Agenti IA estraggono 4.000 dati alimentari in 30 minuti

Su un banco di lavoro alla Penn State, Xu Zhou misura come i materiali alimentari reagiscono all'energia elettromagnetica. I numeri di cui ha bisogno esistono di solito già, ma sono sparsi in migliaia di articoli pubblicati nel corso di decenni. Un team da lui guidato ha ora dimostrato che agenti IA, guidati da esperti umani, possono leggere quegli articoli e raccogliere i valori in una banca dati consultabile in una frazione del tempo che serviva prima.

Gli ingegneri alimentari si affidano ai cosiddetti dati sulle proprietà fisiche, come le proprietà dielettriche che regolano il riscaldamento a microonde, per costruire modelli matematici e simulazioni al computer. Questi valori sono spesso nascosti in tabelle, figure ed equazioni, più che nel testo corrente che gli strumenti tradizionali di data mining leggono. Il sistema, chiamato AgentXtract, assegna agenti IA diversi a formati diversi. Estraggono i dati numerici, poi li convalidano, li standardizzano e li organizzano, mentre gli ingegneri alimentari scelgono le fonti e si assicurano che i dati siano affidabili. Per scegliere i modelli di base, i ricercatori hanno confrontato 10 grandi modelli linguistici di OpenAI, Google e Anthropic in termini di precisione, velocità e costi, usando come riferimento dati controllati a mano.

Il divario di velocità è il dato su cui insistono i ricercatori. Zhou ricorda che lo stesso lavoro richiedeva un tempo in cui «un ricercatore esperto, dottorando o postdoc, impiegava sei mesi o più». Con gli agenti, il team ha raccolto e organizzato oltre 4.000 registrazioni sperimentali in appena 30 minuti. Questa velocità ha reso possibile la scoperta successiva. Una volta riuniti i dati, il team ha trovato una relazione nuova e costante tra la costante dielettrica e il fattore di perdita in più di 100 alimenti diversi. Secondo Zhou, la relazione non era stata segnalata perché raccogliere manualmente una tale quantità di dati era troppo difficile. Il risultato proviene dalla compilazione del team stesso e deve ancora essere verificato da altri ricercatori.

La banca dati funge anche da base di conoscenza per un'IA generalista. In un'impostazione nota come generazione aumentata dal recupero, l'IA cerca le voci verificate prima di rispondere, così può fornire un riferimento e spiegare il risultato. L'esempio di Zhou è una domanda sulle proprietà dielettriche delle patate a una frequenza specifica, a cui l'IA risponde con i dati di base e con una spiegazione di come quelle proprietà influenzino il riscaldamento a microonde. Per gli ingegneri alimentari, il vantaggio è un accesso più rapido a dati controllati, che conta per lo sviluppo di prodotti e la progettazione dei processi. Zhou sostiene che il metodo non si limita alla scienza alimentare. I suoi risultati saranno pubblicati nel numero di marzo 2027 del Journal of Food Engineering, mentre l'articolo non dice quando la banca dati stessa sarà aperta ad altri utenti.