Intelligenza Artificiale Applicata Alla Chimica Analitica Forense

Questo secondo corso strettamente collegato al corso "Chemiometria applicata alla Chimica Analitica Forense" è dedicato ai fondamenti e alle applicazioni dell'intelligenza artificiale (IA) e del machine learning per l'analisi di dati complessi in ambito chimico-analitico e forense. In continuità con gli strumenti della statistica multivariata trattati nella prima parte, questa sezione si propone di estendere il quadro metodologico introducendo modelli predittivi avanzati, capaci di gestire grandi moli di dati, strutture non lineari e informazioni eterogenee. L'obiettivo è fornire ai partecipanti una comprensione critica dei principali algoritmi di apprendimento supervisionato e non supervisionato, evidenziandone analogie e differenze rispetto ai metodi chemiometrici classici (ad esempio PLS, LDA, SIMCA), nonché le condizioni in cui l'impiego di tecniche di IA risulta vantaggioso. Particolare attenzione sarà rivolta non solo alle prestazioni predittive, ma anche all'interpretabilità dei modelli, alla robustezza e alla validazione, aspetti cruciali soprattutto in contesti applicativi regolati o forensi.

Il percorso formativo coprirà l'intero workflow di sviluppo di un modello di IA: dalla preparazione dei dati (pre-processing, feature engineering e selezione delle variabili), alla scelta dell'algoritmo, fino alla fase di addestramento, ottimizzazione degli iperparametri e valutazione delle prestazioni mediante strategie di validazione appropriate. Verranno inoltre discussi i principali rischi metodologici, quali overfitting, data leakage e bias, e le relative strategie di mitigazione. Saranno introdotti modelli di reti neurali artificiali e architetture di deep learning, con esempi applicativi in ambito di analisi di immagini (RGB e iperspettrali) e riconoscimento di pattern complessi.

Infine, verranno trattati i temi dell'integrazione tra IA e chemiometria, inclusi approcci ibridi e strategie di data fusion avanzata, nonché gli aspetti emergenti legati all'explainable AI (XAI), fondamentali per garantire trasparenza e affidabilità dei modelli, soprattutto quando i risultati devono essere interpretati e comunicati in contesti decisionali o giudiziari. Particolare attenzione sarà rivolta non solo alle prestazioni predittive, ma anche all'interpretabilità, alla robustezza, alla quantificazione dell'incertezza e alla comunicazione dei risultati, aspetti essenziali quando le evidenze prodotte devono essere valutate in contesti regolati o giudiziari.

Nel complesso, questa parte del corso mira a fornire strumenti operativi e chiavi interpretative per l'utilizzo consapevole delle tecniche di intelligenza artificiale, favorendo la capacità di selezionare, implementare e valutare criticamente modelli avanzati in funzione delle specifiche problematiche analitiche affrontate.