Massimo Martucci e Robert Anderson
Oggi, le nostre fonti di dati sono sempre più grandi e questa tendenza sta suscitando interesse verso nuovi metodi di analisi dei dati. A seconda del punto di partenza, questi metodi vengono definiti in modo diverso come big data, intelligenza artificiale, scienza dei dati, apprendimento automatico, data mining, modellizzazione predittiva e Industria 4.0. Tutte queste diciture sono diventate sinonimo dell'aspettativa di ricavare dai dati intuizioni estremamente intelligenti per prendere decisioni migliori, "gratis" e con poco sforzo umano.
Una letteratura sempre più ampia indica però che non è così facile cogliere l’utilità di questi metodi come vorrebbero i loro sostenitori. Nel suo bestseller Armi di distruzione matematica, l'autrice Cathy O'Neil osserva che spesso la combinazione di grandi insiemi di dati e di analisi sofisticate ha portato a conseguenze negative impreviste. Sebbene, com'è ovvio, sia meglio avere molti dati anziché pochi, i metodi più recenti sono davvero potenti ma non infallibili.
O'Neil sostiene che in realtà i moderni metodi di analisi dei dati richiedano una particolare attenzione alle circostanze e allo scopo per cui i dati sono stati raccolti in origine. Le cause alla radice di molti incidenti nell’analisi dei big data sono dovute alla mancata osservazione di alcuni fondamenti analitici noti da decenni, come l'attenzione alla qualità dei dati.
I relatori illustreranno alcuni case study del settore per esporre i potenziali problemi legati all’utilizzo dei nuovi metodi di apprendimento dai “Bigger Data”. Dimostreranno la necessità di comprendere i limiti dei dati per superarli attraverso l'integrazione di metodi adeguati e competenze settoriali. Esploreranno inoltre alcune soluzioni utili per evitare piste false, perdite di tempo e denaro e opportunità sbagliate dovute alla ricerca della risposta sbagliata da parte dei professionisti.