scenari

Intelligenza Artificiale per lo sviluppo sostenibile: casi d’uso e prospettive

La Computational Sustainability riguarda l’uso di tecniche computazionali per risolvere problemi legati allo sviluppo sostenibile che per complessità e scala sono certamente estremamente sfidanti, ma altrettanto impattanti sulla qualità della nostra vita. Una panoramica sui problemi e le possibili soluzioni

14 Ott 2020
Michela Milano

Professoressa Ordinaria presso il Dipartimento di Informatica dell'Università di Bologna, Vice Presidente dell'EurAI, Membro di AIxIA e Direttrice Centro Interdipartimentale Alma Mater Research Institute for Human-Centered Artificial Intelligence — (Alma AI)


L’uso dell’intelligenza artificiale si sta facendo strada anche in applicazioni legate al settore pubblico, alla definizione delle politiche e allo sviluppo sostenibile sulla scia di quella che viene definita la Computational Sustainability.

Vediamo da dove trae origine e quale impatto potrà avere sulle nostre vite.

Sviluppo sostenibile e intelligenza artificiale: le sfide

Il termine “sviluppo sostenibile” è stato coniato nel 1987 dalla premier norvegese Gro Harlem Brudntland, a capo della Commissione mondiale sull’ambiente e lo sviluppo; si tratta di uno sviluppo in grado di soddisfare i bisogni fondamentali attuali senza inficiare la possibilità alle generazioni future di soddisfare i propri bisogni.

“Lo sviluppo sostenibile, (…) è un processo di cambiamento tale per cui lo sfruttamento delle risorse, la direzione degli investimenti, l’orientamento dello sviluppo tecnologico e i cambiamenti istituzionali siano resi coerenti con i bisogni futuri oltre che con gli attuali.”

Nel 2007, la professoressa Carla Gomes (Cornell University) ha vinto una NSF Expeditions-in-Computing fondando un nuovo campo di ricerca: la Computational Sustainability. Questo campo riguarda l’uso di tecniche computazionali per risolvere problemi legati allo sviluppo sostenibile che per complessità e scala sono certamente estremamente sfidanti, ma altrettanto impattanti sulla qualità della nostra vita.

I tre pilastri dello sviluppo sostenibile – l’economia, la società e l’ambiente – pongono sfide importanti che fino a poco tempo fa non potevano essere affrontate con tecniche computazionali a causa della scala e della complessità dei problemi coinvolti. Oggi, grazie alla raccolta di grandi quantità di dati e grazie allo sviluppo di macchine di super-calcolo sempre più potenti, l’Intelligenza Artificiale è in grado di affrontare queste sfide sociali per supportare decisioni strategiche e politiche. Alcuni esempi di problemi legati allo sviluppo sostenibile sono:

  • la gestione degli ecosistemi naturali e la tutela della biodiversità,
  • la gestione e l’ottimizzazione delle risorse energetiche, in particolare quelle provenienti da fonti rinnovabili,
  • la gestione delle risorse idriche, la gestione dei disastri naturali come inondazioni, incendi, uragani, terremoti e tsunami,
  • la mitigazione dei cambiamenti climatici.

In questi contesti è fondamentale avere sistemi in grado di supportare la definizione di politiche basate sui dati, trasparenti e condivise.

Definizione di politiche per lo sviluppo sostenibile: i problemi

Nei problemi legati alla definizione di politiche per lo sviluppo sostenibile, abbiamo normalmente a che fare con i cosiddetti sistemi socio-tecnici, sistemi cioè che coinvolgono infrastrutture tecniche artificiali, dinamiche umane e sociali, fenomeni naturali e impatti ambientali. Costruire sistemi intelligenti in grado di gestire questi contesti è estremamente complesso e richiede la capacità di mettere in campo sistemi di analisi di dati in grado di costruire ed integrare modelli descrittivi, predittivi e prescrittivi, capacità di integrare conoscenza dagli esperti di dominio e interagire con essi, capacità di modellare ed interpretare dinamiche umane e sociali ed aspetti etici.

WEBINAR
Come ottenere un approccio Agile con Intelligenza Artificiale e Machine Learning?
Big Data
Intelligenza Artificiale

In primo luogo, a partire dai dati che riusciamo sempre più di frequente a raccogliere in questi contesti, si possono costruire modelli descrittivi che illustrano il funzionamento del sistema, delle sue componenti e delle interazioni tra queste; modelli predittivi che cercano di prevedere, seppur con una certa approssimazione, le dinamiche future del sistema e modelli prescrittivi che suggeriscono decisioni ed azioni sul sistema stesso. Questi modelli, detti data-driven poiché vengono estratti dai dati disponibili tramite tecniche di machine learning (apprendimento automatico), devono necessariamente essere arricchiti con la conoscenza degli esperti di dominio che permettono da una parte di semplificare il processo di apprendimento e dall’altra di inserire all’interno dei modelli quella conoscenza ed esperienza sviluppata dagli esseri umani in un certo contesto. Infine, per poter essere realistici e fornire delle soluzioni affidabili, questi modelli devono integrare aspetti sociali, umani ed etici in modo che le decisioni prese siano effettivamente utili.

Un caso d’uso: il sistema intelligente di gestione delle inondazioni

Prendiamo, come caso esemplificativo, un sistema intelligente che è stato costruito qualche anno fa dal gruppo di ricerca capeggiato dal Professor Pascal Van Hentenryck del NICTA in Australia sulla gestione delle inondazioni. Siamo nella Hawkesbury Nepean Region in prossimità della diga di Warragamba che, a fronte di precipitazioni eccezionali, rischia l’esondazione provocando l’allagamento di una vasta porzione di territorio. La zona residenziale è occupata da circa 75.000 persone che devono essere evacuate e portate in una decina di centri di raccolta sulle colline circostanti, possibilmente con i propri mezzi.

I dati provenienti dalla rete stradale e dai flussi di traffico rilevati permettono di costruire un modello descrittivo della potenziale capacità di mobilità della rete stessa. È poi necessario costruire un modello predittivo dell’inondazione in grado di stimare con una precisione elevata l’arrivo dell’acqua in una determinata zona. Infine, sulla base di questi modelli si può costruire un modello prescrittivo in grado di pianificare l’evacuazione dei residenti in modo da permettere a tutti di raggiungere i centri di accoglienza prima che l’acqua blocchi il percorso stradale da intraprendere.

Immagine che contiene tavolo, sedendo, cibo, contatore Descrizione generata automaticamente
Immagine che contiene testo, mappa Descrizione generata automaticamente

Fig. 1: modello descrittivo della rete stradale, simulatore predittivo dell’arrivo dell’acqua, modello prescrittivo per il piano di evacuazione

Dopo aver sviluppato la prima versione del sistema, i ricercatori del NICTA hanno mostrato agli esperti della protezione civile i piani di evacuazione calcolati dal sistema e le simulazioni degli stessi. A fronte di questa interazione, hanno scoperto che le soluzioni che avevano prodotto usando solo modelli basati sui dati erano poco realistiche. Un esempio su tutti: se nello stesso quartiere, gli abitanti vengono fatti partire verso i centri di accoglienza in momenti diversi della giornata, quelli che dovrebbero aspettare il turno successivo sono spinti a partire comunque perché vedono altri partire creando ingorghi imprevisti. Questo avviene perché le persone, in situazioni di emergenza, prese del panico non agiscono razionalmente e per proteggere la propria vita e quella dei propri cari diventano egoiste. Pertanto, se costruiamo modelli che non prendono in considerazione gli aspetti umani e le dinamiche sociali questi finiscono per essere poco realistici e, di fatto, inutilizzabili. Una volta modificato il modello con questo vincolo aggiuntivo, gli esperti della protezione civile hanno considerato il sistema effettivamente utilizzabile ed estremamente efficace. Infatti, il sistema così concepito è stato in grado di costruire piani di evacuazione in grado di portare nei centri di accoglienza con i propri mezzi la totalità dei residenti, mentre il piano della protezione civile progettato sostanzialmente a mano solo l’85% degli stessi.

Conclusioni

Guardando questi numeri possiamo certamente affermare di essere di fronte ad un risultato eccezionale. Tuttavia, non possiamo fare a meno di domandarci: se il sistema non riuscisse in alcun modo a portare in salvo la totalità persone, come potrebbe decidere chi lasciare indietro? Esistono dei criteri etici e morali universalmente accettati che permetterebbero ad un sistema intelligente di prendere una decisione accettabile? Questi sono certamente quesiti che un progettista di sistemi di supporto decisionale deve porsi e ai quali la ricerca in Intelligenza Artificiale sta iniziando a prestare grande attenzione.

A riprova di ciò, la Commissione Europea ha recentemente pubblicato il White Paper sull’Intelligenza artificiale che sostiene il cosiddetto approccio “Trustworthy Artificial Intelligence” che prevede la costruzione di sistemi intelligenti che rispettino una serie di requisiti che mettono la persona al centro e che li rendano così affidabili. Questi requisiti sono la robustezza, l’affidabilità, la capacità di fornire spiegazioni sui propri risultati e giustificare le proprie decisioni. C’è ancora molta strada da fare in questa direzione ma è fondamentale che l’Italia e l’Europa perseguano una strategia tecnologica che veda la persona al centro, nel rispetto della privacy, e che porti impatti positivi sulla sostenibilità, sull’ambiente e sulla società tutta.

@RIPRODUZIONE RISERVATA

Articolo 1 di 4