La nostra redazione ha intervistato Roberto Tecco di LabVantage Solutions, Head of Technical Sales Specialist, che ci ha parlato dell’utilizzo dell’IA agentica nei LIMS.
Abbiamo visto l’IA adottata in molti modi nei laboratori. In che modo l’IA Agentica si differenzia dall’IA passiva (ad esempio, i chatbot)?
L’IA Agentica si focalizza sull’esecuzione di determinati task che portano valore aggiunto al laboratorio, e può essere orchestrata con altri agenti fornendo risposte o esecuzioni anche per task complessi. Usa il LLM per supportare le richieste dell’utente ma anche l’interpretazione dei dati e le azioni da intraprendere. Diversamente, l’IA passiva è focalizzata principalmente sui prompt basati sul linguaggio naturale per eseguire operazioni.
Se però i modelli linguistici oppure le capacità funzionali sono limitate, il rischio è che l’IA passiva si limiti ad essere un’alternativa vocale all’immissione di comandi da menu.
I colossi globali del settore alimentare, chimico e delle bevande sono notoriamente avversi al rischio a causa di sicurezza e conformità. Può illustrarmi 2-3 casi d’uso specifici in cui queste aziende stanno già andando oltre i progetti pilota?
Stiamo lavorando con i nostri clienti ad esempio sulla gestione dei Master Data, in particolar modo sulle schede di sicurezza dei prodotti chimici. Le normative cambiano continuamente, e così anche i prodotti. L’aggiornamento diventa così un compito gravoso, per cui avere il supporto dell’IA Agentica che determina autonomamente le modifiche e le propone per l’approvazione può essere un grande risparmio di tempo, pur mantenendo il controllo e la qualità. Un altro esempio sono le previsioni sulle formulazioni quando si sta sviluppando un nuovo prodotto. L’IA Agentica è in grado di ipotizzare diversi risultati sulla base dello storico dei dati e delle richieste del formulatore. Ciò permette allo sviluppo di focalizzarsi solo sulle previsioni più promettenti, orientandosi più velocemente sui risultati attesi, con un risparmio di tempo e denaro.
In un laboratorio regolamentato, una ‘allucinazione’ dell’IA è un disastro per la conformità. Perché la tecnologia semantica (grafi di conoscenza/ontologie) è il ‘limite’ inderogabile per l’IA Agentica?
I grafi semantici consentono di personalizzare il LLM (Large Language Model) sulla base del contesto, delle specificità dell’azienda, del mercato e dell’esperienza aziendale nella ricerca. In questo modo il LLM acquisisce una maggiore comprensione delle richieste e consente di ridurre i casi di allucinazioni. Ovviamente serve anche mantenere il controllo dei ricercatori sul risultato finale e sulle azioni da intraprendere.
Perché un’architettura SaaS è in realtà un requisito funzionale per gli agenti ad alte prestazioni rispetto ai sistemi on-premise isolati?
Perché l’IA e i LLM hanno bisogno di grandi quantità di informazioni da trattare in automatico: è impensabile un caricamento manuale. È chiaro quindi che un’architettura SaaS é avvantaggiata rispetto ai sistemi on-premise in quanto accede più facilmente e in modo automatico alle informazioni di cui necessita per far funzionare i propri modelli.
La sfida più grande nei laboratori odierni è che i dati sono intrappolati in formati ‘zombie’: PDF, file specifici per strumento e conoscenze tribali. In che modo l’intelligenza artificiale, basata sulla tecnologia semantica, può colmare il divario tra questi silos legacy e i moderni sistemi aziendali?
Proprio perché basata sulla tecnologia semantica, l’IA è in grado di analizzare questi formati e ricavarne significato, ma anche di far tesoro delle giuste osservazioni e richieste di correzione, senza richiedere pesanti programmazioni come un tempo. Arrivare al risultato finale diventa più semplice, avendo cambiato il paradigma dalla programmazione all’addestramento.
L’idea di ‘agenti autonomi’ sembra una perdita di controllo. Nelle implementazioni globali di maggior successo che ha visto, dove si colloca esattamente l’esperto umano nel ciclo?
L’esperto umano è esattamente in cima alla catena di comando. Valuta gli output e esercita l’approvazione finale; fornisce il feedback necessario all’adattamento delle procedure dell’IA. Stabilisce quando e quanto le procedure possano diventare più autonome o abbiano bisogno di maggior supervisione.
Guardando al futuro dei LIMS, come cambia il mercato?
La direzione è chiara: il LIMS deve fornire sempre più strumenti non soltanto per ottimizzare i processi, ma soprattutto per ottenere dai dati informazioni rilevanti ed efficaci. L’IA diventa uno strumento per velocizzare i processi, fornire più intellegibilità alle informazioni, assistere il laboratorio e i manager nell’analisi dei dati e nelle decisioni. La tecnologia semantica e l’infrastruttura SaaS diventano fondamentali per sfruttare appieno il potenziale dell’IA e creare valore aggiunto.
