La realtà che ci troviamo a vivere è collocata in un mondo che a seguito della pandemia ne esce più forte. Un mondo dove il settore digitale è stato un’ancora di salvezza, ma anche dove codici, indicatori statistici ed equazioni matematiche hanno preso il sopravvento governando ormai le nostre vite.
Il mondo digitale infatti opera in base ad algoritmi: gli algoritmi dei siti di vendita, dei social network, quelli per la geolocalizzazione o per l’assegnazione dei posti nei luoghi pubblici, etc. In sostanza non c’è un fenomeno economico-sociale, fisico, politico o medico che non sia soggetto a una modellazione numerica. Questa modellazione numerica però segue delle regole fondamentali affinché siano proficue, ovvero bisogna passare attraverso una raccolta e catalogazione dei dati ben precisa, attraverso attente analisi statistiche dei dati e infine attraverso l’applicazione di formule matematico-probabiliste specifiche che, calate in un contesto informatico, danno corpo a dei veri e propri algoritmi in grado di fare delle previsioni: gli algoritmi predittivi.
Possiamo quindi pensare di diventare presto il paese degli algoritmi? Difficile a dirsi, ma non certo a pensarlo. Va da sé che, se da una parte la ricerca di sapere a tutti i costi come andrà un certo evento nel futuro ha spinto il mondo della Data Science verso mete più ambiziose, andando a definire nuovi algoritmi sempre più calati alla tipologia di dati da analizzare, dall’altro non si può certo dire che le previsioni possano di fatti accadere con certezza. Anzi sta proprio nella corretta quantificazione degli errori di distorsione l’elemento chiave della bontà di previsione.
Gli errori, che non sono solo quelli di misurazione o prettamente analitici, spesso sono anche collegati al modo in cui noi progettiamo un algoritmo e al modo in cui costruiamo la base di informazione per l’algoritmo. Infatti, la costruzione di un’informazione distorta o “non bilanciata” passata al modello nella fase di addestramento non potrà mai fornire una stima “bilanciata” in fase di previsione, questo perché il modello ha imparato che l’informazione corretta è in realtà quella intrinsecamente distorta.
In modo analogo, anche in fase di progettazione dell’algoritmo, se non si valutano le possibili interazioni ai processi di stima, si rischia di introdurre ancora una volta una stima intrinsecamente distorta.
A complicare la comprensione delle stime però non è solo la distorsione, c’è una altra componente che spesso viene trascurata che è la capacità di leggere i risultati. Spesso la ricerca di algoritmi più raffinati fornisce effettivamente stime più attendibili, ma i risultati rischiano di cadere in una black-box, la cui interpretazione diventa poco informativa. Come interpretare quindi i risultati in questi casi? Come possiamo estrapolare gli effetti strategici?
Ebbene, non c’è una soluzione univoca a queste domande e di certo non si può eliminare la distorsione; ci sono però degli approcci che se messi in piedi aiutano a cogliere queste difficoltà e a guidare in modo costruttivo le scelte strategiche derivanti dagli algoritmi predittivi. Primi fra tutti l’impiego dei data scientist in progetti di questo tipo, perché se da una parte le nuove tecnologie e le infinite piattaforme emergenti trasformano l’apprendimento automatico, o Machine Learning, in qualcosa alla portata di tutti, dall’altra parte un modello statistico-probabilistico stimato non è un plug-in e in quanto tale ha bisogno di figure specializzate per la sua corretta calibrazione.
Se forse un giorno diventeremo ma il paese degli algoritmi non sarà di certo solo grazie ai codici all’avanguardia eseguiti dalle macchine, il machine learning, ma inevitabilmente grazie alla collocazione di figure professionali e competenti in grado di tarare quelle macchine con l’intelligenza umana che quelle macchine non saranno mai in grado di replicare.