Le tecnologie dell’informazione e della comunicazione (ICT – Information and communication technologies) hanno un ruolo chiave per la valorizzazione non solo dei beni culturali ma anche di quelli naturalistici; esse possono contribuire sotto diversi aspetti, quali la valorizzazione dei beni culturali secondari diffusi sul territorio, l’ottimizzazione delle risorse (es. riduzione dei tempi di attesa), la personalizzazione dell’esperienza di visita, il collegamento con risorse informative offline (es. libri).
Alla luce dei recenti progressi nel campo dei sistemi informativi e dell’intelligenza artificiale (IA), vogliamo mostrare come la sinergia delle nuove tecnologie con approcci più tradizionali e consolidati basati sulla semplice costruzione di banche dati ed archivi, possa contribuire all’innovazione nello sviluppo turistico del paese.
Intelligenza Artificiale e Web mining
Cosa si intende per Intelligenza Artificiale (IA)? Sebbene, negli ultimi anni i mass media abbiano dato particolare enfasi agli sviluppi relativi all’apprendimento automatico (machine learning), specialmente in relazione alle reti neurali, le tecniche di IA possono essere divise in due categorie, sebbene talvolta tecniche miste vengano adottate: simboliche e di apprendimento automatico.
Semplificando, nell’IA simbolica, si parte da un insieme di regole formali (espresse utilizzando linguaggi della logica) che vengono poi utilizzate per effettuare ragionamento automatico. Nell’IA basata su apprendimento automatico, modelli matematici (o anche regole) vengono estratte dai dati.
Si tende ad utilizzare per l’IA simbolica il termine top-down, poiché essa si basa fortemente sulla conoscenza di esperti per l’applicazione nel caso pratico, mentre per il machine learning il termine bottom-up viene spesso utilizzato poiché la conoscenza è ottenuta a partire dai dati. La qualità dei risultati ottenuti con gli approcci dipende dalla qualità delle regole definite dagli esperti nel caso dell’IA simbolica e dalla qualità dei dati (concetto che riassume diverse caratteristiche dei dati) nel caso del machine learning.
Una terza categoria di tecniche che si affianca (anche se in alcuni casi si sovrappone) ai concetti di AI simbolica e machine learning è rappresentata dal data mining, in cui si cerca di estrarre informazioni dai dati. Nel caso del data mining, piuttosto che ottenere dei modelli che permettano di prendere decisioni per il futuro, si cerca di spiegare cosa è successo in passato.
L’enfasi recente sui risultati ottenuti dal machine learning (e soprattutto dalle cosiddette reti neurali e dal deep learning) è dovuta alla crescente (ed in alcuni casi millantata) disponibilità di dati dovuta all’utilizzo di servizi online (es. Social Network ed Aggregatori) ed ai dati provenienti dalla cosiddetta Internet-of-Things (IoT), in cui dispositivi intelligenti (es. tornelli di ingresso intelligenti) trasmettono dati ad alta velocità.
Per Web mining si intendono tutte quelle tecniche mirate all’estrazione di informazioni dal web e cataloghi online, incluse le pagine statiche, quelle dinamiche, i social network. Questi rappresentano fonti importanti, specialmente in merito a siti meno noti al grande pubblico.
Il turismo in Italia: si può fare di più
Nonostante il settore turistico in Italia contribuisca con una fetta importante (circa il 5%) al PIL nazionale, si ritiene che esso possa avere ancora margini di crescita visto il patrimonio storico-artistico ed il cosiddetto soft-power che il paese esercita sul pubblico internazionale.
Le classifiche, per esempio, vedono il paese quinto a livello mondiale per numero di turisti internazionali, leggermente indietro rispetto ad altri paesi, quali Spagna e Francia, che hanno una simile scala geografica.
I progetti
Chiunque abbia avuto la fortuna di viaggiare si è trovato nella posizione di dover pianificare le giornate del viaggio in modo da ottenere il massimo dall’esperienza di viaggio. Da questo punto di vista, l’itinerario deve rispettare diverse necessità del viaggiatore circa i propri interessi tematici, la logistica, il benessere e necessità giornaliere (es. i pasti ed il pernottamento). La pianificazione di tali itinerari diventa quindi ancora più complessa quando il viaggio non interessa una meta specifica (es. una grande città) ma piuttosto un territorio esteso e quando questo territorio è al di fuori delle destinazioni classiche e quindi la disponibilità di itinerari predefiniti è limitata. La generazione automatica di itinerari è quindi un’attività che richiede la raccolta di informazioni eterogenea e l’utilizzo di metodi di intelligenza artificiale per l’analisi dell’informazione stessa e la generazione di itinerari che siano sensati dal punto di vista della fattibilità e di effettivo interesse per il turista.
A scopo esemplificativo, possiamo riportare l’esperienza del progetto SiVaLa-Net e del progetto Cicero-Net. L’approccio sottostante è finalizzato allo sviluppo di app mobili in grado di proporre al potenziale visitatore itinerari turistico-culturali generati automaticamente e customizzati in base alla sua profilazione (età, interessi) e alle esigenze espresse (es. tempo a disposizione).
I casi di studio prescelti sono l’Etruria laziale ed i percorsi ciceroniani. La scelta è esemplificativa delle capacità del sistema di supportare la valorizzazione e promozione di siti minori di cui la Regione Lazio è notoriamente ricca. Nondimeno, le app sono state progettate in modo da potere essere facilmente adattate ad altri scenari e territori, diventando quindi un asset riutilizzabile per tutti i partner che partecipano ai progetti. Questi coinvolgono, oltre alla Sapienza Università di Roma, l’Università degli Studi della Tuscia e l’Università di Cassino e del Lazio meridionale, e soggetti nell’ambito della valorizzazione dei beni culturali, quali Wish Innovation, Altrama, Movie Logic, Gruppo Arancione S. Coop. a r.l..
I punti di interesse
Al fine della generazione degli itinerari, le app si basano su una base di dati di punti di interesse nel territorio. Ad ogni punto di interesse sono associati dei contenuti testuali ed immagini. A questo punto il turista che voglia generare un itinerario tramite l’app deve soltanto fornire un insieme di parole chiave ed una durata dell’itinerario. L’app seleziona un insieme di punti di interesse compatibili con le parole chiave selezionate (effettuando analisi testuale sulle descrizioni dei punti di interesse stessi) e genera un itinerario della durata richiesta tenendo in considerazione tempi di spostamento, tempi di visita, necessità di pasti e ritorno in albergo, e massimizzando il numero di punti di interesse visitati.
Le informazioni relative ad ogni punto di interesse sono di due tipologie: contenuti originali editi da esperti di dominio appartenenti ad associazioni ed istituzioni, contenuti estratti automaticamente da internet. Tra i contenuti estratti automaticamente da internet, di grande importanza sono quelli estratti da servizi, quali aggregatori, che permettono di ottenere informazioni circa attività diverse dai beni culturali (es. ristoranti, alberghi, parchi divertimenti) e che possono essere suggeriti in corrispondenza dei singoli punti di interesse.
Il ruolo dei social
In merito alla generazione degli itinerari, un’altra importante fonte di informazione è rappresentata dai Social Network. In particolare, l’analisi delle connessioni sui social network permette di acquisire conoscenza rispetto alla reputazione di determinati punti di interesse nella propria cerchia. Questo approccio è stato ad esempio applicato nel contesto del progetto Neptis.
Nel progetto Sciba, si adottano invece tecniche di IA simbolica. Gli studi archeologici e storico-artistici, unitamente alle ricerche multidisciplinari correlate, indipendentemente dalla lingua di scrittura o dalla scelta di terminologia tecnica, trovano una naturale connessione tra loro nel posizionamento topografico. Lo studio di un monumento o di un’area dal punto di vista archeologico e storico artistico non può prescindere da una lunga ricerca del materiale edito nelle biblioteche specialistiche. SCIBA punta a una riduzione drastica dei tempi di ricerca e a fornire una visione di insieme istantanea su particolari tematismi. Si tratta di uno strumento tanto semplice da rendere la ricerca di edizioni specializzate accessibile anche a tutti. L’utente potrà avviare le proprie ricerche direttamente in modalità navigazione, tramite la visualizzazione della cartografia di base con una user experience semplificata al massimo; zoomando, spostandosi con il mouse o inserendo il nome della località, esattamente come sarà già abituato a fare con i contemporanei sistemi di navigazione, potrà individuare l’area, la località, il sito archeologico o il singolo monumento di interesse e visualizzare in tempo reale tutta la bibliografia connessa. Questo sistema innovativo di ricerca bibliografica di carattere archeologico e storico su una base cartografica, con ricerca semantica correlata e sviluppo di knowledge graph, si concentra sul territorio della Regione Lazio e consente la visualizzazione della bibliografia esistente che riguarda alcuni elementi topografici selezionati.
È possibile espandere la ricerca ad ulteriori tematismi correlati, estratti automaticamente dal sistema in base ai contenuti e ai metadati del materiale bibliografico inserito. La finalità è di sviluppare uno strumento di ricerca ed analisi semantica comparativa di forte utilità per Enti di ricerca, Musei, Comuni e per soggetti a qualsiasi titolo interessati alla conoscenza e gestione del territorio, ed al contempo in grado di generare incremento dei volumi venduti e ricadute occupazionali dirette della filiera editoriale. In questo caso, il sistema è stato il risultato della collaborazione tra l’Università di Tor Vergata, la Sapienza Università di Roma, l’Università di Roma Tre, L’Erma di Bretschneider ed il Museo delle Civiltà.
Il futuro e l’impatto del Deep Learning
Nell’ambito del machine learning, grande impatto sull’opinione pubblica è stato suscitato dai risultati ottenuti dal cosiddetto deep learning. Il deep learning è un tipo di machine learning in cui i modelli ottenuti a partire dai dati sono stratificati ed in cui ogni strato fornisce un livello di approfondimento maggiore rispetto allo scopo del modello stesso. In questo senso i modelli ottenuti tramite deep learning hanno una conoscenza appunto “profonda” e non superficiale del fenomeno osservato. Il deep learning è nella maggior parte dei casi implementato tramite reti neurali il cui addestramento è stato favorito negli ultimi anni dallo sviluppo di dispositivi di calcolo vettoriale quali le GPU (Graphics Processing Units) e le TPU (Tensor Processing Units).
Aldilà delle considerazioni tecnologiche, hanno suscitato interesse e discussioni nell’opinione pubblica i risultati ottenuti in termini di capacità conversazionali (es. ChatGPT) e generazione di contenuti realistici di tipo testo, immagine, audio e video. Non a caso si comincia a parlare di IA generativa. I risultati ottenuti hanno ovviamente un impatto sociale relativo all’originalità dei contenuti prodotti ed alla possibilità degli stessi di essere utilizzati al fine di divulgare fake-news ad informazione scorretta.
Il deep learning avrà sicuramente un grande impatto sul mondo dei beni culturali verosimilmente integrando gli approcci introdotti in questo articolo. Alcuni esempi di applicazione futuri includono:
- La generazione automatica di contenuti testuali e di media (es. video) a supporto della fruizione dei beni culturali. Questi contenuti già oggi possono essere prodotti dall’utente finale andando a modificare la richiesta (il cosiddetto prompt) fornito a strumenti quali ChatGPT.
- La generazione automatica di itinerari a partire da una comprensione semantica di un testo piuttosto che dalla selezione di un insieme di parole chiave (quale quella utilizzata nei progetti SivalaNet e CiceroNet).
- Generazione di guide contestuali durante la fruizione di itinerari.
Il ruolo degli umanisti
Si dibatte spesso della possibilità che l’impiego dell’ICT ed in special modo di IA possa portare ad una riduzione della qualità dell’informazione fornita ai potenziali turisti rispetto a materiale ed itinerari definiti da esperti umanisti. Dal punto di vista degli autori, l’IA dovrebbe tuttavia essere utilizzata non in sostituzione ma a complemento dell’attività degli studiosi umanisti o curatori specializzati.
Un sistema di IA deve essere in questo senso immaginato come un qualunque sistema di raccomandazione sul Web (si pensi ai suggerimenti per gli acquisti forniti da motori di ricerca, aggregatori, social network e servizi di eCommerce). In questo senso deve essere quindi sempre possibile per il fruitore dell’informazione distinguere quali informazioni sono state direttamente create da esperti oppure generate automaticamente e nel secondo caso quali sono state validate da esperti.
In questo articolo, per brevità, ci siamo concentrati su strumenti principalmente ad utilizzo del fruitore finale dei beni culturali, ma non bisogna sottovalutare l’impatto che tali tecnologie e specialmente il Deep Learning possano avere come supporto allo studio da parte degli umanisti (solo accennato in Sciba). In questo ambito, l’IA può essere utilizzata per fornire suggerimenti agli studiosi (es. identificare schemi nei dati) che possono rappresentare un ausilio importante anche se non sostitutivo. Da questo punto di vista, gli umanisti hanno infatti spesso un approccio all’informatica molto vicino a quello della banca dati, immaginandola quindi come un ausilio alla memorizzazione dell’informazione piuttosto che un supporto al ragionamento.
Nuove figure professionali devono essere create in tal senso, come i digital humaniters che alcuni Atenei italiani hanno cominciato a formare con appositi corsi di laurea all’intersezione tra ICT e Lettere e Filosofia (cf. il recente corso di Laurea in Filosofia e Intelligenza Artificiale della Sapienza, la Laurea Magistrale in Digital Humanities e Digital Knowledge dell’Alma Mater di Bologna, la Laurea in Language Technologies and Digital Humanities dell’Università di Torino, la Laurea Magistrale in
Digital and Public Humanities della Ca’ Foscari di Venezia, solo per citarne alcuni senza pretesa di completezza)
[4] Cf. https://eudl.eu/pdf/10.4108/eai.4-1-2018.153531 e https://dl.acm.org/doi/pdf/10.1145/2909132.2926065
