Il futuro? Si sceglie studiando il virtuale

NEL MONDO DEL BUSINESS, MA ANCHE IN QUELLO DELLA POLITICA E DELLE SCELTE POLITICHE, CRESCE L'IMPORTANZA DEI MODELLI E DELLE SIMULAZIONI RESE POSSIBILI ANCHE DAI BIG DATA. PER QUESTO IL MANAGER DEVE IMPARARE A NAVIGARE TRA GLI ALGORITMI

di Emanuele Borgonovo, direttore del Bemacs Bocconi

Bitcoin, autotrasportatori, industria 4.0 sono tra i temi di attualità del dibattito e della discussione nella comunità imprenditoriale: l’intelligenza artificiale è il fil-rouge che li collega. Nell’ambito dell’intelligenza artificiale, la modellazione computazionale sta diventando sempre più importante. Come segno dei nostri tempi, il 20 febbraio, l’Ufficio governativo per la scienza del Regno Unito ha pubblicato un rapporto sulla modellazione computazionale. Quest’ultimo riconosce l’importanza che i modelli computazionali e i simulatori stanno guadagnando nel mondo degli affari per aiutare il processo decisionale e aumentare la competitività: «I modelli computazionali ci permettono di fare esperimenti virtuali what/if sul nostro mondo prima di provare le cose per davvero. Questo presenta enormi nuove opportunità, che dobbiamo sforzarci di cogliere».
Queste dichiarazioni rivisitano idee che stavano maturando nel settore almeno negli ultimi cinquant’anni. Per esempio, la seguente citazione è attribuita a Frederick W. Smith, il noto fondatore di FedEx: «Modellando varie alternative per la progettazione di sistemi futuri, Federal Express ha, in effetti, commesso i suoi errori sulla carta. La modellazione al computer funziona, ci permette di esaminare molte alternative diverse e costringe a esaminare l'‘intero problema».
Non solo, ma come è ben noto, i modelli computazionali sono fondamentali per aiutare i decisori politici a decidere su importanti questioni sociali come l’identificazione di politiche per mitigare gli effetti dei cambiamenti climatici.
A volte, i modelli sono l’unico modo in cui possiamo comprendere relazioni complesse in grandi set di dati. L’Enciclopedia della filosofia di Stanford, nel capitolo dedicato ai modelli nella scienza, evidenzia che si sviluppano principalmente due tipi di modelli: modelli di fenomeni e modelli di dati. Nel caso dei modelli di fenomeni, il modello è uno dei tre vertici del triangolo scientifico: un vertice è una teoria scientifica, un secondo vertice è un modello matematico, le cui equazioni discendono dalla teoria, e il terzo vertice è il fenomeno del mondo reale che è spiegato dalla teoria e descritto dal modello matematico. A volte, però, il vertice teorico potrebbe mancare o addirittura essere impossibile da costruire.

Poi entrano in gioco i modelli di dati, essenziali nel business di oggi. Disponiamo di un’enorme quantità di dati, il cui rapido e corretto utilizzo è un fattore chiave per la competitività e talvolta anche per la sopravvivenza di un’azienda, grande o piccola che sia. I dati devono essere interpretati mediante modelli computazionali per fornire informazioni utili. Partendo dai dati di un grande marchio di moda, una brillante società italiana di data science ha creato un modello di ottimizzazione lineare (tecnicamente un programma lineare) per supportare la logistica. Perché il modello? Il management dell’azienda vuole considerare il problema nella sua interezza; date le diverse sedi e merci da trasportare, si rende conto di avere oltre un milione di strategie tra cui scegliere: nessun essere umano sarebbe in grado di individuare la soluzione migliore in pochi secondi.
Il tipo di modello di supporto decisionale in questione è un modello di ottimizzazione e necessita di strumenti matematici per trovare in modo efficiente il costo minimo o il profitto massimo. Questo modello di ottimizzazione supporta direttamente una decisione aziendale. I problemi di ottimizzazione stanno diventando così complessi che gli scienziati stanno pensando di utilizzare strumenti di intelligenza artificiale (come le reti neurali artificiali) per aiutare a trovare la soluzione ottimale. Allo stesso tempo, diversi problemi di intelligenza artificiale, per esempio l’addestramento di una rete neurale artificiale, sono in realtà problemi di ottimizzazione. Cioè, ora stiamo assistendo a una fecondazione incrociata delle discipline scientifiche, che sembrava distante solo pochi anni fa. E il punto di vista commerciale? Le implicazioni sono numerose e siamo solo nella fase iniziale, ma il ritmo di sviluppo è rapido e la contaminazione incrociata lo renderà ancora più veloce. Poi, diventa sempre più importante per i manager essere esposti a questa evoluzione, per conoscerne i nuovi strumenti. Come continuava a ripetere John Little, professore emerito del Mit, il manager non ha bisogno di essere uno specialista dei dettagli tecnici. Tuttavia, il manager deve essere in grado di sapere quale algoritmo può aiutarlo a risolvere il problema di business che sta affrontando.