Life2vec: sviluppata l’intelligenza artificiale che prevede la morte

I ricercatori della Technical University of Denmark (DTU), in collaborazione con i colleghi della Northeastern University (USA) hanno sviluppato un nuovo modello di intelligenza artificiale. Questo utilizza grandi quantità di dati personali per prevedere eventi nella vita delle persone, inclusa la stima dell’orario di morte. Tale modello, rinominato “Life2vec” è stato delineato nel recente articolo di Nature Computational Science intitolato “Using Sequences of Life-events to Predict Human Lives”.

Come funziona il modello Life2vec

Tale modello è simile a ChatGPT di OpenAI, è stato addestrato su ampi dati personali e socio-demografiche di 6 milioni di cittadini danesi. Dopo una fase di apprendimento iniziale, il modello ha dimostrato capacità predittive superiori, surclassando altre reti neurali avanzate. Ha previsto con successo risultati come i tratti della personalità e ha persino stimato accuratamente l’ora della morte. La professoressa Sune Lehmann, prima autrice dell’articolo e ricercatrice presso la DTU, ha spiegato: “Abbiamo utilizzato il modello per rispondere alla domanda fondamentale: fino a che punto possiamo prevedere eventi nel vostro futuro in base alle condizioni e agli eventi del vostro passato? Dal punto di vista scientifico, ciò che ci entusiasma non è tanto la previsione in sé, ma gli aspetti dei dati che consentono al modello di fornire risposte così precise”.

Life2vec organizza i dati in un complesso sistema di vettori, strutturando le informazioni relative al momento della nascita, all’istruzione, alla salute, ecc. L’analisi delle risposte del modello ha rivelato risultati coerenti con i risultati esistenti in scienze sociali. Ha inoltre evidenziato fattori come ruoli di leadership e redditi più elevati correlati a maggiori possibilità di sopravvivenza. Tuttavia, i ricercatori riconoscono le preoccupazioni etiche che circondano il modello Life2vec. Tra questi vi sono la protezione dei dati sensibili, i problemi di privacy e le potenziali distorsioni nei dati. Queste sfide devono essere affrontate in modo approfondito prima che il modello possa essere rilasciato, ad esempio, nella valutazione del rischio di un individuo di contrarre una malattia o di sperimentare eventi di vita prevenibili. Come passo successivo, i ricercatori prevedono di integrare ulteriori tipi di informazioni, come testo, immagini e dati sulle connessioni sociali, per migliorare le capacità predittive del modello.