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’altro canto, in molti casi il processo di calcolo della cifra ha più valore della cifra stessa. Presumibilmente per ottenere quel “36” variabili come le serie temporali, le circostanze meteorologiche, ecc. sono state prese in considerazione. 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 in vigore. La DGT, ad esempio, utilizza il dato per condizionare il nostro comportamento attraverso una campagna pubblicitaria, cercando di renderci più prudenti al volante. Cioè, i "big data" vengono utilizzati in modo che i "big data" non siano giusti, 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 probabilità di vittoria di Nadal contro Medveveed nella finale dell'ultimo Australian Open. I titoli successivi assomigliavano a "Nadal sconfigge i Big Data", ecc. Qualche settimana dopo Marco Asensio segna un gol che, secondo il modello mostrato in televisione, aveva il 10% di probabilità di diventare gol. Successivamente titoli identici, forse quello che ci succede è che quando indichiamo la luna guardiamo il dito e non ci rendiamo conto 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 vincere, non gli stai dando nulla di nuovo, lo sa guardando il tabellone. La cosa importante a cui contribuire è ciò che sta accadendo nel tuo gioco che ti sta portando alla sconfitta e come puoi cambiare quella dinamica. Cioè la cosa utile sarebbe dire: "guarda Rafa, sta vincendo tutti i punti che tiri con la seconda di servizio, e non hai nessun doppio fallo, tienilo a mente" oppure "dei servizi che ha fatto" ti lancia al contrario stai perdendo il 90% e con scambi inferiori a 3 palline. Questo è qualcosa che può essere utile al giocatore e all’allenatore, questa è la vera utilità dell’applicazione di questi algoritmi e modelli.
In conclusione, i numeri isolati sono quei numeri, ma necessitano di un contesto e di un'analisi dettagliata, al di là di ogni interpretazione “anumerica” degli stessi. Algoritmi e modelli possono fornire molte più informazioni e conoscenze rilevanti che consentono di comprendere i comportamenti e come ottenere risultati migliori.
