Negli ultimi anni, ancor più che di Big Data, si parla di nuove metodologie con cui i dati possono essere elaborati, per trarne informazioni non solo descrittive ma anche predittive e di ottimizzazione.
La predictive analysis, letteralmente analisi predittiva, racchiude in sé tutte quelle tecniche che permettono di rispondere alla domanda “cosa accadrà in futuro?”. È possibile realizzare delle analisi predittive sia con tecniche matematico-statistiche tradizionali sia, e sempre di più, con tecniche di Machine Learning e Intelligenza Artificiale.
Predictive Analysis per salvarci dalle catastrofi
Come detto, si tende a parlare molto di analisi predittive, non solo tra gli addetti ai lavori. Tuttavia, è molto più frequente sentirne parlare in relazione ad ambiti quali il marketing, il tracciamento del comportamento dei clienti o il mondo del finance. In breve, le finalità prettamente business si sono mosse con maggiore velocità per riuscire a cogliere le opportunità di metodologie di analisi più evolute e di conseguenza acquisire vantaggio competitivo.
D’altra parte, sarebbero tantissimi i campi di applicazione in cui delle analisi predittive porterebbero un beneficio. Tra queste, un tema purtroppo sempre più attuale: catastrofi naturali o emergenze sanitarie. Il messaggio chiave è il seguente: riuscire, analizzando i dati, a identificare delle variabili “predittori” di catastrofi potrebbe non solo migliorare la qualità della nostra vita e ridurre enormemente i danni economici ma anche salvare tantissime vite umane.
Grazie all’intelligenza artificiale, è possibile fare tutto questo utilizzando non solo dati tradizionali come i classici dati transazionali aziendali o i dati amministrativi raccolti dalla pubblica amministrazione, si può estrarre valore anche da dati non strutturati, quali immagini, video o file audio.
Alcuni esempi di utilizzo della predictive analysis per evitare (o gestire) le catastrofi
Entrando un po’ più nel dettaglio, possiamo citare alcuni esempi in cui le analisi predittive e l’intelligenza artificiale portano ad avere un rilevante beneficio. Va sottolineato che, oltre a metodologie di analisi evolute, sono i dati utilizzati a fare la differenza. Per comprendere meglio quando e in che modo portare avanti questi esempi di progettualità possiamo suddividerle in tre momenti: prevenzione della catastrofe, reazione immediata alla catastrofe e recupero successivo.
Nel caso di prevenzione (o in alcuni casi preparazione a) della catastrofe possiamo citare i seguenti casi d’uso:
- l’ utilizzo di dati web o social per cogliere i primi “segnali deboli” dell’avvicinamento di un disastro. Ciò ovviamente può essere ancor più vero nel caso di un’emergenza pandemica come quella che stiamo vivendo: analizzare i dati web può aiutare a cogliere la diffusione dei sintomi ed è proprio quello su cui ha lavorato Google Cloud, in collaborazione con l’Harvard Global Health Institute, nel corso del 2020.
- analisi dei dati provenienti dagli smartphone per comprendere i movimenti e i comportamenti della popolazione. In questo caso, rientriamo in quelle progettualità di localizzazione che molte aziende stanno approcciando e su cui le aziende Telco stanno lavorando per offrire dei prodotti di valore sia a realtà private sia a pubbliche amministrazioni
- un ulteriore esempio rilevante è l’utilizzo delle immagini satellitari per conoscere con maggiore profondità il territorio e quindi stimare con accuratezza l’impatto di un’eventuale catastrofe come, ad esempio, un incendio o un’alluvione.
Nella fase di reazione immediata alla catastrofe possiamo citare i seguenti casi d’uso:
- Sistemi di alerting in tempo reale per aiutare la risposta, identificando persone ancora a rischio o le aree a più alto rischio da evitare;
- Soluzioni intelligenti (come, ad esempio, occhiali intelligenti o braccialetti connessi) per supportare le attività dei soccorritori.
Infine, pensando al recupero dalla catastrofe e quindi a come migliorare la capacità di prevedere catastrofi future, è fondamentale sviluppare metodologie in grado di identificare l’impatto dell’emergenza in modo completo, a partire da fonti dati eterogenee, e in questo modo prioritizzare le attività di prevenzione. Non va sottovalutata, per concludere, la creazione per una base di informazione comune che possa supportare il lavoro di ricercatori, policy maker e soccorritori. Anche nel caso della risposta al COVID-19 abbiamo visto come l’utilizzo di tecniche di predictive analysis e intelligenza artificiale si è spesso scontrato con dati poco integrati (pensiamo ad esempio ai sistemi informativi sanitari) o addirittura non adeguatamente raccolti.
Intelligenza artificiale e catastrofi: le sfide da affrontare
Come detto, sono numerosi i casi d’uso in cui potremmo beneficiare di analisi predittive e intelligenza artificiale ma la realtà dei fatti è che, in particolare nel nostro Paese, questo si fa ancora troppo poco. Quali sono dunque le problematiche che rallentano questa adozione?
Prima di tutto quelle legate all’ integrazione e qualità dei dati collezionati. A partire dalla Pubblica Amministrazione, è necessario implementare un sistema che sia in grado di raccogliere e processare dati amministrativi e non, in maniera adeguata. In secondo luogo, temi legati alla sicurezza e privacy dei dati, accorgimenti legali che spesso limitano questo tipo di progettualità. Infine, mancanza di competenze, ossia di figure professionali altamente specializzate, in grado di sviluppare algoritmi di intelligenza artificiale.
