A proposito della misurazione del benessere, quali sono alcuni esempi concreti di come si possano utilizzare nuovi metodi per approfondire questi ambiti?
Nel mio laboratorio sviluppiamo indicatori per misurare il benessere in una varietà di ambiti, da quello relazionale a quello ambientale. Nello specifico, un approccio che abbiamo trovato molto promettente consiste nel misurare la diversità nei sistemi sociali complessi, in particolare la diversità socioeconomica. Uno dei migliori indicatori individuati è la mobilità delle persone: non tanto la quantità di spostamenti, quanto piuttosto le modalità e i modelli con cui le persone si spostano. Ad esempio, i territori con un’elevata presenza di “ritornanti” (persone che si spostano in modo ripetitivo e routinario, spesso seguendo il percorso casa-lavoro) tendono ad essere economicamente più svantaggiati, mentre i territori con un’alta percentuale di “esploratori” (persone che si spostano in modo vario e dinamico senza necessariamente ripetere schemi) sono generalmente più ricchi. Questo indice di benessere può essere applicato a diversi livelli: comunale, provinciale e regionale. Per studiare questi ambiti, ci affidiamo a dati provenienti da molte fonti; ad esempio, l’uso diffuso della telefonia mobile ci ha permesso di ottenere dati estremamente estesi nel rispetto della privacy dei partecipanti. In una delle nostre pubblicazioni su Nature, abbiamo studiato la prevalenza della mobilità abituale rispetto alla mobilità complessiva delle persone, aspettandoci un continuum ma riscontrando invece un’estrema polarizzazione. Esiste una tendenza quasi antropologica a orientarsi verso uno di questi archetipi (il “ritornato” o l’“esploratore”), e durante le diverse fasi della vita è possibile passare dall’uno all’altro, ma è molto raro trovare persone che si collochino in una posizione intermedia.
Negli ultimi anni si è parlato molto di intelligenza artificiale: quali sono, secondo lei, i principali problemi legati a queste tecnologie e quali potrebbero essere le strategie per risolverli?
Attualmente stiamo sviluppando il concetto di “intelligenza artificiale sociale”, ovvero stiamo cercando di mettere a punto nuovi meccanismi per misurare gli effetti collettivi dell’IA e, potenzialmente, progettare soluzioni. In sostanza, gli strumenti basati sull’IA sono stati sviluppati da una prospettiva egoistica, per migliorare le prestazioni e i risultati dell’individuo, spesso a scapito della collettività. Ciò può avere un impatto socio-economico e ambientale significativo. Come esempio concreto, lavorando su un gemello digitale del traffico a Roma, abbiamo simulato l’impatto di un uso massiccio delle app di navigazione. Se una percentuale crescente di automobilisti seguisse i suggerimenti di un mix rappresentativo di navigatori attualmente sul mercato, le emissioni aumenterebbero anziché diminuire perché il traffico si concentrerebbe su un numero minore di strade. Osservando una mappa, si nota che gli archi stradali percorsi sono concentrati in aree quasi separate. Questa tendenza è potenzialmente preoccupante perché, oltre a un aumento delle emissioni (che nelle nostre simulazioni potrebbero arrivare a raddoppiare) si osserva inoltre che le emissioni si concentrerebbero in aree specifiche, creando problemi di disuguaglianza. Questi problemi, legati a una riduzione delle possibilità di scelta determinate dai suggerimenti dell’IA, si riscontrano anche in altri ambiti: ad esempio, gli algoritmi di suggerimento nell’e-commerce aumentano la diversità degli acquisti dei singoli individui, ma riducono la diversità complessiva del mercato, creando anch’essi un effetto di concentrazione. I prodotti più popolari vengono spesso amplificati, mentre quelli di nicchia subiscono un’ulteriore penalizzazione. Una possibile soluzione potrebbe essere l’inclusione di randomizzatori oculari nei sistemi di raccomandazione. La sola introduzione di un livello ragionevole di casualità fa scomparire gli effetti sopra descritti o addirittura li spinge nella direzione opposta.
Tuttavia, ha parlato dello sviluppo di strumenti e strategie per sfruttare l’intelligenza artificiale in modo «altruistico» e incentrato sulla comunità.
Se si introducesse un certo grado di coordinamento e si utilizzasse l’intelligenza artificiale per promuovere la cooperazione, si potrebbero ottenere benefici finora del tutto inesplorati. Tornando all’esempio del traffico, se gli algoritmi cercassero di promuovere soluzioni collettivamente più efficaci, secondo le nostre simulazioni le emissioni potrebbero essere drasticamente ridotte. Ritengo che intervenire in questo ambito potrebbe portare a una significativa riduzione dell’inquinamento informativo, che ha un impatto notevole sulla polarizzazione e sulla radicalizzazione presenti nella nostra società. La creazione di strumenti che promuovano in modo trasparente pratiche di nudging, influenzando le scelte individuali per cercare di promuovere la diversificazione e il benessere collettivo, potrebbe essere importante per comprendere meglio la complessità dei sistemi sociali. Le persone hanno naturalmente la tendenza a conformarsi il più possibile; un’eccessiva conformità significa che non sfruttiamo adeguatamente tutte le opportunità offerte da un sistema complesso. Non riusciamo a vedere come una scelta non conformista possa in realtà a volte avvantaggiarci notevolmente, e anche in settori come la rigenerazione, cercare di diversificare i processi e le materie prime potrebbe portare a una maggiore efficienza e a benefici collettivi. Naturalmente, non è necessario cercare di massimizzare il fattore casuale in ogni caso, ma di comprendere meglio i compromessi tra diversificazione e standardizzazione.
In che modo le tecniche illustrate e lo studio dei sistemi complessi in generale possono essere utilizzati per superare alcuni dei maggiori ostacoli che la transizione energetica comporterà, ovvero la perdita di flessibilità nella risposta ai picchi di domanda dovuta alle caratteristiche intrinseche delle energie rinnovabili rispetto ai combustibili fossili?
Ritengo sia importante avvalersi sia dell’apprendimento automatico sia, più in generale, dello studio dei sistemi complessi per garantire condizioni ottimali nella transizione dall’attuale modello gerarchico al modello distribuito che caratterizzerebbe una rete elettrica dominata dalle energie rinnovabili. Una rete distribuita ben progettata a livello topologico, anche se presentasse delle carenze a livello di alcuni nodi – che risulterebbero meno resilienti – potrebbe comunque risultare complessivamente più stabile. Infatti, il modello centralizzato su cui facciamo affidamento oggi può trovarsi sotto pressione nel caso in cui una sequenza di eventi danneggi le connessioni o il funzionamento delle centrali elettriche che si trovano al vertice della gerarchia, come si può vedere da alcuni dei blackout verificatisi negli ultimi anni sulla costa orientale degli Stati Uniti. In una rete con una struttura diffusa, singoli eventi catastrofici non rappresenterebbero più un rischio. In questo ambito, l’intelligenza artificiale potrebbe essere utilizzata per costruire modelli in grado di prevedere meglio la struttura della domanda e di stimare con maggiore precisione la produttività di impianti singoli o di piccole dimensioni diffusi. Esistono alcuni studi attuali che riflettono su come utilizzare ogni risorsa in modo creativo; ad esempio, se fossimo in grado di migliorare ulteriormente l’efficienza e promuovere la diffusione di molte auto elettriche, alcuni gruppi ipotizzano il potenziale di utilizzare le auto come strumento per spostare l’energia all’interno della rete.
In che modo il data mining e la scienza delle reti possono contribuire alla gestione dei sistemi complessi per individuare gli ambiti che potrebbero avere il maggiore impatto sul clima?
L’uso del data mining e della scienza delle reti può aiutarci a individuare i punti critici, consentendoci così di progettare reti più efficaci e migliorare l’efficienza complessiva. Questo approccio utilizza reti complesse a più livelli, in cui studiamo sistemi complessi creando reti in grado di gestire aspetti sociali, economici o demografici. Questo tipo di studi ci aiuta a identificare quali potrebbero essere alcuni potenziali punti di crisi e a reagire a situazioni straordinarie. Questo tipo di approcci sarà indispensabile per ripensare in modo ottimale temi quali il trasporto di energia e la mobilità delle persone, e dipenderà in particolare dalla crescente disponibilità di dati.
Quali sono le principali sfide legate ai pregiudizi nei modelli di intelligenza artificiale?
Storicamente, negli studi di scienza delle reti e di scienza dei dati, è sempre stata prestata grande attenzione ai pregiudizi sottostanti ai modelli costruiti. La situazione è cambiata di recente con la proliferazione di modelli di IA che sono di fatto delle “scatole nere”. Nel nostro laboratorio, stiamo cercando di sovrapporre un livello di “spiegabilità” al deep learning e ai modelli linguistici di grandi dimensioni (come ChatGPT) e stiamo cercando di identificare e chiarire quali pregiudizi questi strumenti contengano, al fine di proteggere in particolare le categorie più a rischio. Allo stesso tempo, stiamo cercando di sviluppare nuovi modelli che siano più trasparenti fin dall’inizio. Non siamo gli unici ed è già possibile trovare una serie di best practice; dopotutto, l’assenza di trasparenza nei modelli di business più diffusi non è una caratteristica necessaria, sebbene sia molto diffusa. Un altro problema importante è che la diffusione di questi strumenti è stata tale che diverse aziende sono state spinte a diffondere modelli anche quando erano ancora immaturi, con conseguenze che al momento sono difficili da comprendere.
È inoltre necessario avviare una riflessione più ampia su questo tema, poiché un uso sconsiderato di strumenti come i modelli linguistici di grandi dimensioni da parte di persone che non ne conoscono i limiti può causare gravi problemi. Ad esempio, tornando alla discussione su come l’IA possa portare a una perdita di diversità, occorre tenere presente che la maggior parte di questi strumenti opera seguendo una visione del mondo monolitica, funziona prevalentemente in inglese e promuove un’estrema omogeneizzazione, sfociando quasi in una forma di colonialismo informativo.
Photo credits: NASA