Distribird: strumento basato su IA automatizza le prior informative derivate dalla letteratura per la calibrazione bayesiana

Una nuova applicazione web agentica chiamata Distribird automatizza la costruzione di distribuzioni a priori informative per la calibrazione bayesiana dei modelli, affrontando un collo di bottiglia di lunga data nella modellazione scientifica. Lo strumento, descritto in un articolo su arXiv (2608.11210), implementa una pipeline multi-agente che cerca nella letteratura scientifica, estrae i valori dei parametri, li pondera in base alla rilevanza del dominio e adatta le distribuzioni di probabilità tramite selezione del modello AIC. È progettato per modelli basati su processi con parametri fisicamente interpretabili, dove le prior uniformi sono comunemente usate a causa della difficoltà di costruire manualmente prior informative. Distribird fornisce una chiara reportistica delle evidenze e dei livelli di confidenza per ogni prior, e ricorre a alternative non informative quando la letteratura non è disponibile. Il sistema mira a ridurre la necessità di competenze sia di dominio che statistiche nella specificazione delle prior, potenzialmente accelerando la ricerca nei campi che si affidano alla calibrazione bayesiana.