La review ha analizzato 53 studi peer-reviewed pubblicati fra il 2015 e il 2025 su AI, composti bioattivi, metabolomica, modellazione del consumatore e ottimizzazione degli alimenti funzionali.

L’Explainable AI aggiunge un livello di lettura: invece di restituire soltanto una previsione, identifica le variabili che hanno contribuito al risultato. Questo aiuta gli esperti a confrontare l’output con plausibilità biologica, letteratura e conoscenza formulativa.

In un workflow industriale, l’XAI può essere usata per prioritizzare candidati, documentare perché una combinazione è stata selezionata e individuare segnali di dipendenza da dati distorti o scorciatoie statistiche.

Interpretabilità e verità non coincidono. Molti modelli descritti rimangono in silico e la spiegazione può riflettere il comportamento dell’algoritmo senza provare causalità. Servono dati esterni, esperimenti, controlli e revisione umana prima dell’applicazione.

Perché conta

Per R&D, quality e regulatory, l’interpretabilità può trasformare un punteggio algoritmico in un’ipotesi documentabile, criticabile e più semplice da sottoporre a verifica.

Limite dell’evidenza

La review segnala che molte applicazioni restano in silico e prive di validazione sperimentale o clinica. Una spiegazione del modello non dimostra che la relazione sia causale o biologicamente corretta.

Nota editoriale. Il contenuto è informativo e rivolto a professionisti del settore. Non costituisce consiglio medico, indicazione terapeutica o parere regolatorio. Consulta il metodo editoriale.

Consulta la fonte originale · Food Chemistry: X ↗