Nel mondo moderno, l'intelligenza artificiale è diventata una compagna familiare per rispondere alle domande, dalla pianificazione di un viaggio alla stesura di un'e-mail. Nel campo della salute e della nutrizione, le persone si rivolgono sempre più ai chatbot per consigli su cosa mangiare o come perdere peso. Tuttavia, rimane un divario significativo tra una risposta generica e una che sia veramente utile per un individuo. Una raccomandazione che ignora l'età specifica, il peso, la storia medica e le abitudini quotidiane di una persona è fondamentalmente diversa da un piano personalizzato. Sebbene molti strumenti attuali tentino di personalizzare i consigli semplicemente incollando il profilo di un utente in una richiesta, spesso non riescono a comprendere davvero i dettagli prima di parlare. Ciò lascia un vuoto strutturale critico: il computer vede i dati, ma non si ferma ad analizzare cosa quei dati significhino per la persona specifica che pone la domanda.

I ricercatori dell'Università ITMO di San Pietroburgo hanno sviluppato un nuovo metodo per colmare questo divario, con l'obiettivo di rendere i consigli nutrizionali più sicuri e utili. Chiamano il loro approccio PA-CoT, che sta per Profile-Adaptive Chain-of-Thought (Catena di Pensiero Adattiva al Profilo). Invece di affrettarsi a generare una risposta, questo metodo costringe l'intelligenza artificiale a fare un passo indietro deliberato e ad analizzare il profilo dell'utente come un compito separato e dedicato. Pensate a un medico che legge la cartella clinica di un paziente e annota i problemi chiave prima di parlare con il paziente, piuttosto che cercare di capire la diagnosi mentre parla. I ricercatori hanno testato questa idea contro altre undici modalità comuni di interrogazione dell'IA, utilizzando un nuovo set di 200 scenari realistici di consulenza nutrizionale. I loro risultati dimostrano che, separando l'analisi dei dati dell'utente dalla generazione del consiglio, il sistema produce raccomandazioni significativamente più personalizzate e sicure rispetto ai metodi standard.

Il cuore di questo nuovo metodo risiede nel modo in cui struttura il processo di pensiero. Negli approcci tradizionali, un'IA riceve una domanda e un blocco di testo contenente il profilo dell'utente, quindi tenta di rispondere a tutto contemporaneamente. I ricercatori hanno scoperto che questo spesso porta l'IA a trascurare dettagli cruciali o a offrire consigli generici che potrebbero essere dannosi. PA-CoT cambia il flusso di lavoro suddividendolo in fasi distinte. Per prima cosa, il sistema analizza il profilo dell'utente per identificare i punti più critici che la risposta deve affrontare. Esamina valori specifici, come età, peso e obiettivi dietetici, e determina esattamente cosa la risposta debba coprire. Questo passaggio crea una tabella di marcia chiara per la fase successiva. Solo dopo che questa analisi è completa, l'IA genera la risposta effettiva, utilizzando la tabella di marcia per garantire che ogni pezzo di dato rilevante sia intrecciato nel consiglio. Infine, una terza fase funge da controllo di sicurezza, revisionando la risposta generata per garantire che non contenga raccomandazioni dannose e includa gli avvisi necessari per i gruppi vulnerabili.

Per testare se questo passaggio extra facesse effettivamente la differenza, il team ha creato un nuovo benchmark chiamato QPA, che sta per Question-Profile-Answer (Domanda-Profilo-Risposta). Hanno costruito questo dataset partendo da migliaia di vere domande mediche trovate nei forum online, filtrandole per mantenere solo quelle relative alla nutrizione. Per ogni domanda, hanno estratto i dettagli del profilo dell'utente, come età, peso e obiettivi di salute, creando un set strutturato di 200 casi di test. Questi casi sono stati progettati per imitare situazioni reali in cui i dati potrebbero essere incompleti, proprio come accade spesso nelle applicazioni sanitarie reali. I ricercatori hanno poi eseguito il loro metodo PA-CoT contro una vasta gamma di altre tecniche, inclusi i prompt standard, i metodi che tentano di perfezionare le risposte attraverso la ripetizione e i sistemi automatizzati che ottimizzano il modo in cui vengono poste le domande. Ogni risposta è stata valutata da un giudice IA avanzato secondo quattro criteri: se il consiglio fosse fattualmente corretto, se coprisse tutte le parti della domanda, quanto bene utilizzasse il profilo specifico dell'utente e se fosse sicuro.

I risultati sono stati chiari e decisivi. PA-CoT ha ottenuto il punteggio medio più alto tra tutti i dodici metodi testati. Ancora più importante, ha guidato la classifica nelle due aree che contano di più per i consigli sulla salute: la personalizzazione e la sicurezza. Il metodo ha ottenuto un punteggio significativamente più alto sulla personalizzazione rispetto al suo concorrente più vicino, con un divario così ampio che gli intervalli di confidenza statistica non si sovrappongono. Ciò significa che il miglioramento non è stato un colpo di fortuna, ma un risultato costante. Allo stesso modo, ha ottenuto il punteggio più alto sulla sicurezza, garantendo che i consigli fossero privi di raccomandazioni dannose. I ricercatori hanno scoperto che altri metodi complessi, che cercavano di ottimizzare automaticamente il prompt o di perfezionare la risposta attraverso molteplici iterazioni, non hanno performato altrettanto bene. Infatti, alcuni di questi approcci più complicati hanno ottenuto punteggi sulla personalizzazione inferiori rispetto a metodi semplici. Ciò suggerisce che aggiungere complessità non porta automaticamente a risultati migliori; invece, la chiave era la specifica scelta architettonica di analizzare il profilo dell'utente prima di generare la risposta.

Una delle scoperte più sorprendenti è stata come il metodo gestisce il compromesso tra l'essere utile e l'essere sicuro. In molti tentativi precedenti, rendere un'IA più personalizzata la rendeva spesso più rischiosa, poiché il sistema poteva cercare troppo di adattarsi ai dati dell'utente e accidentalmente suggerire qualcosa di pericoloso. PA-CoT ha risolto questo problema separando i compiti. La fase che crea il consiglio personalizzato si è concentrata interamente sull'uso dei dati dell'utente, mentre una fase separata si è concentrata interamente sulla sicurezza. Ciò ha permesso al sistema di essere altamente su misura senza compromettere la sicurezza. Ad esempio, in un caso di test riguardante un adolescente che cerca di dimagrire, il sistema ha identificato correttamente che l'età e il peso dell'utente erano fattori critici e ha generato un piano che rispettava quei limiti, segnalando al contempo la necessità di una supervisione medica professionale. Al contrario, altri metodi spesso davano consigli generici che ignoravano l'età dell'utente o non includevano i necessari avvisi di sicurezza.

I ricercatori hanno anche esplorato quanta quantità di dati fosse necessaria affinché il sistema funzionasse efficacemente. Hanno scoperto che anche quando il profilo dell'utente era incompleto, con molti campi contrassegnati come sconosciuti, il metodo funzionava comunque bene. Poteva identificare quali pezzi di informazione mancavano e, in un contesto di prodotto reale, poteva essere progettato per porre all'utente domande di approfondimento per colmare tali lacune. Nello studio attuale, il sistema lavorava con i dati fissi disponibili, ma l'architettura è stata costruita per gestire la natura dinamica delle conversazioni reali. È stato considerato anche il costo dell'utilizzo di questo metodo; sebbene richieda più passaggi di elaborazione informatica rispetto a una risposta semplice in un unico passaggio, il costo extra è minimo rispetto al significativo guadagno in qualità e sicurezza.

Questo lavoro evidenzia un cambiamento fondamentale nel modo in cui l'intelligenza artificiale può essere applicata a settori sensibili come la salute. Dimostra che il modo in cui un modello viene istruito a pensare è importante quanto il modello stesso. Trattando il profilo dell'utente non come un blocco di testo statico ma come un soggetto per un'analisi dedicata, i ricercatori hanno creato un sistema che rispetta l'individualità della persona che chiede aiuto. Lo studio non sostiene che questo sistema sostituisca medici o dietisti professionisti; gli autori dichiarano esplicitamente che si tratta di un prototipo di ricerca e che l'implementazione nel mondo reale richiederebbe la validazione da parte di esperti umani. Tuttavia, i risultati forniscono una forte prova che un approccio strutturato e multi-fase al ragionamento può migliorare significativamente la qualità dei consigli generati dall'IA. Mentre l'intelligenza artificiale diventa sempre più integrata nella vita quotidiana, metodi come questo offrono una strada verso strumenti che non siano solo intelligenti, ma anche riflessivi, sicuri e veramente utili per le persone che ne hanno più bisogno.