Sfida 2: Tecnologia¶
Per quanto oggi l’Intelligenza Artificiale (IA) non sia in grado di riprodurre il funzionamento complesso della mente umana [1], ma solo approssimare alcune abilità circoscritte [2], si tratta di una disciplina che, maturata nel corso di sessant’anni di ricerca scientifica, metodologica e tecnologica, è divenuta ormai pervasiva nell’industria e nella società. I suoi modelli e i suoi metodi possono senz’altro essere utilizzati convenientemente come strumenti per la realizzazione di soluzioni innovative nell’ambito di sistemi socio-tecnici complessi come quello delle amministrazioni pubbliche, a condizione che vengano compresi, assieme alle opportunità, i limiti del loro campo di applicabilità.
Le nuove frontiere di particolare interesse per la Pubblica amministrazione sono quelle relative agli studi e alle ricerche su come i sistemi di IA possano essere in grado di cooperare nel modo più efficace con gli esseri umani. Questo approccio sfrutta le capacità di apprendimento automatico e di adattamento dei sistemi di IA in modo da fornire un’interazione uomo-macchina che meglio risponda alle esigenze degli utenti, ai loro interessi, al contesto reale nel quale operano. Diventa dunque importante condurre ricerche consistenti nell’indagine metodologica, nella modellazione, realizzazione e sperimentazione di sistemi di Intelligenza Artificiale per vari domini d’interesse della PA.
Di sicuro interesse sono le tecnologie linguistiche (Natural Language Processing - NLP) che stanno alla base di un gran numero di applicazioni che rientrano nell’ambito dell’Intelligenza Artificiale. Il dispiego di queste tecnologie, basate oggi in larga misura su software Open Source, richiede la disponibilità di specifici dataset testuali (es. corpora annotati), lessicografici e semantici (es. wordnet), nonché la diffusione di competenze specialistiche necessarie per gestire i processi di addestramento e adattamento ai diversi ambiti applicativi (es. la sanità, la giustizia, la finanza). La carenza o l’indisponibilità di adeguate risorse per la lingua italiana, unita ad un deficit di competenze nell’uso delle tecnologie di NLP, potrebbe causare sia una perdita di competitività rispetto ad altre nazioni, sia una dipendenza da piattaforme e soluzioni fornite da un ristretto numero di soggetti che operano in condizioni di monopolio.
Le caratteristiche distintive della “sfida tecnologica” possono pertanto essere individuate da due parole chiave: “personalizzazione” e “adattività”.
Vincere questa sfida significa infatti riuscire a realizzare sistemi e servizi della PA modellati sulle molteplici necessità dei cittadini, capaci di evolvere con esse, in grado di favorire esperienze personalizzate.
Questo tema si può affrontare in maniera analitica collegando i settori e le tecnologie più sviluppati nel campo dell’Intelligenza Artificiale, con le attività e i compiti tipici della Pubblica amministrazione.
Gli ambiti di impiego di tecnologie [3] “intelligenti” nella Pubblica amministrazione sono innumerevoli, non solo in una prospettiva di lungo periodo, ma, in alcuni casi, anche nell’attualità. A titolo di esempio, qui possiamo menzionare:
- Sistema sanitario: strumenti diagnostici in grado di assistere nelle analisi di referti; integrazione di fonti diverse e fusione di dati; analisi epidemiologiche per identificare precocemente rischi di salute pubblica; servizi di traduzione istantanea per facilitare le visite mediche ospedaliere e territoriali a stranieri; strumenti predittivi per valutare potenziali rischi di evoluzione delle malattie o per valutare l’efficacia delle terapie; strumenti di assistenza ai pazienti, in grado di seguirli durante un trattamento; medicina di precisione, per l’individuazione di cure personalizzate; migliore organizzazione logistica delle attività delle strutture sanitarie.
- Rapporti col cittadino: nella semplificazione delle procedure e allo scopo di ottenere una comunicazione bidirezionale tra PA e cittadino e una interazione personalizzata in cui il cittadino abbia tutto il supporto necessario per soddisfare le sue più variegate esigenze.
- Sistema giudiziario: semplificazione della normativa; identificazione di frodi; contrasto della corruzione e della criminalità, specialmente quella organizzata; riduzione del contenzioso civile mediante accesso facilitato a normative e giurisprudenza; digitalizzazione degli atti e comprensione del testo e delle informazioni presenti.
- Sistema scolastico: strumenti automatici per la valutazione; personalizzazione del materiale didattico; tutoring automatizzato, per mezzo di strumenti di raccomandazione per tenere viva l’attenzione; suggerimenti inerenti variazioni personalizzate da introdurre nel programma scolastico; estrazione di indicatori predittivi di rischio di abbandono scolastico.
- Sicurezza: l’IA amplifica l’impatto integrato dei dati strutturati e non strutturati disponibili pubblicamente, grazie alle quali può supportare forme avanzate di gestione e prevenzione nell’ambito della sicurezza pubblica.
- Pubblico impiego e collocamento: organizzazione del personale e delle carriere; orientamento al lavoro e gestione dei processi interni e della documentazione.
- Mobilità e trasporti: gestione dei flussi veicolari, modelli predittivi di traffico ed inquinamento, gestione della logistica dei trasporti pubblici, ma anche soluzioni di trasporto a guida autonoma; monitoraggio in tempo reale dei dati provenienti dalla sensoristica.
- Sistema tributario: applicazione di tecniche di IA per identificare casi di potenziale elusione ed evasione fiscale attraverso l’analisi e l’incrocio di dati provenienti dai diversi settori dello Stato;
- Monitoraggio ambientale: l’uso di algoritmi di machine learning su dati di sensori wireless 5G (p.es. videocamere, rilevatori di radioattività, sostanze chimiche, temperatura, luminosità, umidità etc.) potrebbe permettere di monitorare e intercettare eventi critici del territorio (es. una ricerca automatica di eventi su dati di videosorveglianza combinata con analisi da rilevamento di sostanze chimiche per individuare eco-reati come sversamento di sostanze nocive; analogamente possibile definire indicatori per incendi, alluvioni, crolli, etc.).
Box Il tema dell’IA è decisamente vasto ed ovviamente ogni area di applicazione ha le sue peculiarità e ricerche di frontiera. A titolo esemplificativo si segnalano quelle sulla cosiddetta one-shot learning, cioè la capacità di apprendere da un solo esempio, ed il reinforcement learning per apprendere strategie di comportamento; infine le Strong AI, legate alla Neuro Evolution e alla Brain Intelligence. Nella Neuro Evolution si tratta di simulare qualcosa di simile all’autocoscienza. La Brain Intelligence è invece una tecnica molto promettente che ha l’ambizione di poter creare sistemi di IA che comunicano spontaneamente tra loro. In questo modo, si spera di risolvere tre problemi tipici dell’Intelligenza Artificiale (nella sua declinazione di “intelligenza generalizzata”):
|
Note
| [1] | Le ricerche sulla cosiddetta Full intelligence e sulla Strong AI, sia sul lato della Neuro Evolution (NE), sia su quello della Brain Intelligence (BI), sono ancora in fase embrionale. |
| [2] | Tipicamente quelle che, in ambito percettivo (vista e udito), deduttivo (ragionamento, planning, decision-making, strategie di gioco), di analisi, di esecuzione (movimento, manipolazione) e di interazione (uso del linguaggio naturale), non ci richiedono più di un secondo per fornire una risposta a uno stimolo esterno. |
| [3] | Consulta le tecnologie elencate all’interno del capitolo 2. |
| [4] | Peter Norvig, S.J. Russel, 2003 - “Artificial Intelligence: a modern approach” - Prentice Hall Series in Artificial Intelligence |