21 dicembre 2021

________________

 

L’intelligenza artificiale spiegabile entra in campo per la creazione di un nuovo motore di recommendation basato sulla network science, con l’obiettivo di supportare la comunità accademica UCSC nell’utilizzo di risorse informative di qualità, tenendo conto anche dei nuovi modelli editoriali basati su Open Access.

Milano, Italia - 21 Dicembre, 2021. L’Università Cattolica del Sacro Cuore di Milano (Università Cattolica) e LARUS Business Automation Srl (LARUS), al termine di un percorso di sperimentazione svoltosi nell’ambito della Biblioteca d’Ateneo, sono liete di annunciare l’avvio di un progetto congiunto per la costruzione di una “Intelligent Platform” pensata in origine per consentire l’individuazione di riviste/fonti informative di qualità, comprese quelle Open Access. La piattaforma, basata sull’analisi semantica dei contenuti, opportunamente implementata, intende anche favorire la collaborazione tra ricercatori dell’Ateneo che, pur operando in contesti e discipline differenti, hanno interessi e studi comuni.

La soluzione, che tiene in considerazione i requisiti per la privacy degli utenti e risulta GDPR compliant, sfrutta tecnologie ed algoritmi avanzati di Graph Explainable Artificial Intelligence per derivare insight – rappresentati anche sotto forma di mappe della conoscenza – dall’analisi dei temi trattati nelle più importanti riviste scientifiche a livello Internazionale, nonché dalle informazioni sulle ricerche effettuate dagli utenti del sistema.

“La nuova Intelligent Platform si baserà sulla soluzione Galileo.XAI, sviluppata da LARUS in collaborazione con Fujitsu e Neo4j e offrirà un metodo nuovo e più efficace per individuare contenuti di qualità, promuovendone l'impiego da parte di team misti con expertise multidisciplinare”, dichiara Paolo Sirito, Responsabile della Biblioteca d’Ateneo.

Come è stata condotta l’attività di sperimentazione?

Alberto De Lazzari, Chief Scientist di LARUS e responsabile dell’attività di sperimentazione svolta in collaborazione con Università Cattolica e Fujitsu, ci spiega che essa si è basata sui dati provenienti dalla piattaforma DataRis ed in particolare sulle ricerche effettuate dagli utenti dell’ateneo e sui metadati delle riviste oggetto di tali ricerche.

In questo modo è stato possibile mappare dinamicamente gli interessi degli autori/ricercatori, generando recommendation sempre più puntuali rispetto a nuove pubblicazioni/riviste di interesse, nonché individuando possibili spazi di collaborazione tra ricercatori, anche se appartenenti ad aree disciplinari diverse.

Più nel dettaglio, le informazioni e dataset addizionali utilizzati nella sperimentazione del motore di recommendation sono stati i seguenti:

• Profilo semantico dell’autore: una lista di argomenti correlati agli interessi disciplinari del ricercatore. Per esempio, un economista interessato all’economia Keynesiana potrebbe avere un profilo composto dai seguenti argomenti: “Keynes”, “economia”, “occupazione” e qualsiasi altro oggetto che può essere associato a quel campo di ricerca. Ogni topic ha anche una percentuale di attinenza; per esempio “economia” potrebbe avere il 100% di rilevanza mentre “occupazione” potrebbe avere l’80% di rilevanza in riferimento alle pubblicazioni del dottore;
• Lista di topic per ogni rivista/fonte informativa: questa lista può variare nel tempo in funzione della naturale evoluzione delle discipline trattate e della linea editoriale;
• Similarità tra i tag: associazione tra argomenti principali e simili trattati dalla rivista;
• Evoluzione del profilo semantico: avviene quando un utente cerca qualcosa di diverso rispetto al proprio perimetro di interesse abituale;
• Recommendation già prodotte: suggerimenti di ricerca (o riviste come risultato di queste ricerche) in base a quelle di altri utenti con profili semantici simili o complementari.

 

Come viene applicata la Explainable Artificial Intelligence ed il Deep Tensor di Fujitsu?

Come detto, studiando le relazioni tra gli autori o tra gli articoli e le riviste sarà possibile suggerire le pubblicazioni in base al loro contenuto o al ramo della ricerca. Su questo versante, il problema che si è dovuto affrontare è stato il cambiamento del profilo semantico degli interessi dell’utente, che avviene in modo naturale, in funzione degli argomenti su cui la persona sta lavorando.

“Il Deep Tensor, la tecnologia di Graph Explainable Artificial Intelligence parte della linea di prodotti EnsemBiz di Fujitsu e integrata in Galileo.XAI, è stato utilizzato come classificatore allo scopo di aggiungere o rimuovere argomenti dal profilo semantico dell’autore”, ha affermato Hirokazu Anai, Responsabile del Laboratorio di Intelligenza Artificiale presso Fujitsu Research. “Nelle ricerche effettive, dato un insieme di potenziali risultati, il Deep Tensor tiene conto della cronologia delle ricerche degli utenti e, utilizzando la regressione, li classifica, portando a risultati estremamente precisi”.

Quali sono i prossimi passi?

Visti i risultati ottenuti dall’attività di sperimentazione, Università Cattolica e LARUS hanno avviato di comune accordo un programma di transizione dall’attuale progetto DataRis alla piattaforma Galileo.XAI, che si completerà nel corso del primo trimestre del 2022.

“Sono estremamente felice di sapere che Università Cattolica di Milano sarà la prima Istituzione accademica che utilizzerà la nostra nuova piattaforma Galileo.XAI. Con Paolo (Sirito) abbiamo già immaginato nuovi progetti che si basano sull’idea di sfruttare i grafi e l’intelligenza artificiale per offrire servizi all’avanguardia anche nell’ambito delle Digital Humanities e del Cultural Heritage”, ha concluso Lorenzo Speranzoni, CEO di LARUS.