Skip to main content

Secondo Eric Horvitz, la combinazione di enormi quantità di dati, analisi della psicologia umana e apprendimento meccanico possono consentirci di fronteggiare eventi sorprendenti.

di M. Mitchell Waldrop

Chi

Eric Horvitz, Microsoft Research

Caratteristiche

La gestione di eventi imprevisti si combina con la ricerca di dati e l’apprendimento meccanico per consentire alle persone di anticipare e fronteggiare eventi inusuali in modo positivo.

Sviluppi

Anche se la ricerca nel campo è preliminare, la gestione di eventi imprevisti dovrebbe aiutare chi prende le decisioni nei settori più diversi, come l’organizzazione del traffico, la medicina preventiva, la pianificazione militare, la politica, il commercio e la finanza.

Contesto

Un prototipo che mette in guardia gli automobilisti dalle sorprese del traffico di Seattle si è dimostrato efficace in test sul campo che hanno coinvolto migliaia di dipendenti della Microsoft. Sono ora al vaglio alcune ricerche per sperimentare applicazioni più estese.

Gran parte della vita moderna è legata alle previsioni: quando arriverà il prossimo uragano, come reagirà la borsa al crollo dei prezzi delle abitazioni, chi vincerà le prossime primarie. Anche se gli attuali modelli computerizzati predicono molti eventi abbastanza accuratamente, le sorprese non mancano e probabilmente sarà impossibile eliminarle. Ma Eric Horvitz, responsabile del gruppo ASI (Adaptive Systems and Interaction) a Microsoft Research, pensa che possiamo almeno minimizzarle, usando una tecnica che egli definisce “gestione di eventi imprevisti”.

Horvitz spiega che il suo sistema non può definirsi una sfera di cristallo tecnologica per prevedere cosa farà il mercato azionario domani o cosa ha progettato per il prossimi mese al-Qaeda. In realtà, egli sostiene, “pensiamo di applicare queste metodologie per esaminare gli eventi che ci hanno sorpreso nel passato e avere un’idea del tipo di situazioni che potrebbero sorprenderci in futuro”. I risultati dovrebbero essere di enorme utilità per chi prende decisioni in settore che vanno dalla sanità alla strategia militare, dalla politica ai mercati finanziari.

Senza alcun dubbio, ammette Horvitz, è una visione originale, ma che ha dato vita a un’applicazione nel mondo reale: SmartPhlow, un servizio di previsione del traffico che il gruppo di Horvitz ha iniziato a sviluppare e sperimentare a Microsoft fin dal 2003.

SmartPhlow si affida sia a computer da tavolo sia ad apparecchi Microsoft PocketPC. Il servizio descrive le condizioni del traffico a Seattle, usando una mappa della città in cui le strade intasate appaiono rosse e quelle con traffico snello sono di colore verde. Ma si tratta solo di un primo passo. In effetti, spiega Horvitz, “molte persone a Seattle già sanno che è meglio evitare alcune strade nelle ore di punta”. E una macchina che costantemente dice ciò che si sa già è realmente irritante. Quindi Horvitz e i suoi collaboratori hanno aggiunto software che mette in guardia gli utenti solo da eventuali sorprese, vale a dire quando si sviluppa un ingorgo imprevisto o quando uno snodo di solito bloccato si libera magicamente.

Ma come funziona? Per gestire efficacemente gli eventi sorprendenti, dice Horvitz, la macchina deve disporre di conoscenze – un buon modello cognitivo di quello che le persone trovano sorprendente – e capacità di prevedere l’evento insolito in modo che l’utente abbia il tempo di fare qualcosa.

Il gruppo di Horvitz ha raccolto per diversi anni dati sulle dinamiche e le condizioni del traffico in tutta Seattle e ha aggiunto informazioni su qualunque cosa possa influenzare questi dati: incidenti, condizioni atmosferiche, feste, eventi sportivi, persino visite ufficiali di grande rilievo. Poi, continua Horvitz, per decine di tratti di una particolare strada “abbiamo diviso la giornata in segmenti di 15 minuti e utilizzato i dati per calcolare una distribuzione probabilistica del traffico nelle diverse situazioni”.

Questa distribuzione ha fornito un modello abbastanza buono di quanto gli automobilisti ben informati si aspettano dal traffico della loro regione. “A questo punto siamo ritornati ai dati alla ricerca di ciò che le persone non si sarebbero mai aspettate, in particolare i punti dove i dati mostrano una deviazione significativa dal modello medio”. I risultati sono stati una grande banca dati di fluttuazioni insolite del traffico.

Ogni volta che i ricercatori individuavano un’anomalia statistica, tornavano indietro di 30 minuti, al punto dove il traffico sembrava muoversi come previsto e inserivano algoritmi d’apprendimento automatico per trovare nei diversi schemi elementi quasi impercettibili che potrebbero permettere di prevedere l’evento sorprendente. Gli algoritmi sono basati su tecniche di modellazione bayesiana, che calcolano la probabilità, basata sull’esperienza precedente, che accada qualcosa che permetterà ai ricercatori di valutare soggettivamente la rilevanza degli eventi che vi concorrono (si veda TR10, Bayesian Machine Learning, February 2004).

Il modello che ne viene fuori funziona indubbiamente bene, afferma Horvitz. Quando i suoi parametri sono stabiliti in modo che il tasso di falsi positivi si riduca al 5 per cento, il modello è in grado di prevedere circa la metà degli eventi insoliti che accadono nel sistema di viabilità a Seattle. Il dato potrebbe apparire poco significativo, ma si consideri che consente agli automobilisti di evitare il 50 per cento in più di situazioni impreviste di ogni altro sistema. Oggi, più di 5.000 dipendenti di Microsoft hanno questa “macchina degli imprevisti” sui loro smart phone e molti le hanno personalizzate per riflettere le loro preferenze.

Il gruppo di Horvitz sta collaborando con gli esperti del traffico e della viabilità di Microsoft per l’eventuale commercializzazione di SmartPhlow. Nel 2005 Microsoft ha annunciato di aver concesso la licenza della tecnologia più importante a Inrix di Kirkland, nello stato di Washington, che lo scorso marzo ha lanciato l’applicazione Inrix Traffic per apparecchi dotati di Windows Mobile. Il servizio offre previsioni del traffico, da qualche minuto fino a 5 giorni in anticipo, negli Stati Uniti e in Inghilterra.

Anche se nessuna delle tecnologie coinvolte in SmartPhlow è del tutto nuova, fa notare Daphne Koller, un’esperta di apprendimento meccanico e modellazione probabilistica della Stanford University, la loro combinazione e applicazione sono originali. “C’è stato un considerevole lavoro per scoprire le anomalie in una lunga serie di dati per rivelare aspetti importanti come le truffe con le carte di credito o il bioterrorismo”, afferma Koller. Ma il lavoro enfatizza le rilevazioni delle anomalie presenti, dice la studiosa, non la previsione di eventi che potrebbero accadere in un futuro prossimo. Inoltre, molti modelli predittivi trascurano i valori statistici non nella norma; Horvitz ne tiene invece accuratamente traccia. Ciò che rende il suo approccio unico, tuttavia, è la sua attenzione al fattore umano. Come sostiene Koller: “Horvitz sta esplicitamente provando a creare un modello del processo cognitivo umano”.

Il problema è fino a che punto una serie di attività umane possono essere rappresentate in questo modo. Anche se gli algoritmi impiegati in SmartPhlow sono, necessariamente, dominio specifico, Horvitz è convinto che l’approccio complessivo possa essere esteso a molte altre aree. Per questa ragione ha già parlato con scienziati della politica sull’uso della gestione di eventi imprevisti per la previsione, per esempio, di conflitti imprevisti. Horvitz manifesta anche ottimismo sul fatto di poter prevedere, per esempio, se un esperto sarà sorpreso dal cambiamento dei prezzi degli immobili in alcuni mercati, nel Dow Jones Industrial Average, o nel tasso di cambio di una valuta. Si potrebbero anche prevedere le tendenze commerciali. “Negli ultimi decenni, le aziende hanno fallito perché non hanno saputo anticipare l’avvento di tecnologie che avrebbero portato a una modifica del panorama competitivo”, spiega Horvitz.

Buona parte di queste applicazioni sono ancora lontane nel tempo, ammette Horvitz. “Si tratta di una visione di lungo periodo. Ma è molto importante perché è alla radice di ciò che noi definiamo saggezza, vale a dire la comprensione di quanto non sappiamo”.