Mehrmann (acatech): “Data science e matematica applicata sono due realtà complementari”

Quali sono i trend e le opportunità dell’utilizzo delle tecnologie di Data Science in ambito industriale? A questa domanda (e ad altre) ha provato a rispondere Volker Mehrmann, Professore di matematica all’Università Tecnica di Berlino. Membro della German Academy of Science and Engeneering (acatech), è stato Presidente dell’Associazione Internazionale di Matematica Applicata e Meccanica (GAMM) dal 2000 al 2004. Le sue ricerche si concentrano su calcolo scientifico e analisi numerica. La seguente intervista è tratta dall’Outlook Mathesia 2019.

Technische Universitaet Berlin, TUB, Fakultaet II Mathematik und Naturwissenschaften, Institut für Mathematik, Prof. Dr. Volker Mehrmann, DFG-Forschungszentrum Matheon “Mathematik für Schlüsseltechnologien”, Sprecher

Qual è secondo lei il problema più interessante nel campo della matematica applicata?

Io mi occupo di problemi di modellistica, simulazione e ottimizzazione, spesso affrontando casi di natura pratica. Al momento sto portando avanti diversi progetti, tra cui uno sulla simulazione e ottimizzazione del trasporto di gas ed elettricità, cercando di introdurre strumenti matematici in questi campi.

 

Ad oggi, quali sono stati i maggiori successi della matematica applicata, e quando potranno essere utilizzati per scopi aziendali o commerciali?

Direi che i successi della matematica applicata sono svariati. Mentre ero al Centro di Ricerca MATHEON, che ho guidato per diversi anni, abbiamo scritto un libro a proposito. Si intitola “Mathematics for Key Technologies” e spazia dalla biomedicina alle reti di trasporto e di energia, ai nuovi materiali, alla finanza, energia e mercati. Per ognuna di queste aree, la matematica è stata una forza trainante che ha permesso notevoli passi in avanti.

 

Parlando di data science, invece, pensa che stia aiutando la matematica applicata a collaborare in modo più efficiente col mondo industriale, o preferisce considerarle due realtà separate?

Considero data science e matematica applicata due realtà complementari. Abbiamo innumerevoli dati e ottimi computer, e insieme possono fare la differenza. Non credo nei modelli basati puramente sui dati, ma credo nella combinazione della modellistica tradizionale e dei dati. Le simulazioni di dati sono utilizzate per migliorare i modelli e, a loro volta, i modelli vengono utilizzati per generare dati e/o per addestrare strumenti di machine learning. La parola d’ordine è “mixture”.

Nel futuro che immagino, vedo un uso diffuso di digital twins. Modelli virtuali di ogni prodotto o sistema, compreso l’uomo, che scambiano dati con i corrispettivi reali per tutta la vita. Questa è la vera sfida, ed è esattamente ciò di cui data science e matematica applicata hanno bisogno.

 

Quali sono i rischi connessi a questo ipotetico mondo di digital twins?

Dipende. Non ci sono rischi, se non quello di entrare nel nostro personale digital twin. Esistono molti problemi etici e morali che dovremo trattare; ad esempio, se il mio digital twin prevede che mi ammalerò a breve, dovrei fornire questa informazione alla mia assicurazione sanitaria?

Da un punto di vista puramente tecnico, però, è innegabile che i digital twins rappresentino un miglioramento per tutti, perché saremmo in grado di fornire assistenza predittiva, di prevedere i guasti prima che si verifichino o, ad esempio, perfino provare a simulare la società del futuro. Ci sono molti vantaggi, ma siamo solo agli inizi. Per ora esistono solo pochi esempi di progetti in cui i digital twins funzionano.

 

Quale pensa che sia l’applicazione più all’avanguardia, ovvero, quale industria ne trarrà più benefici?

Tutte le industrie che dispongono di grandi macchinari ad alto costo, per esempio quella energetica. Se hai una turbina e hai modo di prevedere in anticipo quando si romperà, potrai risparmiare qualche milione. Un altro esempio può essere il trasporto pubblico, ad esempio quello della città di Berlino: se qualcosa va storto, le conseguenze sono disastrose, come spesso succede. Se fossimo in grado di prevedere i guasti, saremmo in grado di intervenire per tempo. Parlando di sistemi viventi, mi rendo conto che l’impatto possa essere maggiore, per esempio, sulle colture batteriche o sullo sviluppo di prodotti chimici e farmaci.

 

In quale campo applicativo pensa che data science e matematica applicata faranno davvero la differenza nei prossimi cinque anni?

Il campo dove vedo i maggiori benefici è quello biomedico, non solo nell’analisi di cellule o nello sviluppo di farmaci, ma anche per quanto riguarda la tecnologia e i macchinari associati alla medicina, come gli strumenti di diagnosi o di supporto per i pazienti, ad esempio le braccia artificiali che possono essere controllate con un input cerebrale, piuttosto che con un comando. Penso inoltre che anche la medicina personalizzata si baserà molto sui dati e sulla matematica applicata. Se un paziente ha bisogno di un ginocchio o un’anca artificiali, oggi può scegliere tra una decina di modelli. In futuro invece sarà possibile rilevare la struttura ossea e muscolare del paziente per progettare un ginocchio artificiale su misura. Ci sono già diversi progetti in questo campo, è evidente che sarà possibile fare grandi progressi in questa direzione, e anche l’industria  è molto interessata.

 

A suo parere, quali sono i rischi e le criticità a cui la data science dovrà far fronte?

Innanzitutto mi sembra che non si discuta abbastanza apertamente delle probabilità di fallimento delle decisioni prese attraverso sistemi automatici e strumenti di machine learning.

Vedo anche un grande rischio in società come Google, Facebook e chiunque altro si stia creando un monopolio sulla data science assumendo tutti gli specialisti. Negli Stati Uniti, in particolare, stanno assumendo i matematici e gli informatici mentre sono ancora all’università, creando così una situazione di monopolio. Hanno nelle loro mani tutti i dati che vogliono e tutta la conoscenza disponibile. Arriverà il momento in cui ci chiederanno di pagare per accedervi e utilizzeranno questo monopolio per sviluppare quello che vogliono.

Il problema è che probabilmente queste società sono a conoscenza del rischio, ma non lo riconoscono pubblicamente. Finché si tratta di scegliere la pubblicità personalizzata, non mi interessa, ma quando questi sistemi guideranno la mia macchina, o una macchina chepuò investirmi, allora mi preoccupo.

Dal momento che la data science sta penetrando qualsiasi area, dalla medicina, ai trasporti pubblici, alla finanza, vorrei che ci fosse un po’ più di trasparenza. Fondamentalmente il problema è proprio la mancanza di regole e trasparenza.

L’intervista completa è disponibile online su www.mathesia.com/home/outlook19

Vuoi ricevere le notizie di Bluerating direttamente nella tua Inbox? Iscriviti alla nostra newsletter!