Industria 4.0 (economia e politica industriale)

Lezione 1 giugno INDUSTRIA 4.0

C’è differenza tra flusso di informazioni e flusso di conoscenza: l’informazione è un dato; la conoscenza è dare un senso a

questo dato. Posso avere i dati sulle vendite di un’impresa; la conoscenza è utilizzarli per migliorare le vendite o capire perché

alcune vendite sono andate meglio di altre, quindi elaborare delle teorie. Un conto è il dato, e un conto è l conoscenza, dare

senso, significato a questa informazione.

Possiamo avere informazioni in codice binario, 01, che vanno codificate, perché così come ci arrivano so informazioni che non

ci dicono niente; dobbiamo renderli significanti, quindi trasformarli in qualcosa che noi traduciamo, capiamo, e poi trasformarli

in conoscenza, cioè utilizzarli, elaborarli, metterli secondo i nostri schemi logici.

Questa è una questione importantissima, perché quando parliamo di big data parliamo di informazioni molto diverse tra di

loro; abbiamo informazioni che sono prima di tutto dati, altri che sono filmati, altri che sono fotografie, altri che sono musica,

del parlato, e via dicendo. Queste informazioni, che sono proprio sfere di informazioni differenti, viaggiano su sistemi differenti

(possono essere file jpeg, formato AVI, ecc.) e noi dobbiamo riuscire a smontarle e, per il sistema, renderle percepibili; non è

una cosa così banale; noi abbiamo gli occhi, il tatto, la conoscenza pregressa, quindi ad esempio riconosciamo facilmente in

una serie di filmati o foto dove c’è o non c’è una certa persona, ma non è una cosa così semplice da far fare ad un’intelligenza

artificiale. La nostra testa, la nostra vista, elaborano migliaia di informazioni al secondo; quindi cose che possono sembrare

banali non lo sono affatto. La cosiddetta ricerca semantica con l’intelligenza artificiale deve essere a sua volta intelligente (ad

esempio la frase “c’è una piccola chiesa nel paesino di montagna” è una frase positiva, quindi il “piccola” in quel contesto

semantico assume un significato positivo, quello che si chiama l’ermeneutica dell’interpretazione); l’intelligenza artificiale

deve discernere queste cose, deve capirle, cose che per noi sono normalissime per questa sono invece complicate. I computer

sono intelligentissimi e sciocchi al contempo, fanno fatica a fare problem solving, quindi ad introdurre una variabile diversa da

quella che noi mettiamo. Quindi la partita è tutta da giocare, aumentano moltissimo i dati, aumenta la qualità dei dati,

aumentano le intelligenze artificiali, nel senso la loro capacità di elaborazione; tuttavia c’è ancora tanto da fare.

L’AMBITO

1.1 DEFINITORIO capacità di immagazzinarli e la velocità di cal-

Il neologismo big data è stato spesso abusato colo degli algoritmi che devono elaborarli.

riconducendolo a qualsiasi attività che trattasse Nell’ultimo quinquennio la definizione origina-

un grande volume di dati, ingenerando alcune ria si è evoluta e arricchita al fine di compren-

confusioni terminologiche. dere in profondità questo poliedrico feno-

meno. Boyd and Crawford (2012), definiscono i

Una delle definizioni maggiormente utilizzate big data come un fenomeno culturale, tecno-

negli articoli specializzati è riconducibile al logico e accademico frutto dell’interazione di

rapporto McKinsey del 2011: “Big data refers to tre elementi: tecnologia, analisi, e mitologia,

dataset whose size is beyond the ability of typi- ovvero la convinzione che enormi set di dati

cal database software tools to capture, store, offrano una forma più elevata d’intelligenza e

manage and analyze” (Manyika e alt. 2011, p.1). conoscenza in grado di generare intuizioni,

Tale definizione si svincola dal dover stabilire

Viene citato spesso il rapporto McKinsey del 2011, che dice: il big data si riferisce ad un data set che è così grande che la

impossibili in precedenza, con l’aura di verità,

un “limite” numerico di volume di dati oltrepas-

normale abilità di elaborarlo e di conservarlo non riesce a gestirlo. Quindi, dice che parliamo di big data quando il volume delle

obiettività e accuratezza. Gli autori aggiungono

sato il quale si entra nella dimensione dei big

informazioni è tale che le nostre normali capacità, quindi sistemi di storage, stoccaggio dei dati, e di elaborazione dei dati, di

alla definizione del rapporto McKinsey l’ele-

data. Essa si pone al crocevia della conver-

data analytics, faticano a gestirli. mento predittivo che ad oggi risulta essere una

genza tra volume di dati e capacità di imma-

È una definizione molto intelligente, perché ricorda quella di Smith riguardante il reddito di povertà, il reddito minimo: egli

delle variabili strategiche maggiormente inda-

gazzinarli ed elaborali, che devono crescere di

dice che è quello che permette alle persone di vivere in maniera dignitosa nell’epoca in cui stanno vivendo, nella città in cui

gate da chi si occupa di big data.

pari passo. All’aumentare della disponibilità

stanno vivendo; cioè non si è detto che i big data sono quando si parla dai 100 exabyte in poi, non diamo un ordine di misura,

potenziale del volume dei dati aumenta la

perché questo dopo tot tempo sarebbe già obsoleto; diciamo un ordine relativo: si parla di big data quando la capacità di

elaborare, quindi ad esempio il nostro telefono elabora una quantità di dati straordinaria, talmente tanti che il cervello della

NASA quando l’uomo è andato sulla luna nel ’69 non era in grado di elaborare. Tuttavia i dati che elabora il nostro telefono,

quelli che abbiamo dentro al telefono, che sono giga e giga di dati, non sono considerati big data; sarebbero stati considerati

L’AMBITO

1.1 DEFINITORIO

big data negli anni ’70, perché un telefono normalissimo le può gestire. Quando invece abbiamo volumi tali per cui ci vogliono

capacità di immagazzinarli e la velocità di cal-

Il neologismo big data è stato spesso abusato

2000 computer collegati insieme, con delle memorie straordinarie, e per elaborarli ci vogliono dei super calcolatori, allora

colo degli algoritmi che devono elaborarli.

riconducendolo a qualsiasi attività che trattasse

parliamo di big data. Non solo, parliamo di big data anche in un altro senso: dobbiamo, per poter fare le nostre elaborazioni,

Nell’ultimo quinquennio la definizione origina-

un grande volume di dati, ingenerando alcune

collezionare una varietà di dati molto differenti. Quindi se sono un’impresa assicurativa ho bisogno di tutte le mie

ria si è evoluta e arricchita al fine di compren-

confusioni terminologiche.

assicurazioni, tutte le case, i tutti gli appartamenti che ho, delle scatole nere che sono nelle macchine che girano, ecc.; cioè

dere in profondità questo poliedrico feno-

metto insieme, per le mie elaborazioni, dei dati molto molto differenti tra di loro. Quindi se dobbiamo fare un profilo sul

meno. Boyd and Crawford (2012), definiscono i

Una delle definizioni maggiormente utilizzate

consumatore non dobbiamo mettere solo che beni ha consumato nel nostro negozio, e cosa ha consumato negli altri negozi;

big data come un fenomeno culturale, tecno-

negli articoli specializzati è riconducibile al

bisogna guardare anche se ha famiglia o no, che età ha, se ha malattie o no, se ha hobby, se sì quali sono, com’è proceduta la

logico e accademico frutto dell’interazione di

rapporto McKinsey del 2011: “Big data refers to

sua vita, che scelte ha fatto, e via dicendo; guardiamo tutta una serie di informazioni. prendiamo una quantità che mente

tre elementi: tecnologia, analisi, e mitologia,

dataset whose size is beyond the ability of typi-

prima era a due piani, piatta, il curriculum, adesso dobbiamo considerarla tonda, molto più ampia, cosmica, una sfera (quindi

ovvero la convinzione che enormi set di dati

cal database software tools to capture, store,

non più una cosa piatta). offrano una forma più elevata d’intelligenza e

manage and analyze” (Manyika e alt. 2011, p.1). conoscenza in grado di generare intuizioni,

Tale definizione si svincola dal dover stabilire impossibili in precedenza, con l’aura di verità,

un “limite” numerico di volume di dati oltrepas- obiettività e accuratezza. Gli autori aggiungono

sato il quale si entra nella dimensione dei big alla definizione del rapporto McKinsey l’ele-

data. Essa si pone al crocevia della conver- mento predittivo che ad oggi risulta essere una

genza tra volume di dati e capacità di imma- delle variabili strategiche maggiormente inda-

gazzinarli ed elaborali, che devono crescere di gate da chi si occupa di big data.

pari passo. All’aumentare della disponibilità

potenziale del volume dei dati aumenta la

Con i big data abbiamo quindi 3 questioni: L’AMBITO

1.1 DEFINITORIO

1 - volume di dati, dobbiamo riuscirli a prendere (l’attuale legge della privacy entrata in vigore recentemente, è fatta per

proteggere i nostri dati, con effetti deleteri per l’industria); quindi non è detto che i dati siano così facili, disponibili (ad esempio

tutti i nostri dati medici sono coperti,..). ogni giorno disperdiamo milioni di frammenti della nostra identità, perché ad esempio

facciamo un’operazione su internet per pagare qualcosa, perché visitiamo un sito, guardiamo un video su YouTube,

capacità di immagazzinarli e la velocità di cal-

Il neologismo big data è stato spesso abusato

rispondiamo una mail; in continuazione lasciamo delle nostre tracce. Consideriamo 7 miliardi di persone che lasciano un

colo degli algoritmi che devono elaborarli.

riconducendolo a qualsiasi attività che trattasse

miliardo di tracce al giorno, più tutte le imprese, le istituzioni, le università; una quantità inimmaginabile. Quindi il primo

Nell’ultimo quinquennio la definizione origina-

un grande volume di dati, ingenerando alcune

problema è riuscire a prendere queste informazioni, perché devono essere tracciate ria si è evoluta e arricchita al fine di compren-

confusioni terminologiche. dere in profondità questo poliedrico feno-

2 – seconda questione è immagazzinarli. È vero che sono aumentate moltissimo, che adesso su una RAM o un microprocessore

meno. Boyd and Crawford (2012), definiscono i

Una delle definizioni maggiormente utilizzate

piccolissimo ci sta quello che ci sta in un castello pieno di elaboratori di 20 anni fa; tuttavia, tanto aumenta la nostra capacità

big data come un fenomeno culturale, tecno-

negli articoli specializzati è riconducibile al

di elaborare storage, immagazzinare dati, tanto aumentano i dati prodotti. Pensiamo a tutte le telecamere che ci sono in giro,

logico e accademico frutto dell’interazione di

rapporto McKinsey del 2011: “Big data refers to

che fanno filmati 24 ore su 24. tre elementi: tecnologia, analisi, e mitologia,

dataset whose size is beyond the ability of typi- ovvero la convinzione che enormi set di dati

cal database software tools to capture, store,

3 – terzo e più grande problema: anche quando sono riuscito a raccoglierli e immagazzinarli, devo poi elaborarli. Quando

offrano una forma più elevata d’intelligenza e

manage and analyze” (Manyika e alt. 2011, p.1).

parliamo di elaborare vuol dire algoritmi, e quindi vuol dire miliardi alla miliardi alla miliardi.

conoscenza in grado di generare intuizioni,

Tale definizione si svincola dal dover stabilire

Quindi abbiamo aumentato talmente tanto la scala dei dati che abbiamo dovuto creare delle nuove unità di misura, così come

impossibili in precedenza, con l’aura di verità,

un “limite” numerico di volume di dati oltrepas-

la Edison, ai tempi della corrente elettrica, negli anni ’80 c’è stato un tale consumo di energia elettrica che aumentava in

obiettività e accuratezza. Gli autori aggiungono

sato il quale si entra nella dimensione dei big

maniera esponenziale, tanto che hanno dovuto creare delle nuove unità di misura, perché i kv diventavano miliardi di kv.

alla definizione del rapporto McKinsey l’ele-

data. Essa si pone al crocevia della conver-

L’AMBITO LA CRESCI

1.1 1.2

mento predittivo che ad oggi risulta essere una

genza tra volume di dati e capacità di imma-

DEFINITORIO ESPONENZ

delle variabili strategiche maggiormente inda-

gazzinarli ed elaborali, che devono crescere di 8

gate da chi si occupa di big data.

pari passo. All’aumentare della disponibilità

potenziale del volume dei dati aumenta la

capacità di immagazzinarli e la velocità di cal-

Il neologismo big data è stato spesso abusato Figura I.1

colo degli algoritmi che devono elaborarli.

riconducendolo a qualsiasi attività che trattasse Unità di misura per i big data

Nell’ultimo quinquennio la definizione origina-

un grande volume di dati, ingenerando alcune : , 2015

ria si è evoluta e arricchita al fine di compren-

confusioni terminologiche. FONTE CAMICIOTTI E RACCA

dere in profondità questo poliedrico feno-

meno. Boyd and Crawford (2012), definiscono i

Una delle definizioni maggiormente utilizzate big data come un fenomeno culturale, tecno-

negli articoli specializzati è riconducibile al Byte 1

logico e accademico frutto dell’interazione di

rapporto McKinsey del 2011: “Big data refers to tre elementi: tecnologia, analisi, e mitologia,

dataset whose size is beyond the ability of typi- Kilobyte 1

ovvero la convinzione che enormi set di dati

cal database software tools to capture, store, Megabyte 1

offrano una forma più elevata d’intelligenza e

manage and analyze” (Manyika e alt. 2011, p.1). conoscenza in grado di generare intuizioni,

Tale definizione si svincola dal dover stabilire Gigabyte 1

impossibili in precedenza, con l’aura di verità,

un “limite” numerico di volume di dati oltrepas- obiettività e accuratezza. Gli autori aggiungono

sato il quale si entra nella dimensione dei big Terabyte 1

alla definizione del rapporto McKinsey l’ele-

data. Essa si pone al crocevia della conver- mento predittivo che ad oggi risulta essere una

genza tra volume di dati e capacità di imma- Petabyte 1

delle variabili strategiche maggiormente inda-

gazzinarli ed elaborali, che devono crescere di Exabyte 1

gate da chi si occupa di big data.

pari passo. All’aumentare della disponibilità

potenziale del volume dei dati aumenta la Zettabyte 1

8

È il cosiddetto utilizzo di elaborazione dell’intelligenza artificiale per prendere le decisioni, quindi si può arrivare a mitizzare

questi big data fino a dire che le decisioni prese in maniera razionale e obiettiva dall’intelligenza artificiale sono migliori. In

parte è vero, in parte no. LA CRESCITA

1.2 ESPONENZIALE DEI DATI

la velocità di cal- Figura I.1

ono elaborarli. Unità di misura per i big data

efinizione origina- : , 2015

fine di compren- FONTE CAMICIOTTI E RACCA

oliedrico feno-

2012), definiscono i

o culturale, tecno- Byte 1 byte

dell’interazione di

alisi, e mitologia, Kilobyte 1.024 byte

normi set di dati Megabyte 1.048.576 byte

a d’intelligenza e

erare intuizioni, Gigabyte 1.073.741.824 byte

on l’aura di verità,

autori aggiungono Terabyte 1.099.511.627.776 byte

McKinsey l’ele-

i risulta essere una Petabyte 1.125.899.906.842.620 byte

ggiormente inda- Exabyte 1.152.921.504.606.850.000 byte

data. Zettabyte 1.180.591.620.717.410.000.000 byte

dei dati prodotti annualmente nel mondo si

La crescita esponenziale del volume dei dati in utilizzano i zettabyte. Nel 2013 sono stati pro-

termini di quantità e varietà è stata il risultato dotti 4,4 zettabyte (trilioni di gigabyte) di dati.

dell’azione congiunta di una varietà di sistemi Le stime prevedono per il 2020 un volume di

di raccolta unita ad un drastico abbassamento 40 zettabyte prodotti in un anno, trecento

dei costi e dei volumi fisici necessari ad imma- volte quelli raccolti nel 2005. Nel 2020 ogni

gazzinarli. Tale crescita è stata così smisurata giorno sarà prodotto un volume di dati pari a

da obbligare il conio di nuove unità di misura quelli raccolti nell’intero arco dell’anno nel

per poterla computare e quantificare. Soltanto 2005.

alcuni anni addietro un gigabyte era un ordine

di misura sufficiente. In breve tempo i dischi I dati digitali hanno permesso una capacità di

fissi dei nostri computer hanno iniziato a pro- immagazzinare dati senza precedenti: il pas-

porsi nell’ordine di uno e due terabyte. Nella saggio da stoccaggio analogico a digitale è

dimensione dei big data l’ordine di misura è stato repentino. Nel 1993 soltanto il 3 percento

spesso quello dei petabyte se non degli dei dati immagazzinati era digitale. Nel 2000

exabyte, mentre per misurare il volume stimato

perché sono aumentate moltissimo le modalità di raccolta, ad esempio l’internet of things raccoglie una

9

valanga di dati straordinari. La figura mette in luce come la tipologia di dati

tale percentuale cresceva al 25 percento per raccolti cambia decisamente rispetto al settore

raggiungere il 94 percento sette anni dopo. di appartenenza. I dati di testo o numerici sono

presenti in misura massiccia in quasi tutti i set-

Immagazzinare i dati in maniera digitale signi- tori. I file video hanno penetrazioni molto dif-

fica ricondurre immagini, video, audio, e dati ferenti in corrispondenza dei diversi settori così

numerici in formati che possano essere imma- come i file audio sono scarsamente presenti in

gazzinati ed eventualmente in seguito elabo- molti settori.

rati. La questione è complessa: immagazzinare 1.3

La figura mette in luce come la tipologia di