Lo stregone dei dati - The data warlock #007
Lo stregone dei dati - The data warlock #007
Combinare dati e informazioni mediante tecnologie trasformative, per gestire l'azienda come una "data & technology company".
“Molti dirigenti, molti scienziati, e quasi tutti i laureati delle università di economia credono che se analizzi i dati, questi ti forniranno nuove idee. Sfortunatamente, questa convinzione è totalmente errata. La mente può vedere solamente ciò che è preparata a vedere.”
Edward de Bono
Benvenuto alla newsletter dello Stregone dei dati. Seguimi in questo viaggio alla ricerca del tesoro nascosto della competitività di impresa. Saranno necessari molti incantesimi per superare le prove disseminate lungo il percorso, ma non temere: quelli che sembrano sortilegi in realtà sono il risultato dell’applicazione delle tecnologie digitali all’universo di dati che ci circonda.
Il mondo, in fondo, è un’informazione, e questa è la chiave per viverci e prosperare.
Abbonati, condividi e se vuoi contattami a alessandro.cederle@thedatawarlock.com.
Il mago della pioggia
100 dollari: è il compenso chiesto dal fascinoso Bill (Burt Lancaster) per interrompere la siccità che assedia l’arida fattoria del Kansas dove dimora l’ormai matura ma ancora affascinante Lizzie (Katharine Hepburn). Alla fine lui se ne andrà sotto un diluvio e lei sposerà lo sceriffo Fife (Wendell Corey) vedovo da poco. Morale della favola? C’è poco da fare i romantici, si sa, tra fascino e sicurezza alla fine vince la seconda. Ci sono gli uomini che hanno il respiro della tempesta e quelli che terranno compagnia con ogni tipo di tempo. Bill faceva salire le farfalle allo stomaco, ma lo sceriffo prometteva di essere un buon marito, e ha vinto lui.
Siamo negli anni ‘20 e il film è The Rainmaker, l’uomo della pioggia, appunto.
Certo nella nostra epoca scientista e positiva è estremamente difficile trovare qualcuno che sostenga di poter fare piovere a comando; ma almeno prevedere quando pioverà, questo è un mestiere, attività o passatempo sempre e saldamente popolarissimo.
“Tre nebbie fanno una piova, due fanno una bora”. “Canta il gallo in prima sera, o s’annuvola o s’asserena”. “Quando la vacca tiene il muso in su, brutto tempo viene su”. Osservando il volto del cielo o il comportamento degli animali, i nostri nonni pensavano di avere la chiave del futuro.
Tra i meteorologi odierni è un luogo comune che oltre il quarto giorno, qualunque previsione è un terno al lotto. Quando ci siamo allontanati dall’osservazioni di galli e mucche per provare a capirne qualcosa di più, modellizzando sistemi complessi che ci permettessero di simulare le alternative presenti, ci siamo accorti che quei sistemi complessi erano … beh, troppo complessi.
Galli, mucche e farfalle
Il famoso “effetto farfalla” è un concetto inventato proprio per esprimere gli effetti di questa complessità. Cos’è mai questo “effetto farfalla”, espressione che fa figo per cui viene prevedibilmente citata totalmente a sproposito? Tra tanti lo spiega molto bene Ian Malcolm, l’estroso matematico protagonista del primo Jurassic Park del compianto Michael Crichton; vi invito a leggere il libro, è appassionante e imparerete tante cose interessanti sui dinosauri e sulle farfalle.
Per come è stato espresso originariamente, l’”effetto farfalla” è quello per cui se una farfalla batte o non batte le ali in Brasile, in Texas ci sarà o non ci sarà un uragano.
La questione nacque quando alcuni meteorologi notarono che lo stesso modello previsionale, fatto correre più volte, forniva di volta in volta risultati diametralmente opposti. Spiego meglio: questi scienziati costruirono un sistema matematico e statistico che in base ad alcuni input relativi alle condizioni atmosferiche attuali (pressione, umidità, etc.) forniva delle previsioni sul tempo che farà. Per testare il tutto definirono un set di input, che alimentarono gli algoritmi, che fornirono delle previsioni. Lo lanciarono di nuovo, con gli stessi input, e ne ricavarono previsioni assolutamente diverse da quelle ottenute la prima volta.
Come è possibile? Cerca cerca, scava scava, verifica verifica, scoprirono che gli input forniti volta a volta erano sì identici, ma arrotondati a cifre diverse dopo la virgola. Parecchie cifre dopo la virgola. Arrotondamenti così lievi da essere reputati assolutamente ininfluenti e comunque difficili se non impossibili da misurare. Come il battito di una farfalla, appunto, variazioni subliminali nella pressione atmosferica, o nella temperatura al suolo.
Fatto sta che a causa dell’enorme complessità del sistema previsionale la differenza, pur infinitesima, si propagava amplificandosi fino a costituire una differenza sostanziale.
Queste osservazioni hanno dato vita alla c.d. “teoria del caos”, parte della “teoria della complessità”, altri nomi molto cool, che finalmente spiegano in modo onorevole lo stato abituale della mia scrivania. Se infatti eventi minuscoli e sostanzialmente casuali fanno la differenza nello stato finale di un sistema complesso, non ha senso che io eserciti la benché minima vigilanza sulla mia naturale attrazione verso il caos. Ma del modo in cui l’entropia governa l’universo (oltre che la mia scrivania) parleremo in altra occasione.
Ciò non esime il genere umano dal continuare a provarci. Farfalle o non farfalle, pervicacemente insistiamo nel tentare di prevedere che tempo farà domani, dopodomani e anche il giorno dopo. Prevedere se pioverà, e quanto pioverà, è importante non solo per i venditori di ombrelli in metropolitana ma per molti altri settori economici, dall’organizzazione degli eventi al trasporto aereo, dall’equilibrio della rete energetica ai servizi di emergenza.
Purtroppo, come è evidente, non è per niente facile.
Piovono pietre
Ladies & gentlemen, per fortuna ci pensa Google! Ci si è messo DeepMind, il formidabile sistema di intelligenza artificiale appartenente alla galassia del motore di ricerca. Ha concluso un accordo con il Met Office (praticamente i Bernacca britannici) e ha sviluppato un motore di deep learning che può prevedere, con precisione insuperata, la probabilità di pioggia nei prossimi 90 minuti. Sono le 18:30 e volete sapere se alle 20.00 pioverà o meno? Chiedete a DeepMind, non vi deluderà. Se vi interessa sapere cosa succederà alle 20:30, aspettate mezz’ora e chiedete di nuovo.
Un aspetto singolare di questo motore e di altri simili è che mentre sono meno efficaci dei meteorologi umani sulle previsioni relative al bel tempo, diventano più precisi per quanto riguarda le previsioni negative. Strano vero? Se volete sapere quando le cose gireranno per il verso giusto, interrogate un indovino; se invece vi interessa sapere quando the shit is going to hit the fan, chiedete al computer. Qui si chiude il cerchio e si spiega scientificamente il perché Lizzie ha sposato lo sceriffo; ai guizzi dei fulmini e i rombi dei tuoni preferiamo la staticità di un tempo placidamente sereno.
In generale, i sistemi basati su intelligenza artificiale sono più efficaci se mirati a previsioni specifiche, localizzate e di breve periodo; mentre l’essere umano è ancora più bravo quando si tratta di abbracciare uno scope più vasto, in quanto è in grado di leggere i vari indicatori, ricavarne una visione d’insieme e completarla tramite esperienza e intuito.
Sono molti gli sforzi di applicare l’AI alle previsioni atmosferiche e se volete approfondire trovate qualche link qui sotto. Molto ancora c’è da fare e il problema è lontano dall’essere risolto con quella precisione e affidabilità matematica che ci aspettiamo dai sistemi di intelligenza artificiale.
Osservazioni a latere
Prima di tutto, spero siate rimasti ammirati dell’esattezza con cui ho scritto ben 4 volte in modo corretto “meteorologo” e non “metereologo”.
Inoltre, devo parlarvi delle scie chimiche, un aspetto singolare che ho scoperto mentre facevo le ricerche per questo post.
Le scie chimiche esistono, come è indubitabile che Elvis sia ancora vivo.
Infatti risulta “scientificamente” che il 5G renda difficili le previsioni del tempo, tanto che i meteorologi (e 5!) di tutto il mondo sono estremamente preoccupati.
As a matter of fact, le lunghezze d’onda del 5G interferiscono con il lavoro dei satelliti utilizzati per le previsioni, rendendo difficile l’osservazione dei vapori acquei. Chissenefrega dei vapori acqui, direte voi? E’ stata anche la mia prima reazione, ma pare che la sorveglianza dei suddetti vapori acquei costituisca un importante elemento previsionale. Se continua così con il 5G, la nostra capacità di prevedere il tempo arretrerà di parecchi decenni.
Le alternative dunque sono due: o rinunciamo al 5G e continuiamo a vedere le partite di calcio a singhiozzo, oppure ci compriamo un gallo e una mucca, stiamo attenti a quando canta il primo, o se la seconda guarda verso il basso o verso l’alto, e così sapremo se domani piove o fa bello.
Cosa ci portiamo a casa
C’è un vecchio adagio che recita: “Tutti i modelli sono sbagliati, alcuni però sono utili”. Ci sono autorevoli società di consulenza che si pagano le bollette facendo previsioni a lungo termine: ma chi nel 2030 andrà a controllare (giusto per citare una previsione pescata a caso da Internet) se per quella data l'IoT avrà davvero generato tra i 5.500 e i 12.600 miliardi di dollari a livello globale, che poi tra l’altro è una bella forchetta? Liberiamoci dell’ossessione di voler prevedere il futuro. E’ difficile, per larga parte impossibile e se anche riusciamo ad azzeccare qualcosa il domani ci sorprenderà comunque perché avrà sempre sostanza e sapore diverso da quanto intravisto il giorno prima. Fissiamo nel sestante quelle poche stelle che il cielo nuvoloso ci permette di vedere, e ascoltiamo il nostro fiuto di marinai.
Non molliamo comunque . Prevedere il futuro non è solo difficile, è anche pericoloso (vedi Cassandra) ma non possiamo farne a meno perché l’alternativa è di navigare a vista, il che spesso vuol dire girare in tondo finché la prima tempesta (non prevista) ci tirerà a fondo.
Qualunque sistema previsionale deve rimanere semplice. Un sistema previsionale è utile in quanto fornisce delle ipotesi su quello che succederà in modo agibile (“actionable”). Se il sistema diventa complesso quanto la realtà, tanto vale.
E allora? L’espressione che non è ancora di moda ma lo sarà presto (vedi che anche a me piace fare previsioni?) è “human in the loop”. Costruisci un sistema previsionale ragionevole, fondato sui dati e su algoritmi complessi qb. Poi esercita intuito e serendipity. Se ti fermi al solo algoritmo, rischi di schiantarti senza neanche accorgertene. Se ti fermi solo all’intuizione, rischi di fare la figura dell’idiota presuntuoso e non ti consolerà sapere che fai parte della parte statisticamente più rappresentativa della popolazione.
Per approfondire: The Danger of Leaving Weather Prediction to AI - Deepminds AI predicts almost exactly when and where it’s going to rain
E ora un po’ di musica
Dimmi, ti ricordi, vetro della finestra, com'era dolce quando eravamo insieme?
Tutto era così grandioso, ma ora che ci siamo lasciati c'è solo un suono che proprio non sopporto.
Non sopporto la pioggia contro il vetro della mia finestra
La canzone di Ann Peebles ha quasi 50 anni ed è proprio super. Aspettate il primo giorno di pioggia, mettetela sul piatto (per così dire), alzate il volume, datele 30 secondi e poi provate a stare fermi. C’è una famosa versione di Tina Turner e una bellissima di Lowell George, qui ho scelto quella tratta dalla colonna sonora di The Commitments, film godibilissimo di Alan Parker, così magari vi viene anche voglia di vederlo e vale la pena. Tanto fuori piove.