di Daniele Mancuso (fondatore e CEO GO-Mobility)

Prevedere non è spiegare

Nel nostro lavoro l’intelligenza artificiale è ormai parte integrante dell’intero processo: dalla costruzione del dato fino al monitoraggio dell’esercizio di trasporto. Questo ha effetti diversi in ciascun passaggio, ed è molto importante distinguerli per poterli governare.

Nel dibattito corrente il modello di trasporto viene trattato come una macchina previsionale, la cui qualità coincide con la distanza tra valore stimato e valore osservato: più il modello si avvicina alla realtà, più è considerato buono. È una rappresentazione comoda, e per questo diffusa anche tra i decisori, ma fuorviante: perché assume che il compito del modello sia riprodurre ciò che già accade, mentre le decisioni per cui viene costruito riguardano quasi sempre situazioni che nessuno ha mai osservato.

Un modello di trasporto, infatti, non indovina il futuro: è la mera formalizzazione matematica di una teoria del comportamento. Sulla base dei vincoli (necessità orarie, attività ecc.) e delle alternative disponibili (auto a disposizione, presenza di mezzi pubblici ecc.) è in grado di riprodurre come una persona sceglierà se spostarsi, dove, quando e con quale modo. La funzione del modello è rendere esplicito e verificabile il ragionamento che collega una serie di decisioni individuali ai loro effetti sul sistema.

Lo storico non basta

La calibrazione su dati osservati è condizione necessaria di un buon modello, ma non ne esaurisce la finalità. Ciò che lo rende veramente utile a una decisione pubblica è la sua capacità di rispondere su configurazioni mai osservate: come ad esempio una tariffa mai sperimentata, una linea di bus non ancora implementata, o una limitazione della circolazione mai applicata su quel territorio (vedi l’articolo: e se il TPL fosse gratis?).

A queste domande nessun dato storico può rispondere. La risposta viene dalla struttura teorica del modello, ovvero dalle diverse probabilità di scelta, la stima delle elasticità, i vincoli spazio-temporali delle attività – cioè da un impianto che, spiegando perché le persone si comportano in un certo modo, consente di ipotizzare come si comporterebbero in condizioni diverse. È il motivo per cui l’ingegneria dei sistemi di trasporto ha investito decenni nella modellistica comportamentale (un esempio è il mondo dei modelli activity-based): le decisioni di piano riguardano (o perlomeno dovrebbero riguardare), per definizione, stati del mondo che ancora non esistono.

La tentazione di apprendere tutto dai dati

Questa impostazione è oggi contestata da una tesi che merita di essere presa sul serio: i modelli comportamentali sarebbero un’eredità di un’epoca di scarsità di dati, in cui la teoria colmava ciò che l’osservazione non forniva. Ma oggi che i dati sono abbondanti e continui, la relazione tra assetto del sistema e domanda potrebbe essere appresa direttamente dalle osservazioni.

La tesi arriva soprattutto da professionalità di formazione statistica e informatica che si stanno avvicinando ai trasporti, e non è priva di attrattiva, perché promette di sostituire con l’evidenza empirica l’assunzione più fragile dell’impianto classico, cioè che l’utente sia razionale nel modo in cui il modello ha scelto di rappresentarlo.

Sarebbe altrettanto sbagliato, dall’altro lato, liquidare il machine learning come un ripiego statistico. In alcuni casi, come per la previsione a breve dei flussi, l’imputazione di dati mancanti o la ricostruzione di catene di spostamento da dati telefonici e telematici, questi algoritmi lavorano meglio di noi, poiché si tratta di ambiti in cui il fenomeno è stabile e ben campionato.

Il limite compare quando cambia la struttura delle alternative: perché un modello effettua delle stime a partire dalle condizioni in cui è stato addestrato, ma l’insieme di addestramento non contiene informazioni sul controfattuale. Se la politica da valutare modifica l’insieme delle condizioni di scelta, la stima non è semplicemente imprecisa ma priva di fondamento comportamentale, pur presentandosi con l’apparenza rassicurante della precisione numerica.

I metodi sono dunque corretti ma è il quesito ad essere sbagliato: il modello risponde bene su ciò che accadrà a condizioni invariate, che non è tuttavia la domanda rilevante quando si valuta una politica destinata a cambiarle.

La filiera oltre il modello

Parlare di intelligenza artificiale limitandosi ai modelli restituisce però un’immagine parziale del mestiere, perché il lavoro trasportistico è una filiera: elaborazione del quadro conoscitivo, modellazione, valutazione delle alternative, confronto con gli attori, monitoraggio dell’attuazione, regolazione dei contratti. In ciascun passaggio l’automazione produce un effetto diverso, ben oltre le attuali applicazioni di cui si discute più spesso (e di cui abbiamo dato una panoramica qui).

AI & costruzione del dato

Il primo è la costruzione del dato, dove il guadagno è più immediato. Rilievi, dati telematici veicolari, dati da rete cellulare, orari programmati e fonti censuarie sono disomogenei e raramente compatibili. Il processo di armonizzazione di questi dati assorbe una quota di lavoro che chi commissiona uno studio quasi mai immagina e che nessuna offerta valorizza per intero: allineamento dei formati, riconoscimento delle incoerenze e controllo di plausibilità sono attività ripetitive, ed è il tipo di lavoro su cui l‘automazione rende di più.

Meno ovvia, e a mio avviso più preziosa, è una seconda funzione. Nel lavoro quotidiano esistono decine di scelte discrezionali che nessuno documenta, come escludere un valore anomalo invece di spiegarlo, e un sistema ben progettato non le compie al posto dell’analista ma gliene chiede conto, pretendendo una giustificazione trasportistica o statistica.

Segnalare e diagnosticare restano però operazioni distinte. Un sistema può rilevare che il flusso misurato su una sezione è sensibilmente inferiore all’atteso, ma stabilire da cosa dipende (es. una domanda più bassa, oppure un collo di bottiglia a monte che impedisce al traffico di raggiungere quella sezione) richiede di sapere come si comporta una rete in condizioni di saturazione, e le due diagnosi portano a interventi opposti.

AI & valutazione delle alternative

Il numero di scenari confrontati in uno studio è stato storicamente determinato non dalla rilevanza delle alternative ma dal costo di produrle, e quel vincolo cade se generare uno scenario costa quasi nulla. La possibilità di generare centinaia di scenari, però, non produce da sola decisioni migliori: quando la scarsità si sposta dal calcolo al giudizio, il valore professionale si misura nella capacità di definire dei criteri di confronto (come obiettivi, pesi, soglie di accettabilità, effetti distributivi) e nella costruzione di una gerarchia tra le alternative, che è il terreno della valutazione multicriterio.

AI & monitoraggio dell’esercizio di trasporto

Nella pianificazione, il ciclo tra dato e decisione dura mesi o anni, mentre nell’esercizio del TPL e nella gestione dei contratti di servizio dovrebbe essere quasi continuo, perché gli scostamenti tra programmato e reale si producono ogni giorno. Per questo, come approfondito in questa riflessione sul “tempo rubato”, quando l’intervallo tra dato e decisione supera la vita utile del problema l’analisi finisce per documentare una situazione già superata.

Qui l’automazione non fa risparmiare tempo, ma rende sostenibile un servizio che prima non lo era. Attribuire uno scostamento alle sue cause, ad esempio individuando quanto un ritardo di un servizio è determinato dalla congestione stradale, da inefficienze operative, o dalla progettazione di un orario ormai obsoleto per una città che nel frattempo è cambiata, richiede l’incrocio sistematico di fonti diverse su settimane di servizio e decine di linee, ripetuto mese dopo mese.

Quando diventa procedura ricorrente, il confronto tra gestore e regolatore si sposta dalle opinioni sulle cause alla loro misura, e con esso la base su cui si negoziano i corrispettivi per l’erogazione del servizio e le sanzioni in caso di mancato rispetto dei livelli di servizio pattuiti nel contratto.

AI & la comunicabilità dei risultati

La letteratura sull’approccio cognitivo e partecipativo alla pianificazione ha mostrato da tempo che una decisione tecnicamente corretta ma non compresa dagli attori coinvolti ha basse probabilità di essere attuata e alte di essere impugnata (è la “curse of knowledge”: ne abbiamo parlato anche qui).

I modelli, però, sono costruiti da tecnici per tecnici: un rapporto flusso/capacità pari a 0,75 dice molto a un ingegnere dei trasporti e nulla all’esercente di un asse commerciale, che vuole solo sapere se dopo l’intervento i clienti riusciranno ancora a raggiungerlo. L’automazione può fare da traduttore, ma l’operazione è più impegnativa di quanto sembri: oltre al difficile compito di semplificare i risultati, che è un modo elegante di impoverirli, serve riesporli dal punto di vista di un attore alla volta.

Immagine estratta dal nostro carosello sulle sindromi dei processi decisionali

Lo stesso problema di “traduzione” si presenta nell’integrazione tra settori analitici diversi. Gli esiti del modello di traffico alimentano i calcoli su impatti acustici, ambientali e di accessibilità, ma questa integrazione tra ambiti avviene ancora manualmente. Il rischio è che piccoli errori nei dati iniziali si trascinino a cascata lungo la filiera, amplificandosi senza essere intercettati.

AI & la difendibilità del procedimento

Tutto quanto precede vale però solo se resta soddisfatta una condizione, che riguarda la forma in cui il lavoro viene consegnato più che il suo contenuto.

Un’analisi trasportistica costituisce il fondamento tecnico di atti amministrativi impugnabili, come un PUMS, una valutazione di impatto ambientale, un bando di affidamento o un contratto di servizio. In sede di contenzioso, questa viene esaminata non per i risultati ma per il procedimento: quali assunzioni sono alla base dello studio? Quali dati, quali parametri? Con quali giustificazioni, e verificabili da chi?

L’intelligenza artificiale aumenta insieme sia la produttività del lavoro che l’opacità del procedimento, e il secondo effetto non si neutralizza da solo: ogni passaggio assistito dall’AI va documentato con lo stesso rigore di una scelta di calibrazione, distinguendo che cosa ha generato la macchina e che cosa ha validato una persona, e nessun risultato dovrebbe raggiungere il committente senza una validazione esplicita e registrata.

Come cambia la competenza

Se l’automazione assorbe la preparazione dei dati, parte della calibrazione e la generazione delle varianti, il professionista dei trasporti non viene sostituito ma spostato su tre funzioni oggi marginali nella formazione e nella pratica: il presidio metodologico, cioè valutare e sostenere tecnicamente ciò che il sistema propone; l’interpretazione degli esiti verso il processo decisionale; il governo della coerenza tra domini diversi.

La ricomposizione ha però un effetto asimmetrico, perché un assistente automatico moltiplica la produttività di chi ha l’esperienza per riconoscere quando la proposta è sbagliata e amplifica gli errori di chi non ce l’ha: il professionista con vent’anni di reti alle spalle guadagna tempo, quello al secondo anno di lavoro rischia di accettare un risultato plausibile senza fondamento.

È anzitutto un problema di formazione e di aggiornamento professionale, in un settore che sconta già una carenza strutturale di competenze analitiche.

Si torna così al punto di partenza: perché una previsione, per quanto accurata, non spiega nulla, e una decisione pubblica che incide su risorse collettive e assetti territoriali di lungo periodo non ha bisogno di essere indovinata ma di essere spiegata davanti a chi la contesta. L’intelligenza artificiale può aiutarci a spiegare meglio e più in fretta, ma la responsabilità di rispondere di ciò che si è spiegato non è delegabile a nessuno strumento.

Data Mobility è un progetto di GO-Mobility
Scopri chi siamo e i progetti con cui trasformiamo i dati in soluzioni di mobilità.