<\/p>\n\n\n\n
A proposito della misurazione del benessere, quali sono alcuni esempi concreti di come si possano utilizzare nuovi metodi per approfondire questi ambiti?<\/strong><\/p>\n\n\n\n Nel mio laboratorio sviluppiamo indicatori per misurare il benessere in una variet\u00e0 di ambiti, da quello relazionale a quello ambientale<\/strong>. Nello specifico, un approccio che abbiamo trovato molto promettente consiste nel misurare la diversit\u00e0 nei sistemi sociali complessi, in particolare la diversit\u00e0 socioeconomica. Uno dei migliori indicatori individuati \u00e8 la mobilit\u00e0<\/strong> delle persone: non tanto la quantit\u00e0 di spostamenti, quanto piuttosto le modalit\u00e0 e i modelli con cui le persone si spostano. Ad esempio, i territori con un’elevata presenza di \u201critornanti\u201d (persone che si spostano in modo ripetitivo e routinario, spesso seguendo il percorso casa-lavoro) tendono ad essere economicamente pi\u00f9 svantaggiati, mentre i territori con un’alta percentuale di \u201cesploratori\u201d (persone che si spostano in modo vario e dinamico senza necessariamente ripetere schemi) sono generalmente pi\u00f9 ricchi. Questo indice di benessere pu\u00f2 essere applicato a diversi livelli: comunale, provinciale e regionale. Per studiare questi ambiti, ci affidiamo a dati provenienti da molte fonti; ad esempio, l\u2019uso 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<\/em>, abbiamo studiato la prevalenza della mobilit\u00e0 abituale rispetto alla mobilit\u00e0 complessiva delle persone, aspettandoci un continuum ma riscontrando invece un\u2019estrema polarizzazione<\/strong>. Esiste una tendenza quasi antropologica a orientarsi verso uno di questi archetipi<\/strong> (il \u201critornato\u201d o l’\u201cesploratore\u201d), e durante le diverse fasi della vita \u00e8 possibile passare dall’uno all’altro, ma \u00e8 molto raro trovare persone che si collochino in una posizione intermedia.<\/p>\n\n\n\n Negli ultimi anni si \u00e8 parlato molto di intelligenza artificiale: quali sono, secondo lei, i principali problemi legati a queste tecnologie e quali potrebbero essere le strategie per risolverli?<\/strong><\/p>\n\n\n\n Attualmente stiamo sviluppando il concetto di \u201cintelligenza artificiale sociale\u201d,<\/strong> ovvero stiamo cercando di mettere a punto nuovi meccanismi per misurare gli effetti collettivi<\/strong> dell\u2019IA e, potenzialmente, progettare soluzioni. In sostanza, gli strumenti basati sull\u2019IA sono stati sviluppati da una prospettiva egoistica, per migliorare le prestazioni e i risultati dell\u2019individuo, spesso a scapito della collettivit\u00e0. Ci\u00f2 pu\u00f2 avere un impatto socio-economico e ambientale significativo. Come esempio concreto, lavorando su un gemello digitale del traffico a Roma, abbiamo simulato l\u2019impatto 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 anzich\u00e9 diminuire perch\u00e9 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 \u00e8 potenzialmente preoccupante perch\u00e9, 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<\/strong>. Questi problemi, legati a una riduzione delle possibilit\u00e0 di scelta <\/strong>determinate dai suggerimenti dell\u2019IA, si riscontrano anche in altri ambiti: ad esempio, gli algoritmi di suggerimento nell\u2019e-commerce aumentano la diversit\u00e0 degli acquisti dei singoli individui, ma riducono la diversit\u00e0 complessiva del mercato, creando anch\u2019essi un effetto di concentrazione. I prodotti pi\u00f9 popolari vengono spesso amplificati, mentre quelli di nicchia subiscono un\u2019ulteriore penalizzazione. Una possibile soluzione potrebbe essere l’inclusione di randomizzatori<\/strong> oculari nei sistemi di raccomandazione. La sola introduzione di un livello ragionevole di casualit\u00e0<\/strong> fa scomparire gli effetti sopra descritti o addirittura li spinge nella direzione opposta.<\/p>\n\n\n\n Tuttavia, ha parlato dello sviluppo di strumenti e strategie per sfruttare l’intelligenza artificiale in modo \u00abaltruistico\u00bb e incentrato sulla comunit\u00e0.<\/strong><\/p>\n\n\n\n Se si introducesse un certo grado di coordinamento e si utilizzasse l\u2019intelligenza artificiale per promuovere la cooperazione<\/strong>, si potrebbero ottenere benefici finora del tutto inesplorati. Tornando all\u2019esempio del traffico, se gli algoritmi cercassero di promuovere soluzioni collettivamente pi\u00f9 efficaci, secondo le nostre simulazioni le emissioni potrebbero essere drasticamente ridotte. Ritengo che intervenire in questo ambito potrebbe portare a una significativa riduzione dell\u2019inquinamento informativo<\/strong>, che ha un impatto notevole sulla polarizzazione e sulla radicalizzazione presenti nella nostra societ\u00e0. La creazione di strumenti che promuovano in modo trasparente pratiche di nudging, influenzando le scelte individuali per cercare di promuovere la diversificazione<\/strong> e il benessere collettivo<\/strong>, potrebbe essere importante per comprendere meglio la complessit\u00e0 dei sistemi sociali. Le persone hanno naturalmente la tendenza a conformarsi il pi\u00f9 possibile; un’eccessiva conformit\u00e0 significa che non sfruttiamo adeguatamente tutte le opportunit\u00e0 offerte da un sistema complesso. Non riusciamo a vedere come una scelta non conformista possa in realt\u00e0 a volte avvantaggiarci notevolmente, e anche in settori come la rigenerazione, cercare di diversificare i processi e le materie prime <\/strong>potrebbe portare a una maggiore efficienza e a benefici collettivi<\/strong>. Naturalmente, non \u00e8 necessario cercare di massimizzare il fattore casuale in ogni caso, ma di comprendere meglio i compromessi tra diversificazione e standardizzazione.<\/p>\n\n\n\n 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 comporter\u00e0, ovvero la perdita di flessibilit\u00e0 nella risposta ai picchi di domanda dovuta alle caratteristiche intrinseche delle energie rinnovabili rispetto ai combustibili fossili?<\/strong><\/p>\n\n\n\n Ritengo sia importante avvalersi sia dell’apprendimento automatico sia<\/strong>, pi\u00f9 in generale, dello studio dei sistemi complessi <\/strong>per garantire condizioni ottimali<\/strong> 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 \u2013 che risulterebbero meno resilienti \u2013 potrebbe comunque risultare complessivamente pi\u00f9 stabile. Infatti, il modello centralizzato su cui facciamo affidamento oggi pu\u00f2 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 pu\u00f2 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 pi\u00f9 un rischio. In questo ambito, l’intelligenza artificiale potrebbe essere utilizzata per costruire modelli in grado di prevedere meglio la struttura della domanda<\/strong> e di stimare con maggiore precisione la produttivit\u00e0 di impianti singoli o di piccole dimensioni diffusi. Esistono alcuni studi attuali che riflettono su come utilizzare ogni risorsa in modo creativo<\/strong>; 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.<\/p>\n\n\n\n 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?<\/strong><\/p>\n\n\n\n L’uso del data mining e della scienza delle reti pu\u00f2 aiutarci a individuare i punti critici, consentendoci cos\u00ec di progettare reti pi\u00f9 efficaci e migliorare l’efficienza complessiva<\/strong>. Questo approccio utilizza reti complesse a pi\u00f9 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 sar\u00e0 indispensabile per ripensare in modo ottimale temi quali il trasporto di energia e la mobilit\u00e0 delle persone, e dipender\u00e0 in particolare dalla crescente disponibilit\u00e0 di dati.<\/p>\n\n\n\n Quali sono le principali sfide legate ai pregiudizi nei modelli di intelligenza artificiale?<\/strong><\/p>\n\n\n\n Storicamente, negli studi di scienza delle reti e di scienza dei dati, \u00e8 sempre stata prestata grande attenzione ai pregiudizi sottostanti ai modelli costruiti. La situazione \u00e8 cambiata di recente con la proliferazione di modelli di IA che sono di fatto delle \u201cscatole nere\u201d. Nel nostro laboratorio, stiamo cercando di sovrapporre un livello di \u201cspiegabilit\u00e0\u201d 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 pi\u00f9 a rischio. Allo stesso tempo, stiamo cercando di sviluppare nuovi modelli che siano pi\u00f9 trasparenti<\/strong> fin dall’inizio. Non siamo gli unici ed \u00e8 gi\u00e0 possibile trovare una serie di best practice; dopotutto, l\u2019assenza di trasparenza nei modelli di business pi\u00f9 diffusi non \u00e8 una caratteristica necessaria, sebbene sia molto diffusa. Un altro problema importante \u00e8 che la diffusione di questi strumenti \u00e8 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.<\/p>\n\n\n\n \u00c8 inoltre necessario avviare una riflessione pi\u00f9 ampia su questo tema, poich\u00e9 un uso sconsiderato di strumenti come i modelli linguistici di grandi dimensioni da parte di persone che non ne conoscono i limiti pu\u00f2 causare gravi problemi. Ad esempio, tornando alla discussione su come l\u2019IA possa portare a una perdita di diversit\u00e0, occorre tenere presente che la maggior parte di questi strumenti opera seguendo una visione del mondo monolitica<\/strong>, funziona prevalentemente in inglese e promuove un\u2019estrema omogeneizzazione<\/strong>, sfociando quasi in una forma di colonialismo informativo<\/strong>.<\/p>\n\n\n\n <\/p>\n\n\n\n Photo credits: NASA<\/p>\n","protected":false},"featured_media":4712,"template":"","class_list":["post-4714","editorial","type-editorial","status-publish","has-post-thumbnail","hentry"],"acf":[],"yoast_head":"\n