L’apprendimento automatico consente di riconoscere i segnali di preallarme in caso di instabilità sociale
In collaborazione con la start-up giotto.ai e il Politecnico federale di Losanna, il Cyber-Defence Campus di armasuisse Scienza e tecnologia (S+T) ha sviluppato nuove tecniche di apprendimento automatico mirate a permettere il riconoscimento e l’identificazione sui social media dei segnali di preallarme di eventi che pregiudicano la stabilità sociale come rivolte, guerre o rivoluzioni.
Dott. Étienne Voutaz, settore specialistico Cybersicurezza e Data Science, settore di competenza armasuisse Scienza e tecnologia
È stata sviluppata una nuova tecnologia volta a individuare i segnali di preallarme in caso di instabilità sociale. Il riconoscimento e l’identificazione di tali segnali di avvertimento avvengono tramite i social media.
I social network assumono un ruolo straordinariamente rilevante nella formazione delle opinioni, così come nella nascita dei movimenti sociali. Eventi che minano la stabilità sociale come dimostrazioni, proteste, rivoluzioni, rivolte o addirittura guerre possono affondare le proprie radici nei social media. Oggi, per esempio, è dato per assodato che questi ultimi hanno avuto un ruolo chiave nella nascita della Primavera araba nel 2011. Poter riconoscere tempestivamente l’insorgenza di tali eventi assume pertanto un’importanza decisiva.
Per questo motivo, il Cyber-Defence Campus e l’impresa giotto.ai hanno sviluppato nuove tecniche di apprendimento automatico mirate all’individuazione dei segnali di preallarme relativi a questi eventi.
Questi nuovi metodi sono innovativi da diversi punti di vista: innanzitutto sono robusti (nel senso informatico del termine). Ciò significa che un modello di riconoscimento allenato su determinati tipo di dati sarà in grado di riconoscere anche eventi simili ma non identici. In secondo luogo, sono necessari solo pochi dati di allenamento per ottenere risultati quanto meno di pari qualità, se non addirittura migliori, rispetto a quanto necessario per l’impiego dei modelli linguistici di grandi dimensioni (large language model). In terzo luogo, combinando un approccio geografico con il ricorso ai classici algoritmi dell’apprendimento automatico è possibile evitare l’apprendimento profondo (deep learning) e le sue lacune in termini di spiegabilità. Infine, questi metodi non richiedono l’accesso a dati personali. In prospettiva futura, si può affermare che i metodi impiegati sono molto promettenti, ma richiedono ulteriori test e sviluppi per essere validati.