Data science

Per supportare questi obiettivi ambiziosi, la Data Science ha bisogno di dati di qualità accessibili e, soprattutto, di interfacciarsi a monte con i detentori dei dati e a valle con gli utenti delle conclusioni che saranno estrapolate. Valorizzare i dati per le aziende richiede quindi trasformazioni verso una strategia basata sui dati che permetta di sfruttare al meglio il lavoro dei Data Scientists.

Questa scienza dei dati consiste nell’esplorare e sfruttare i giacimenti di dati. Per implementarla, oltre alla necessaria interfaccia con i detentori dei dati e il business, ogni Data Scientist si trova di fronte a diverse sfide, la prima delle quali è far comprendere cos’è la Data Science e quali sono i suoi limiti.

Quali opportunità la Data Science può generare per la mia attività? Come valorizzare meglio questa attività nella mia azienda?

Questa fase cruciale di ogni processo di Data Science condiziona il successo dell’analisi sia a livello tecnico che interpretativo. Può essere necessario fare delle scelte per aumentare il rapporto segnale/rumore, il che potrebbe portare ad eliminare parte del segnale. In particolare, nel campo della Data Science focalizzato sull’analisi dei dati testuali, il Natural Language Processing (NLP), potrebbe essere necessario un lavoro di pulizia particolarmente significativo dei dati, in base alla fonte utilizzata. La raccolta di informazioni dai social media, ad esempio, richiede un notevole sforzo se si vuole riuscire a rilevare e interpretare parole mal scritte o abbreviazioni.

Quali dati sono abbastanza ricchi affinché la loro analisi apporti valore? Come estrarre valore da basi di dati interne o esterne che possediamo?

La qualità e la rappresentatività dei dati di ingresso sono fondamentali per poter trarre conclusioni pertinenti. In particolare, dati mal bilanciati o “imbalanced” possono distorcere l’apprendimento. Se ad esempio si cerca di allenare un algoritmo per classificare immagini di gatti e cani sulla base di 1000 immagini di gatti e 100 di cani, la maggiore frequenza di gatti risulterà nella classificazione di nuove immagini. Questo squilibrio può essere facilmente identificato se riguarda l’obiettivo principale di rilevamento, ma molto meno se si tratta di un elemento tra altri, ad esempio una sovrarappresentazione di gattini tra le immagini. Le basi di dati storiche possono essere distorte, come nel caso delle basi di dati degli studi clinici in cui gli uomini caucasici sono sovrarappresentati rispetto al rapporto con la popolazione generale. È necessario individuare questi pregiudizi e correggerli riducendo la dimensione del campione sovrarappresentato (undersampling) o aumentando artificialmente quella del campione sotto-rappresentato (oversampling).

Come ad esempio migliorare il targeting dei centri clinici per raggiungere una buona rappresentatività della popolazione inclusa?

Nella creazione di modelli di machine learning, un altro problema tecnico è legato al rischio di sovra-adattare il modello al set di dati esistente, un fenomeno noto come overfitting. Infatti, la qualità del modello viene testata attraverso diversi indicatori che misurano l’affidabilità delle previsioni, come la precisione (tasso di rilevamento corretto), la sensibilità (capacità di rilevare correttamente i “veri positivi”) e la specificità (capacità di rilevare correttamente i “falsi positivi”). Cercare di massimizzare questi indicatori può portare a includere un numero elevato di variabili nell’analisi o a utilizzare modelli sempre più complessi. È importante mantenere un campione separato dal set di dati, non per allenare il modello, ma per testarlo. Poiché i dati di addestramento sono spesso più omogenei rispetto ai dati reali, è altresì importante limitare la complessità del modello di machine learning scelto al minimo necessario. Combinare i risultati di più modelli è anche una tecnica utile per limitare i bias intrinseci a ciascun modello.

Come adattare un modello di previsione per anticipare scenari con eventi che non si sono mai verificati in passato?

Infine, l’interpretabilità dei risultati dei modelli è una questione cruciale. Alcuni dei modelli di machine learning più potenti, come i modelli di Deep Learning, non consentono di risalire ai parametri che hanno permesso alla macchina di fare, ad esempio, una determinata classificazione. A volte, può essere preferibile avere una precisione inferiore del modello, ma poterlo spiegare. Ad esempio, se si desidera creare una segmentazione dei clienti, è interessante sapere quali parametri definiscono i segmenti per poi poter creare interazioni e contenuti mirati. Infine, è necessario adottare una rigorosità nell’interpretazione dei dati, che deve essere trasmessa ai destinatari dei risultati. In particolare, è spesso allettante interpretare la correlazione tra due variabili come un legame di causalità tra l’una e l’altra, conclusione che dovrebbe spesso essere supportata dalla conoscenza del settore o da studi specifici oltre alle analisi già condotte.

Come rendere i risultati delle analisi di Data Science utilizzabili e comprensibili per una diffusione interna?