Spiegazione dell'algoritmo
da Francisco Pasquale Romero (Coordinatore del Master U. in Ingegneria Informatica)
Questa settimana è notizia che ci sono stati, purtroppo, 26 morti sulle strade spagnole. Questo migliora le previsioni dei Big Data, o meglio degli algoritmi di intelligenza artificiale che fanno uso dei Big Data, che erano 36.
Diverse domande sorgono da questa previsione, prima di tutto, una cifra assoluta non è normalmente prevista o prevista, i risultati di una previsione sono solitamente un po' più complessi, ad esempio, viene offerto un grado di confidenza della cifra o in quale intervallo è più affidabile quella cifra. Un singolo numero è un buon dato per il pubblico ma non molto utile.
D'altra parte, in molte occasioni il processo di calcolo del numero è più prezioso del numero stesso. Presumibilmente, per ottenere quel "36" sono state prese in considerazione variabili come le serie temporali, le circostanze meteorologiche, ecc. Conoscere i fattori che influenzano la previsione è uno degli elementi più preziosi che esistono per aiutare il processo decisionale.
Infine, c'è la distorsione della previsione stessa. Quando prevedi qualcosa su un fenomeno, lo influisci già. Questa è una cosa che ho imparato dall'insegnante José Angelo Olivas più di 20 anni fa ed è ancora valido. Ad esempio, la DGT utilizza la figura per condizionare il nostro comportamento attraverso una campagna pubblicitaria, cercando di farci stare più attenti al volante. Cioè, i "big data" vengono utilizzati in modo che i "big data" non siano corretti, poiché l'importante non è farlo bene ma ridurre il numero di morti sulla strada.
Un altro esempio: Nadal agli Australian Open.
Tutti hanno visto l'immagine del 4% di possibilità di vittoria di Nadal contro il Medveveed nella finale dell'ultimo Australian Open. I titoli successivi assomigliavano a "Nadal Beats Big Data" ecc. Poche settimane dopo Marco Asensio segna un gol che, secondo il modello mostrato in televisione, aveva il 10% di possibilità di essere gol. Successivamente, titoli identici, forse quello che ci succede è che quando indichiamo la luna guardiamo il dito e non ci rendiamo conto di cosa c'è dietro quei numeri.
Probabilità vs possibilità. Una probabilità del 4% indica che la vittoria di Nadal era possibile e ancora di più con il sistema di punteggio del tennis. Non è un evento impossibile, è raro, ma non è impossibile. Fermiamoci un attimo, ogni 21 dicembre pensiamo che il giorno dopo andremo a vincere il jackpot della lotteria, e questo con una probabilità dello 0,001%, e lo riteniamo sempre possibile.
Come fa il modello a calcolare quella cifra? In primo luogo, viene utilizzata una probabilità a priori in cui Nadal aveva una probabilità del 36% di vincere l'incontro. Normalmente questi modelli a priori si basano su classifiche (superiori a quella di Medveded), serie passate, superficie di gioco, ultime partite, ecc. Poi c'è il futuro del partito; Prendendo un modello semplice che analizza situazioni storiche simili, solo in 4 partite su 100 su 5 set si è potuto risalire ad un risultato come quello. Se ci concentriamo su Nadal, era arrivato solo da 2 partite su 20 in quella situazione. Quindi il numero è giustificato, ma ci fornisce informazioni sufficienti?
Come si arriva a quel numero? Una figura è un istante, e valorizzando un istante perdiamo parte della storia. Ricordiamo il principio di indeterminazione di Heisenberg: se valutiamo una variabile in modo molto preciso perdiamo la prospettiva del resto. D'altra parte, raggiungere quel 4% dall'1% non equivale a scendere dal 32%. E non solo, non è solo necessario valutare quel numero, ma anche come si è evoluto successivamente durante la partita, e come eventi diversi come il salvataggio di un break ball o il break sopra nel terzo set possono cambiare notevolmente quella probabilità di vittoria. Questi eventi, conoscerli e analizzarli sono la chiave di questa analisi.
Come posso cambiare quella probabilità? Questa è la parte utile del numero, se dici a un giocatore in un dato momento che ha il 4% di possibilità di vittoria non gli stai dando niente di nuovo, lui lo sa guardando il tabellone. La cosa importante da contribuire è ciò che sta accadendo nel tuo gioco che ti sta portando alla sconfitta e come puoi cambiare quella dinamica. Vale a dire, l'utile sarebbe dire: "guarda Rafa, lui sta vincendo tutti i punti che tiri con la seconda di servizio e non hai doppi falli, tienilo a mente" o "dei servizi che ti lanci dall'altra parte perdi il 90% e con scambi inferiori a 3 palloni”. Questo è qualcosa che può essere utile al giocatore e all'allenatore, ovvero la vera utilità dell'applicazione di questi algoritmi e modelli.
In conclusione, i numeri isolati sono quei numeri, ma hanno bisogno di un contesto e di un'analisi dettagliata, non c'è bisogno di alcuna interpretazione “numerica” degli stessi. Algoritmi e modelli possono fornire molte più informazioni e conoscenze rilevanti che consentono di comprendere i comportamenti e come ottenere risultati migliori.
