Modelli di Machine Learning

Come la Predictive Analysis può aiutare a prevedere le catastrofi

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.

Condividi questa pagina


Come la Predictive Analysis può aiutare a prevedere le catastrofi

Marco Belmondo | 26 May 2021