Smart City: dalla definizione alla pratica

Un’amministrazione intelligente si ottiene rafforzando le connessioni e le interazioni tra le istituzioni e tutte le parti interessate - cittadini, imprese e altre organizzazioni della società civile - all'interno di un comune. Un governo municipale che segue una strategia di città intelligente è in una posizione unica per riconsiderare la qualità, l’ampiezza e la portata dei servizi per i cittadini e per le imprese.

Gli obiettivi più importanti sono il miglioramento del clima economico generale, l'attrattiva di una città per startup, investitori, imprese e nuovi talenti, nonché la crescita dell'economia in modo innovativo e sostenibile per aumentare la competitività.

Gli obiettivi più importanti sono la riduzione della produzione di rifiuti, il monitoraggio e la gestione dell'inquinamento, la riduzione delle emissioni, la gestione dell'acqua, il raggiungimento dell'efficienza energetica e l'accelerazione della transizione energetica locale.

Con questa definizione si indicano azioni volte al miglioramento dell'inclusione sociale e digitale e dell'assistenza sanitaria e dell'assistenza agli anziani, della sicurezza, delle condizioni abitative.

Le azioni si concentrano sull'aumento dell'efficienza e della qualità del servizio di trasporto urbano per migliorare l'uso e l'adozione di nuove soluzioni, nonché per aumentare la mobilità delle persone attraverso una gestione efficiente e con investimenti infrastrutturali mirati.

Rientrano in questa definizione le forme intelligenti di istruzione per facilitare le scelte professionali e ampliare le opportunità sul mercato del lavoro, la formazione professionale e l'apprendimento permanente per tutte le fasce d'età.

Le reti neurali artificiali si definiscono "black-box", nel senso che sono spesso caratterizzate da architetture complesse e imparano da molti dati, andandone ad identificare anche relazioni non lineari, al punto che diventa difficile comprenderne e spiegarne appieno il funzionamento o definire relazioni causa effetto. Per risolvere questo problema di "incomprensibilità", stanno nascendo tecnologie in grado di ripercorrere a posteriori il processo seguito dal sistema informatico per giungere a un determinato risultato partendo dalle variabili iniziali, in modo da poter identificare la causa e correggere eventuali output non corretti. In altre parole, a differenza di un sistema informatico tradizionale, deterministico e a regole, dove si può esaminare facilmente il percorso che conduce alla generazione dell’output, nel contesto delle reti neurali è difficile spiegare in maniera globale le logiche di funzionamento di un modello, ma esistono varie tecniche, dette "explainability", in grado di spiegare nel dettaglio il processo con cui, partendo da un certo input, si arriva ad un determinato risultato. La sfida sta quindi nel definire quando usare tecniche semplici da comprendere e quando no, bilanciandole però con parametri di bontà del modello di AI e da tecniche di "explainability" locale. È importante ricordare che la scelta di come bilanciare i parametri di performance di un modello dipende molto dal contesto in cui si applicano (ad esempio, in un test per identificare una malattia è molto importante ridurre al minimo la percentuale di falsi negativi, in modo da minimizzare il rischio di dichiarare come "sano" un paziente malato e potenzialmente contagioso).

Ciò significa che, nel caso in cui si verificasse un problema, potrebbe rivelarsi complesso, a causa del comportamento non deterministico, ma basato su probabilità statistiche, tipico delle reti neurali, risalire a quali anomalie abbiano innescato l’intero processo, per evitare eventuali situazioni di insicurezza, causate da una scarsa comprensione di questi modelli, è quindi fondamentale associarli sempre alle relative tecniche di "explainability" attualmente già a disposizione e confidando nel continuo sviluppo della ricerca che sta perseguendo lo scopo di renderle sempre più precise e intuitive.