Un’altra ospite speciale al Forum Architecture Insights, in programma il 13 e 14 maggio a Roma. Sarà con noi nel panel sul clima, Viviana Acquaviva, ex astrofisica adesso dedita alla scienza del clima, che utilizza i metodi del machine learning e AI nelle sue attività di ricerca. Oggi Acquaviva è Professore Ordinario nel Dipartimento di Fisica al CUNY NYC College of Technology e al Graduate Center di CUNY, Senior Adjunct Research Scientist presso la Columbia University e il Lamont-Doherty Earth Observatory, e visiting professor del gruppo di Theoretical Data Science alle SISSA di Trieste. Con lei abbiamo anticipato lo scenario della ricerca sullo sviluppo dei modelli climatici in attesa di poterla ascoltare nell’evento nella capitale.
Quali sono i principali temi sui quali conduce la sua ricerca?
Mi occupo di metodologie di analisi dati, dalla statistica tradizione al machine learning e intelligenza artificiale. La mia ricerca si muove secondo due direttrici principali.
La prima è quella che vuole comprendere come “valutare” la performance dei modelli climatici globali e sviluppare delle metriche – delle formule – adatte ai campi di cui ci interessiamo. Faccio l’esempio delle precipitazioni atmosferiche: abbiamo dei fronti e delle forme sempre più complesse e nelle mappe tradizionali confrontiamo le predizioni con osservazioni basate sulla valutazione pixel per pixel. Questo approccio non ha molto senso. Guardando ad altri campi, come la computer vision o la image processing, che si occupano di insegnare ai computer la modalità visiva, trasferiamo metodologie più avanzate al campo climate per migliorare i modelli e renderli più rilevanti. Tutta la modellistica scientifica è un problema di ottimizzazione: abbiamo una funzione “costo” che dobbiamo minimizzare. Il nostro obiettivo è capire come costruire delle funzioni di costo che siano rilevanti per la scienza del clima, non solo per predizioni accurate ma anche in grado di tenere conto di possibili costi in termini di risorse naturali e vite umane. Immaginiamo ad esempio la possibilità di ottimizzare predizioni degli eventi estremi, quali uragani e alluvioni.
La seconda direttrice delle mie ricerche fa riferimento al ciclo del carbonio oceanico. L’oceano ha un impatto fortissimo nell’assorbimento di emissioni di CO2 terrestri, con una percentuale tra il 25 e il 30%. È difficile calcolare direttamente e quindi la concentrazione di anidride carbonica nell’oceano: i dati sono spesso incompleti o bias in merito l’emisfero nord e le stagioni estive. La mia ricerca parte da queste osservazioni parziali nello spazio e nel tempo e cerca di “completarle” e ottenere una stima globale usando di nuovo metodi numerici, inclusi algoritmi di AI. Vogliamo inoltre ottenere una misura dell’incertezza delle nostre stime, e usare le osservazioni per migliorare i modelli oceanici.
Aggiungo che uno dei miei interessi, trasversale alle discipline, è quello di introdurre concetti di etica e sicurezza dell’IA nella mia ricerca, cercando di ottenere risultati il più possibile trasparenti creando degli “stepping stone”, veri e propri trampolini di lancio per altre linee di ricerca.
Continua la lettura gratuita dell’articolo
Questo contenuto è gratuito!
L’iscrizione serve a entrare nella community di Architecture Insights e ricevere aggiornamenti periodoci.
