Da una Pubblica Amministrazione “accusata” spesso di ritardi e inefficienze stiamo passando, forse ancora lentamente ma in modo deciso, a una Pubblica Amministrazione che si propone come laboratorio di innovazione. Le opportunità collegate all’introduzione di soluzioni di Intelligenza Artificiale (AI) e di Machine Learning (ML), possono rappresentare una doppia sfida per il “Government”: migliorare e rendere più efficienti i servizi e i rapporti con i cittadini e creare le condizioni per costruire una piattaforma di governance a beneficio delle tematiche di innovazione più strategiche.
Il tema, in termini più concreti, è quello che spinge il settore pubblico nella conoscenza e nella ricerca di una sintesi tra vantaggi da una parte e rischi dall’altra, partendo dalla considerazione che AI e ML possono contribuire a cambiare la nostra vita, possono migliorare il nostro rapporto con i servizi pubblici, ma il tutto avviene attraverso un cambiamento che non può essere lasciato al solo dominio tecnologico. Se è infatti vero che la tecnologia è di per sé neutrale, è altrettanto vero che ci sono applicazioni che pongono la collettività davanti a interrogativi importanti sulle modalità, sulla gestione e sui percorsi di questo cambiamento.
Il “pubblico” ha cioè il dovere di affrontare il tema del “governo” delle soluzioni tecnologiche già “a monte”, in fase di design, per non trovarsi a “gestire eventuali conseguenze per la collettività a valle”. Anche per questo, nella individuazione delle opportunità di AI e ML occorre guardare almeno a una doppia prospettiva: i vantaggi diretti e concreti per i cittadini e per le imprese e i vantaggi altrettanto diretti per le Pubbliche Amministrazioni. Più si riesce a far convergere questi due grandi vantaggi, più ci sono possibilità di definire una governance credibile e sostenibile.
AI e ML per la PA: le smart city
Tra i settori che più di altri hanno bisogno di raggiungere questo obiettivo ci sono le soluzioni di AI e ML per il mondo delle smart city, ovvero per la gestione di una serie di servizi come la mobility. Grazie al Machine Learning focalizzato sullo studio dei flussi della mobilità cittadina, sull’analisi dei comportamenti, sulla individuazione delle criticità e dei fattori di rischio e sulla verifica preventiva delle possibili conseguenze, si aprono decisamente nuove prospettive. La stessa logica di analisi dei dati che arrivano dall’IoT territoriale (sensoristica stradale, rilevamento flussi, rilevamento qualità dell’aria, videocamere di controllo etc) porta sul “tavolo” del Machine Learning il grande tema dell’integrazione di questi dati, con una vista nuova rispetto al passato. Si tratta di passare da una interpretazione dei fenomeni a silos (servizi per la mobilità stradale urbana, servizi per la mobilità stradale extraurbana, servizi per la sicurezza nella viabilità, servizi per la sicurezza di infrastrutture) a una interpretazione integrata dei dati, con la possibilità di individuare le cause primarie di determinati problemi, in una relazione stretta e precisa tra tutti i fattori che li determinano e con la possibilità di agire sui problemi non più in condizioni di emergenza, ma con la individuazione di forme di prevenzione e di reingegnerizzazione e ripensamento delle stesse logiche di servizio.
Dai dati la ricerca di nuove efficienze e maggiore sicurezza
Un altro tema strettamente collegato a questa dimensione attiene alla necessità di sviluppare modelli che permettono di avere un reale controllo della dinamica delle fonti di dati. L’innovazione nel mondo automotive, ad esempio, consegna nuove fonti di dati attraverso vetture che generano dati sul loro comportamento. Dati che si possono mettere in relazione con altre fonti informative che arrivano da soggetti terzi, come ad esempio il mondo assicurativo, settore già attivissimo per finalità legate alla gestione della sicurezza. Accanto a questi ci sono poi i dati che arrivano dai social media, intesi come strumenti di socializzazione delle informazioni, da parte di tutti coloro che sono disponibili a fornire informazioni sulle criticità di determinati percorsi, di problematiche legate alle infrastrutture o ad altri mezzi come nuovi e ulteriori elementi informativi che, se correttamente utilizzati, possono ridurre i problemi, permettendo nel contempo alle pubbliche amministrazioni di acquisire quella conoscenza necessaria per ripensare con maggior precisione alla mobilità.
I vantaggi per la collettività? Servizi più efficienti, una maggiore sicurezza e soprattutto una informazione più sicura e affidabile come base per un rapporto basato sulla fiducia e sulla consapevolezza che la qualità dei servizi pubblici dipende anche dalla qualità dei dati.
I vantaggi per le Pubbliche Amministrazioni? La possibilità di avere una visione dinamica e completa di tutti i fattori che incidono sulla qualità dei servizi e sui costi. La rilevazione delle emergenze con maggiore anticipo e con maggior precisione incide anche sulla capacità di affrontare e risolvere le emergenze con interventi più affidabili e meno onerosi per la collettività. Non ultimo, da questa prospettiva arriva anche la possibilità di disporre di una base informativa che cresce costantemente e che permette di leggere le logiche che sottostanno a determinati problemi.
AI e ML per la PA: fisco e pagamenti
Un altro ambito è quello della gestione fiscale. Siamo davanti a una situazione politica e sociale che ha posto in modo molto più forte rispetto al passato il tema della diffusione dei pagamenti digitali e dello sviluppo di misure di contrasto all’evasione fiscale. In tutto questo, un ruolo importante può essere svolto dal Machine Learning. Fermo restando il tema del rispetto e delle garanzie della privacy dei dati personali, la disponibilità di dati legati al payment permette di individuare con più velocità e con maggiore precisione quei segnali che possono condurre alla individuazione di possibili frodi. La conoscenza che arriva dall’analisi di questi dati consente anche di ricostruire in modo più veloce e ancora una volta più preciso le logiche seguite per architettare le frodi mettendo a fattor comune ulteriori fattori di conoscenza, utili a individuare la presenza di tentativi analoghi in altri territori o in altri contesti. Anche in questo caso, si può parlare di una forma di conoscenza aumentata a disposizione del fisco, non necessariamente per intervenire rapidamente in caso di violazione delle leggi, ma soprattutto in forma preventiva, per stabilire misure che impediscano che si possano verificare queste tipologie di rischi.
I vantaggi per la collettività? La semplificazione dei rapporti fiscali con le Pubbliche Amministrazioni, la riduzione degli oneri e dei tempi legati alle procedure alle attività connesse. La riduzione delle possibilità di errore e la maggiore certezza di poterli individuare e correggere.
I benefici per la Pubblica Amministrazione? Disporre di strumenti che semplificano gli accertamenti fiscali, che permettono di individuare a costi più bassi e con maggior precisione le situazioni di criticità e in definitiva soluzioni che permettono di ridurre l’evasione.
AI e ML per la PA: l’importanza di lavorare sulla user experience
Un altro aspetto rilevante attiene ai flussi relativi alla erogazione dei pubblici servizi in termini più generali, con tre chiavi di lettura: lo studio dei flussi in condizioni attuali, lo studio delle criticità e delle opportunità legate alla user experience, la relazione con altri fattori come ad esempio la mobilità urbana, la sicurezza, la creazione di nuovi servizi.
Le soluzioni di AI permettono un accesso semplificato, funzionale e veloce ai servizi e nello stesso tempo rappresentano una fonte preziosa per conoscere e interpretare criticità, esigenze, preferenze degli utenti. Il servizio basato sull’Intelligenza Artificiale e sul Machine Learning permette di “imparare dagli utenti” e di ridisegnare i processi sulle preferenze individuando ed evitando le criticità. Per altri versi permette di indirizzare nuovi obiettivi. Ad esempio: la gestione delle scadenze in modo più funzionale alla Pubblica Amministrazione e al cittadino stesso con servizi che, nel segno della cortesia, riescono a far effettuare determinate azioni e scelte entro certi tempi. Il tutto dimostrando sempre in modo chiaro i vantaggi di questa scelta.
Il Machine Learning e l’Artificial Intelligence per il risk management
Le applicazioni di AI e il patrimonio di conoscenze che si possono costruire con soluzioni di Machine Learning permettono anche alle Pubbliche Amministrazioni di costruire un rapporto nuovo con le infrastrutture, sia a livello di gestione, sia a livello di risoluzione delle problematiche di Risk Management. La premessa in questo caso è rappresentata dalla crescente disponibilità di apparati Internet of Things nel mondo building e nelle infrastrutture. Da un primo livello di gestione degli ambienti IoT in forma di “silos”, ad esempio per la sicurezza di un edificio, per la gestione degli accessi o per il controllo delle infrastrutture, si passa a una gestione più estesa che mette in relazione più fonti di dati e più servizi in modo integrato.
Gli ambienti e le infrastrutture nei quali vengono erogati i servizi pubblici, incluse le infrastrutture dedicate alla mobilità, non solo iniziano comunicare grazie all’Internet delle Cose, ma permettono di mettere in relazione più livelli di conoscenza e consentono cioè di individuare con maggior precisione e maggior velocità i fattori di rischio e di pianificare gli interventi di manutenzione .
Non solo. L’integrazione con dati “esterni”, collegati alle dinamiche dirette e indirette dell’ambiente, come sono ad esempio le previsioni metereologiche che possono impattare direttamente sulle infrastrutture (es. la previsione di una piena di un fiume) permettono di alzare il livello di conoscenza sia rispetto al “prevedibile problema” sia in merito alle “possibili cause” avendo elementi preziosi per preparare per tempo le possibili soluzioni.
AI e ML per la PA: il facility management
Ma gli strumenti per la gestione del building sono anche strumenti al servizio della gestione viva degli edifici, ovvero al servizio del Facility Management che grazie a queste applicazioni può passare da una gestione spesso reattiva o basata su dati storici a una gestione basata sull’analisi in tempo reale della vita strutturale degli edifici, delle infrastrutture e del loro utilizzo. Il facility manager nel mondo pubblico, grazie alle applicazioni di AI e ML, è nella condizione di svolgere un ruolo sempre più integrato con l’IT, con il Risk manager e con i responsabili dei servizi.
Più si conosce e si riesce a prevedere il comportamento delle infrastrutture e degli edifici e più si riesce a mettere questa conoscenza in relazione con quanto si conosce delle minacce attuali e di quelle che arrivano da fattori esterni. Un esempio è rappresentato dagli effetti dei cambiamenti climatici: più si hanno informazioni per progettare e programmare i servizi e l’erogazione degli stessi, anche in funzione di questi fattori di rischio, più si può garantire una qualità dei servizi erogati e delle risorse necessarie. L’Intelligenza Artificiale può così permettere alle Pubbliche Amministrazioni di aumentare i connotati di resilienza associati non solo alle infrastrutture, ma di ridurre i costi (ad esempio nei consumi di energia o nella gestione delle manutenzioni) dei servizi stessi che vengono erogati in quelle infrastrutture.
Il ruolo dell’Edge Computing
Il tema AI e ML va visto non solo dal punto di vista delle nuove potenzialità dell’IoT, ma come prospettiva che permette di sfruttare anche le soluzioni di Edge Computing, per disporre di una capacità elaborativa a livello locale e mettere a disposizione del “centro” solo i dati che effettivamente servono. L’intelligenza dovrà essere indirizzata sempre di più ai criteri di selezione dei dati in funzione dei parametri che incidono sui servizi. Il valore che può arrivare dalle applicazioni di Intelligenza Artificiale sta soprattutto nella capacità di offrire strumenti che permettono di stabilire e gestire relazioni tra diverse fonti di dati, tra un Internet of Things che monitora lo stato di salute di un edificio, che controlla la sua capacità di elaborazione a livello locale e, ad esempio, il traffico previsto dal punto di vista della mobilità o dell’impatto delle condizioni metereologiche. Il tutto avendo a disposizione i dati più appropriati in funzione del luogo fisico e degli orari in cui i servizi devono essere erogati.
Nel momento in cui si attivano poi le condizioni per far “parlare” le infrastrutture occorre disporre di intelligenza umana per interpretare e comprendere i segnali che arrivano, e di intelligenza artificiale per aumentare questa capacità di comprensione e per estenderla a tanti altri ambiti applicativi, ovvero per metterli in relazione tra loro e fare previsioni sempre più precise.
In definitiva, un uso accorto di AI e ML permette di aumentare la capacità decisionale della Pubblica Amministrazione in termini di velocità, precisione e affidabilità. In questo senso si può aggiungere che AI e ML rappresentano due ambiti fondamentali che vanno a comporre il portfolio di tecnologie e di “cultura” di innovazione che sta permettendo lo sviluppo di vere e proprie piattaforme innovative per le Pubbliche Amministrazioni favorendo l’evoluzione da Smart City in grado di fornire servizi intelligenti, ma spesso separati tra loro, a Smart City Platform in grado di lavorare sul valore della conoscenza e sugli strumenti che la mettono a beneficio degli innovatori e dei cittadini.
