentale delle proteine” Per testare il modello, il team ha chiesto a ESM3 di progettare una proteina fluorescente verde (GFP) completamente nuova, un tipo di proteina responsabile della bioluminescenza in alcuni animali marini e ampiamente utilizzata nella ricerca biotecnologica. La proteina generata dall’AI, denominata esmGFP, condivide solo il 58% della sua sequenza con le più simili proteine fluorescenti conosciute. È sorprendente che esmGFP mostri una luminosità paragonabile a quella delle GFP presenti in natura e mantenga la caratteristica struttura a forma di barile essenziale per la fluorescenza. I ricercatori stimano che la produzione di una proteina così distante dalle GFP conosciute avrebbe richiesto oltre 500 milioni di anni di evoluzione naturale. Per saperne di più sullo studio Il processo di generazione di esmGFP ha richiesto diversi passaggi chiave: Dati: I ricercatori hanno addestrato ESM3 su circa 2,78 miliardi di proteine naturali raccolte da database di sequenze e strutture. Tra questi vi sono dati provenienti da UniRef, MGnify, JGI e altre fonti. Architettura: ESM3 utilizza un’architettura basata su trasformatori con alcune modifiche, tra cui un meccanismo di “attenzione geometrica” per elaborare le strutture proteiche 3D. Prompting: I ricercatori hanno fornito a ESM3 informazioni strutturali minime da un modello di GFP (proteina fluorescente). Generazione: ESM3 ha utilizzato questo prompt per generare nuove sequenze e strutture proteiche attraverso un processo iterativo. Filtraggio: Migliaia di progetti candidati sono stati valutati computazionalmente e filtrati per trovare i candidati più forti. Test sperimentali: I progetti più promettenti sono stati sintetizzati e testati in laboratorio per verificare l’attività di fluorescenza. Perfezionamento: Dopo aver identificato una variante di GFP debole ma distante, i ricercatori hanno utilizzato ESM3 per ottimizzare ulteriormente il progetto, producendo alla fine una proteina fluorescente più luminosa. Le implicazioni di questa ricerca vanno oltre la creazione di una singola proteina innovativa. ESM3 dimostra la capacità di esplorare spazi di progettazione proteica molto lontani da quelli prodotti dall’evoluzione naturale, aprendo nuove strade per la creazione di proteine con funzioni o proprietà desiderate. Ildottor Tiffany Taylor, professore di ecologia microbica ed evoluzione presso l’Università di Bath, che non ha partecipato allo studio, ha dichiarato a LiveScience: “Al momento ci manca ancora la comprensione fondamentale di come le proteine, soprattutto quelle ‘nuove per la scienza’, si comportano quando vengono introdotte in un sistema vivente, ma questo è un nuovo passo avanti che ci permette di approcciare la biologia sintetica in un modo nuovo” “I modelli di intelligenza artificiale come ESM3 permetteranno di scoprire nuove proteine che i vincoli della selezione naturale non permetterebbero mai, creando innovazioni nell’ingegneria proteica che l’evoluzione non può fare”, ha aggiunto il Dr. Taylor. Progettazione generativa di proteine I ricercatori sostengono che l’ESM3 non sta semplicemente recuperando o ricombinando le informazioni sulle proteine esistenti. Sembra invece che abbia sviluppato una comprensione dei principi fondamentali che regolano la struttura e la funzione delle proteine, consentendogli di generare progetti davvero innovativi. Laricerca e la progettazione di proteine guidate dall’intelligenza artificiale hanno raggiunto un livello altissimo, con AlphaFold 3 diDeepMind che prevede il ripiegamento delle proteine con una precisione incredibile . Leproteine progettate dall’intelligenza artificiale hanno anche dimostrato un’eccellente forza di legame, dimostrando di avere un’utilità pratica. Tuttavia, come per ogni tecnologia in rapida evoluzione che interferisce in qualche modo con la biologia, ci sono dei rischi. In primo luogo, se le proteine progettate dall’intelligenza artificiale dovessero diffondersi nell’ambiente, potrebbero interagire con gli ecosistemi naturali, arrivando a competere con le proteine naturali o a interrompere i processi biologici esistenti. In secondo luogo, potrebbero innescare interazioni inaspettate all’interno degli organismi viventi, creando potenzialmente agenti biologici dannosi o tossine. Di recente, i ricercatori hanno invocato dei paletti etici per la progettazione di proteine AI, per evitare risultati rischiosi in questo campo entusiasmante, anche se imprevedibile. Leggi di più su dailyai.com
