Ottenere approfondimenti a partire dai dati: correlazione non significa causalità

Uno sguardo interessante sulle insidie di un utilizzo inconsapevole di intelligenza artificiale, apprendimento automatico e altri metodi di correlazione senza esperienza in materia.

Il battage pubblicitario riguardante big data e intelligenza artificiale è sotto gli occhi di tutti: “Gli esperti non serviranno più, sarà sufficiente inserire i dati in algoritmi di apprendimento automatico o di intelligenza artificiale e il computer magicamente ci darà una risposta”. La realtà, però, è ben diversa, come affermato da Nate Silver: “I numeri non possono parlare per sé. Siamo noi a parlare per loro, infondendogli determinati significati”. Prendiamo, ad esempio, le previsioni dei voti degli esami scolastici. Nell'estate del 2020, il governo inglese ha utilizzato un modello predittivo per determinare i voti degli esami scolastici. I voti assegnati hanno suscitato grande scalpore, cosa di cui il governo ha incolpato l'algoritmo automodificante. Ciononostante, usare un codice postale come predittore dei voti degli esami era una palese scorrettezza. Non si è trattato di un fallimento dell'algoritmo, quanto di una mancanza di esperti in materia che potessero dare significato ai dati e intervenire sui modelli predittivi conseguenti.

Questo interessante webinar dimostrerà l'importanza di integrare una conoscenza in materia al know-how relativo all'analisi dei dati, per riuscire a trarne le conclusioni migliori. Delineeremo le situazioni in cui la previsione è sufficiente e come trattare il processo di modellazione dell'analisi dei dati quando il nostro obiettivo è aumentare la comprensione (come solitamente avviene in ambito di ricerca, sviluppo e produzione). Utilizzando diversi esempi, esploreremo alcuni approcci base all'apprendimento automatico, le relative insidie e come evitare di arrivare a conclusioni fuorvianti.

Ecco cosa apprenderai:

• L'importanza di usare intuizione, esperienza e conoscenza del proprio settore insieme a metodi basati su statistiche e apprendimento automatico.
• Come aprire in sicurezza la “scatola nera” degli algoritmi e dei metodi basati sui dati e coinvolgere il pubblico con grafiche semplici e interattive per mostrare i risultati raggiunti.