Il punto di partenza di una organizzazione aperta è la condivisione di dati, informazioni e conoscenza organizzativa.
Per farlo si ricorre al data mining e ai big data, il processo che utilizza sofisticati algoritmi matematici (tra cui modelli di machine learning e modelli di intelligenza artificiale) per estrarre conoscenza utile da ampie banche dati (data lake).
Le banche dati possono sia contenere dati strutturati (come quelli ricavati attraverso i questionari per la rilevazione del benessere sociale sostenibile) che non strutturati o parzialmente strutturati (come quelli provenienti da sensori della rete (A)IoT[1] territoriale).
Il concetto di knowledge discovery e la sua utilità per le organizzazioni
Si parla più propriamente di knowledge discovery quando la conoscenza estratta assume una forma simbolica, ovvero può essere suddivisa in un insieme di regole di produzione esplicite espresse in una qualche forma di formalismo logico (e quindi processabili attraverso opportune query).
La conoscenza estratta mediante le tecniche di knowledge discovery può essere pubblicata in formato aperto (anche come linked open data), ovvero sotto forma di “dati che possono essere liberamente utilizzati, riusati e ridistribuiti, con la sola limitazione – al massimo – della richiesta di attribuzione dell’autore e della redistribuzione allo stesso modo (ossia senza che vengano effettuate modifiche alla licenza d’uso)” [2] .
Come descritto nel precedente articolo infatti, la semplice raccolta dati e la configurazione di cruscotti di indicatori destinati ai decisori politici non è sufficiente a garantire quella spinta innovativa che può permettere ad una Pubblica Amministrazione periferica di raggiungere gli obiettivi di sviluppo sostenibile 2030.
Come evitare l’overload informativo attraverso l’analisi dei dati
Per evitare problemi di overload informativo, come insegna l’ingegneria della conoscenza[3], è necessario dapprima analizzare con l’aiuto dell’ICT l’immensa mole di dati disponibili per poter ricavare nuova conoscenza utile per i decisori politici.
È inoltre necessario, come suggerito dalla gestione della conoscenza[4], esternalizzare o verbalizzare la nuova conoscenza acquisita, ovvero documentare attraverso una sorta di storytelling tutto l’iter che porta alla nascita di nuovi programmi, progetti e iniziative politiche, che eventualmente possa essere pubblicato e messo a disposizione della cittadinanza per aumentare ulteriormente il livello di trasparenza organizzativa della Pubblica Amministrazione periferica.
Figura 1 – Unorganized Turing Machine (UTM). Una macchina non organizzata di Turing è costituita da una rete di porte logiche (tipicamente porte NAND come in figura) che si auto-configura per fornire la spiegazione più plausibile che lega le variabili indipendenti oggetto di studio (es. età, genere, titolo di studio, residenza, nazionalità, tipologia di problematica riscontrata etc.) alla variabile dipendente che si intende studiare (es. punteggio di Kaufman con valori inferiori a 4). Nell’esempio rappresentato in figura, tratto da un lavoro presentato ad una conferenza internazionale di Informatica Sanitaria, il problema oggetto di studio (ovvero la variabile dipendente) era costituito dal superamento della soglia di spesa regionale pro-capite per interventi pertinenti al Sistema Sanitario Regionale. Una volta individuate tutte le configurazioni di rete UTM che coprivano la maggior parte dei casi conosciuti (presi dal registro regionale delle Schede di Dimissione Ospedaliera relativi al 2019) ottenute attraverso l’utilizzo dell’Evolutionary Bait Balls Model, un gruppo di esperti umani ha selezionato quella che riteneva più idonea alla individuazione di efficaci politiche di intervento. La configurazione di rete scelta dagli esperti rappresentata in figura era associata a casi programmati (reqType=1) con attivazione in dimissione dell’Assistenza Domiciliare Integrata (disMode=9 o disMode=4), a casi caratterizzati da problematiche principali (Major Diagnosis Categories o MDC) di disturbi del sistema cardiocircolatorio (MDC=5) o a casi di ricovero urgente (reqType=2) relativi a disturbi dell’apparato muscoloscheletrico (MDC=8), disturbi e disordini mieloproliferativi (MDC=17) e malattie infettive e parassitarie (MDC=18).
Figura 2 – Evolutionary Bait Balls Model (EBBM). Questo algoritmo di machine learning evolutivo permette di individuare più di una soluzione ottimale in un problema di configurazione di sistema (quale la scelta del pattern di connessioni tra le porte NAND che costituiscono la UTM). Gli algoritmi evolutivi utilizzati per questi compiti di ottimizzazione della configurazione di sistema, come gli algoritmi genetici, permettono in genere di individuare una sola soluzione ottimale, individuando nello spazio delle soluzioni possibili solo una delle tante disponibili. L’EBBM, simulando il comportamento di un banco di pesci che deve sfuggire all’attacco di più predatori contemporaneamente, permette di individuare tutte le soluzioni migliori possibili. Sta ai decisori politici, una volta individuate le descrizioni logiche migliori delle criticità più rilevanti segnalate a livello territoriale, scegliere quale strada intraprendere tra quelle suggerite dal modello di machine learning (EBBM-UTM). E’ il principio di equifinalità su cui si basano le organizzazioni aperte.
L’utilizzo di macchine non organizzate di Turing e algoritmi evolutivi nell’estrazione della conoscenza
Per estrapolare nuova conoscenza da dati e informazioni disponibili, si può ricorrere a modelli di intelligenza artificiale e di machine learning come la Macchina non Organizzata di Turing descritta in figura 1(addestrata con algoritmi evolutivi di ottimizzazione come l’Evolutionary Bait Balls Model [5] descritto in figura 2). Tale rappresentazione della conoscenza serve per estrapolare una descrizione logica esplicita e sintetica dell’insieme delle criticità segnalate dalla comunità locale. L’elaborazione dati effettuata dal modello EBBM-UTM serve innanzitutto per neutralizzare il pregiudizio della complessità (complexity bias) che porta i decisori politici a considerare i problemi da affrontare più complessi di quanto siano in realtà. Inoltre Il modello EBBM-UTM, basato su una tecnica di addestramento non riconducibile alle strategie di apprendimento della mente umana, rispetto ai modelli di AI generativa che vengono attualmente utilizzati come sistemi di supporto decisionale è esente da altri bias che affliggono tali sistemi come l’anchoring bias, il confirmation bias o il cognitive bias (come descritto nell’articolo “Decisioni prese dall’IA: i rischi a lungo termine”). La rappresentazione logica esplicita delle criticità segnalate dalla comunità locale può servire infine per comprendere quali portatori di interesse coinvolgere nelle successive attività progettuali e di pianificazione degli interventi.
La pubblicazione di dataset aperti come strumento di governo aperto
La pubblicazione di dataset aperti, derivanti anche all’attività di elaborazione dei dati grezzi provenienti dal territorio, rappresenta il primo passo di una strategia che si pone l’obiettivo di rendere disponibile e riutilizzabile il patrimonio informativo posseduto dalla Pubblica Amministrazione e dai suoi istituti territoriali.
Lo scopo è quello di promuovere un modello di governo aperto che, intensificando la collaborazione tra pubblico e privato, non solo rinnovi il reciproco rapporto di fiducia, ma permetta anche di instaurare un ciclo virtuoso di sviluppo economico sostenibile sul territorio. La disponibilità di open dataset permetterebbe infatti a organizzazioni ed aziende private di realizzare piattaforme in grado di processare tali dati, arrivando ad elaborare nuova informazione e conoscenza, nonché nuovi servizi digitali potenzialmente utili per il cittadino.
Nella fase successiva della esternalizzazione della nuova conoscenza acquisita dai dati territoriali, vengono documentate tutte le fasi di sviluppo di nuovi programmi, progetti e iniziative politiche, che eventualmente possono essere pubblicate e messe a disposizione della cittadinanza per aumentare il livello di trasparenza organizzativa della PA periferica. Tali attività possono essere pianificate dal comitato tecnico-scientifico individuato dall’organizzazione aperta territoriale e si attuano a cadenza regolare attraverso l’istituzione di appositi tavoli di progetto.
La Theory of Change per la pianificazione degli interventi
Come tecnica per esternalizzare e verbalizzare le soluzioni prese non solo dai decisori politici, ma anche da tutti i portatori di interesse coinvolti nella discussione, vengono spesso adottate tecniche riconducibili alla Theory of Change (ToC) [6]. La ToC permette di definire i dettagli delle attività di progetto che impattano sul benessere della comunità locale, condivisi con gli altri portatori di interesse che compongono l’ecosistema in cui si colloca la PA periferica. La ToC aiuta non solo a stabilire gli outcome e gli output delle attività di progetto, ma serve anche per valutare i rischi di progetto e le contromisure da adottare per scongiurarli o ridurne gli effetti.
La ToC è anche un ottimo modo per definire un cruscotto di indicatori di outcome e di output per tenere costantemente monitorato l’andamento dei differenti progetti avviati nell’ambito dell’ecosistema. Il punto di partenza della ToC è la definizione degli obiettivi di outcome, in maniera condivisa e partecipata tra i differenti stakeholders, selezionando dei sotto-obiettivi di quelli scelti dagli stakeholders tra quelli generici del PNRR, che siano ben delineati e conseguibili in un determinato lasso di tempo.
Il secondo step della ToC è quella della cosiddetta analisi if-then, ovvero partendo dagli obiettivi di outcome selezionati, si cerca di capire quali siano le condizioni necessarie per il relativo raggiungimento definendo le cosiddette strategie di cambiamento, ovvero i cambiamenti organizzativi interni dei vari stakeholders coinvolti e delle relazioni collaborative che si devono stabilire tra questi per raggiungerli. Da qui si iniziano a delineare le attività che devono essere effettuate dai vari stakeholders, a cominciare dalla PA periferica, assieme ai relativi output. Il terzo step della ToC è la valutazione dei rischi di progetto. Questi possono essere verticali, ovvero afferenti ad un determinato obiettivo di outcome, o orizzontali, ovvero afferenti a tutti gli obiettivi di outcome delineati. I rischi possono concernere la mancanza di risorse (es. finanziarie o infrastrutturali) o di competenze adeguate (es. skills o competenze professionali richieste), criticità di tipo organizzativo o procedurale (es. la mancanza di adeguate linee guida), criticità di tipo politico-normativo (es. la mancanza di politiche adeguate di supporto alle attività da effettuare o la carenza di normative in grado di supportarle). Una volta individuati i rischi vanno definite delle contromisure in grado di eliminarli o di ridurne in parte gli effetti negativi che possono avere sull’esito del progetto.
La fase finale della ToC è la predisposizione di un cruscotto di indicatori di outcome e di output per il monitoraggio dei vari progetti che sono stati avviati nell’ambito dell’ecosistema di riferimento.
L’estensione virtuale del luogo di scambio della conoscenza
È importante estendere attraverso la virtualizzazione il luogo dove avviene lo scambio e la trasformazione della conoscenza, facendo incontrare l’ecosistema della PA periferica con ecosistemi esterni. Questo luogo virtuale è quello che la gestione della conoscenza definisce “genius loci”. Per implementarlo si può ricorrere all’utilizzo di una piattaforma social di progetto in grado di supportare il metodo Kanban[7], ispirato ai principi del Toyota Production System.
Come anticipato nel precedente articolo, l’insieme di tutti i modelli di AI e di rappresentazione della conoscenza utilizzati, di tutta la documentazione e reportistica prodotta, degli strumenti social di progetto adottati e di tutti gli stakeholder coinvolti costituisce l’ambiente avanzato di apprendimento e di analisi delle informazioni denominato A.L.I.C.E. Copyright © 2023 Luigi Lella (Advanced Learning Information Computing Environment). Tale sistema può essere considerato, come lo definirebbe Nick Bostrom[8], una forma di superintelligenza di qualità che emerge da una rete costituita da persone e potenziata da modelli di AI per l’estrazione di conoscenza.
A.L.I.C.E.: un avanzato ambiente di apprendimento e analisi delle informazioni
In definitiva una organizzazione aperta è un sistema di apprendimento collaborativo come A.L.I.C.E. che scambia regolarmente feedback con l’ambiente esterno in cui opera, regolando il sistema organizzativo interno secondo le necessità espresse dal territorio, per raggiungere degli obiettivi condivisi (quali possono essere lo sviluppo economico sostenibile ed il miglioramento del benessere sociale).
L’ambiente esterno include un’ampia varietà di bisogni e criticità che possono influenzare l’organizzazione, ma che l’organizzazione non può controllare direttamente. Le influenze possono essere di natura politica, economica, ecologica, sociale e tecnologica.
L’importanza dei risultati per il successo di un’organizzazione aperta
I risultati (outcome) sono di fondamentale importanza per il successo di un’organizzazione aperta. I risultati riguardano i cambiamenti, o benefici, che la popolazione locale ottiene come risultato dell’utilizzo di un particolare prodotto o servizio. I risultati sono generalmente specificati in termini di cambiamento di:
1. Conoscenza (solitamente risultati a breve termine).
2. Comportamenti, in particolare quelli che comprendono abilità utili (spesso risultati intermedi).
3. Atteggiamenti, valori e condizioni, come maggiore sicurezza, stabilità, etica civile o orgoglio (di solito risultati a lungo termine)
Conclusioni
Caratteristica fondamentale di un sistema organizzativo aperto è l’equifinalità, ovvero la possibilità di ottenere risultati uguali o simili utilizzando una varietà di processi diversi. In altri termini un’organizzazione aperta territoriale può ottenere gli stessi risultati utilizzando input diversi o utilizzando processi diversi con gli stessi input.
L’equifinalità suggerisce che non esiste a priori un modo giusto per ottenere risultati importanti in un’organizzazione aperta[9]. Spetta solamente ai decisori politici della PA periferica scegliere quali dimensioni di analisi prendere in considerazione, quali soluzioni adottare tra quelle emerse con la metodologia A.L.I.C.E. e come implementarle recependo i suggerimenti provenienti dai partner della rete che costituisce l’organizzazione aperta territoriale.
Note
[1] W.Wei, V.Piuri, W. Pedrycz, S.H. Ahmed, “Artificial Intelligence-of-Things (AIoT): Opportunities, Challenges, and Solutions”, Future Generation Computer Systems, ScienceDirect, 2022.
[2] In base alla definizione fornita dall’Open Data Handbook, documento redatto dall’Open Knowledge Foundation ( http://opendatahandbook.org/it/)
[3] S.L. Kendal e M. Creen, “An introduction to knowledge engineering”, London, Springer, 2007
[4] I. Nonaka e H. Takeuchi, “The knowledge creating company: how Japanese companies create the dynamics of innovation”, New York, Oxford University Press, 1995
D. Astrologo e F. Garbolino, “La conoscenza partecipata”, Milano, Egea, 2013
[5] L.Lella, I.Licata, C.Pristipino, “Pima Indians Diabetes Database Processing through EBBM-Optimized UTM Model”, Proc. Healthinf 2022, 9-11 February 2022
L.Lella, I.Licata, C.Pristipino, “Artificial Intelligence Enabled Healthcare Ecosystem Model – AIEHEM Project”, Proc. Healthinf 2023, 16-18 February 2023
[6] https://www.unicef-irc.org/publications/747-theory-of-change-methodological-briefs-impact-evaluation-no-2.html
https://journals.sagepub.com/doi/epub/10.1177/13563890221107044
Gupta S., Zeballos J.C., Del Rio Castro G., Tomicic A., Morales S.A., Mahfouz M., Osemweige I., Sessi V.P.C., Schmitz M., Mahmoud N., Inyaregh M., “Operationalizing Digitainability: Encouraging Mindfulness to Harness the Power of Digitalization for Sustainable Development”, Sustainability 2023.
[7] D.J.Anderson, “Kanban – Successful Evolutionary Change for Your Technology Business”, Blue Hole Press, Washington, 2010
[8] N.Bostrom, “Superintelligenza – tendenze, pericoli, strategie”, Bollati Boringhieri, 2023
[9] J. Whitehurst, “L’Organizzazione Aperta, un nuovo modo di lavorare”, Garzanti, 2016.
