
Come possiamo notare ogni giorno, siamo ancora ben lontani dal riuscire a fare previsioni meteorologiche assolutamente accurate, e ancora di più se si tratta di previsioni sul lungo periodo. I fattori in gioco sono tantissimi e ogni minima caotica variazione può ribaltare completamente l'andamento previsto. Tuttavia, negli ultimi decenni la scienza e la tecnologia hanno fatto numerosi passi in avanti e nel prossimo futuro altre tecnologie sembrano promettere di dare contributi sostanziali al mondo della meteorologia. In questa puntata, dunque, cercheremo proprio di rispondere alla domanda: come si fa a prevedere il tempo?
Nella sezione delle notizie parliamo di iMessage, il servizio di messaggistica di Apple, che potrebbe diventare interoperabile in forza al Digital Markets Act, del primo negozio senza casse in Italia di Conad e infine di OpenAI che ha introdotto la possibilità di creare una propria IA personalizzata.




Immagini
• Foto copertina: Freepik
Brani
• Ecstasy by Rabbit Theft
• Superhero In My Sleep by Rival x Asketa & Natan Chaim
Salve a tutti, siete all'ascolto di INSiDER - Dentro la Tecnologia, un podcast di Digital People e io sono il vostro host, Davide Fasoli.
Oggi parleremo di previsioni meteo, del perché sono sempre poco precise e quali nuove tecnologie potrebbero renderle più accurate.
Prima di passare alle notizie che più ci hanno colpito questa settimana, vi ricordo che potete seguirci su Instagram a @dentrolatecnologia, iscrivervi alla newsletter e ascoltare un nuovo episodio ogni sabato mattina, su Spotify, Apple Podcast, Google Podcast oppure direttamente sul nostro sito.
Google, Vodafone, Deutsche Telekom, Telefónica e Orange hanno inviato una lettera alla Commissione europea chiedendo di considerare l'app iMessage di Apple un servizio di base fondamentale da includere nel Digital Markets Act, o DMA, di cui abbiamo ormai parlato diverse volte.
Questo atto costringerebbe Apple a rendere iMessage interoperabile con altre piattaforme di messaggistica. La lettera sostiene che iMessage soddisfa i requisiti qualitativi del DMA, nonostante non raggiunga la soglia di 45 milioni di utenti attivi mensili in Unione europea. Infatti, sebbene in Italia si conosca molto poco questo problema, specialmente
negli Stati Uniti, iMessage rappresenta una sorta di WhatsApp a livello di diffusione e costringe gran parte degli americani a dover possedere un iPhone per non venire esclusa.
E tutto ciò rappresenta un grande vantaggio per Apple. Google quindi, insieme alle 4 telco, vuole eliminare l'incompatibilità tra iMessage e il protocollo RCS sempre di Google. Se iMessage diventasse un servizio di messaggistica da includere nel DMA, dovrebbe implementare caratteristiche di interoperabilità di base e aggiuntive nel tempo.
Mercoledì 8 novembre a Verona è aperto il primo negozio in Italia senza casse, dove per fare la spesa è sufficiente prelevare i prodotti dagli scaffali e pagare in uscita senza passare tramite i nastri delle casse tradizionali.
Il negozio si chiama "Tuday Conad" e per entrare non è necessario effettuare alcuna registrazione.
Chiunque intenda fare acquisti all'interno del punto vendita può farlo riponendo i prodotti sia nel carrello che direttamente nelle proprie tasche.
A rendere possibile tutto ciò è il sistema di telecamere e bilance intelligenti degli scaffali che permettono di associare ad ogni cliente tutti i prodotti prelevati, i quali dovranno essere acquistati tramite pagamento digitale passando da appositi totem in grado di generare un QR code da scansionare per terminare l'operazione.
Infine l'infrastruttura tecnologica del Tuday Conad di Verona, che gestisce le transazioni digitali, si chiama XPay, una soluzione di pagamento gestita da Nexi.
L'intelligenza artificiale generativa sta entrando sempre più prepotentemente nella vita quotidiana di tutti noi, da quando lo scorso anno per la prima volta OpenAI ha lanciato ChatGPT e ora l'IA sembra che stia prendendo una direzione incentrata a una sempre maggiore personalizzazione.
Qualche settimana fa ad esempio Meta ha presentato diverse intelligenze artificiali che potranno essere usate come chatbot per determinati scopi, come l'IA chef per le ricette, l'IA esperta di moda, l'IA amica e così via.
E la stessa direzione - in un modo un po' diverso - l'ha presa anche OpenAI, presentando i GPT.
Ognuno con l'abbonamento Plus e Enterprise, e questa funzione può tornare utile soprattutto per le aziende, potrà creare una propria IA personalizzata, ad esempio per creare chatbot esperti in determinati settori, con una certa personalità, o assistenti virtuali da associare al proprio prodotto.
Inoltre si potrà condividere la propria personale IA con gli altri utenti o scaricarla su uno store online per poterle vendere o acquistare o usarne alcune già pronte.
Insomma, se prima una cosa simile si poteva fare solamente utilizzando le API e sviluppando un proprio framework, ora la creazione di chatbot personalizzati diventerà accessibile a chiunque, diffondendo ulteriormente il già enorme utilizzo delle intelligenze artificiali generative.
Prevedere con certezza gli eventi atmosferici anche a distanza di giorni o settimane sarebbe uno dei più grandi traguardi dell'umanità che in modi più o meno scientifici cerca di raggiungere fin dall'inizio della sua storia.
Sapere cosa succederà domani, fra una settimana o fra un mese, infatti, permette di organizzare e programmare le attività di conseguenza o prevenire diverse tragedie.
Pensiamo ad esempio ai forti temporali e alluvioni che hanno causato danni in tutta Italia, specialmente in Emilia-Romagna, Toscana e Veneto.
Si sarebbero potute evitare? Sicuramente no, ma con un dovuto preavviso si sarebbe di certo potuto intervenire in tempo, magari mettendo in sicurezza diverse zone o programmando meglio gli interventi di manutenzione.
Per non parlare poi di tutte le implicazioni nel settore primario, come agricoltura o allevamento, dove poter prevedere il meteo dei giorni a seguire può essere a dir poco fondamentale anche per limitare sprechi e danni.
Ma a che punto siamo con il comprendere e riuscire a prevedere il meteo dei giorni futuri? Come possiamo notare ogni giorno, siamo ancora ben lontani da riuscire a fare previsioni assolutamente accurate, e ancora di più se si tratta di previsioni sul lungo periodo.
I fattori in gioco sono tantissimi e ogni minima caotica variazione può ribaltare completamente l'andamento previsto.
Tuttavia, negli ultimi decenni la scienza e la tecnologia hanno fatto numerosi passi in avanti e nel prossimo futuro altre tecnologie sembrano promettere di dare contributi sostanziali al mondo della meteorologia.
In questa puntata dunque cercheremo proprio di rispondere alla domanda: come si fa a prevedere il tempo? Come abbiamo detto, prevedere il tempo può essere una svolta per la nostra società, tanto che ci proviamo ormai da millenni.
Nel 650 a.C., ad esempio, i babilonesi cercavano di prevedere il meteo basandosi sulle forme delle lune o tramite l'astrologia, e anche le popolazioni che li susseguirono in tutto il mondo cercarono di correlare i fenomeni atmosferici con altri eventi visibili, come la posizione della luna e degli astri, la direzione dei venti o la situazione del giorno precedente.
E molto spesso possiamo ritrovare gli stessi schemi anche nei detti o nella tradizione popolare, come il detto "rosso di sera bel tempo si spera", o "cielo a pecorelle pioggia catinelle", o in veri e propri rituali che molti nonni compiono ancora ad oggi, come osservare le cipolle per capire quali mesi dell'anno saranno più o meno piovosi.
Tutto questo rientra in quella che viene definita "meteorognostica", che chiaramente non segue dei metodi scientifici, almeno non per come li intendiamo oggi.
Tuttavia alcune volte anche la cultura popolare ha un fondo di verità, e spesso alcune frasi o metodi che venivano utilizzati senza saperne la motivazione vengono poi confermati con molta più difficoltà anche dalle osservazioni scientifiche.
E proprio le osservazioni scientifiche sono la partenza per questo viaggio verso la comprensione di come avvengono le previsioni meteorologiche.
Le moderne previsioni infatti nascono nel 1835, con l'invenzione del telegrafo. Tecnologia che ha permesso la condivisione dei dati in modo pressoché immediato e quindi si potevano comunicare i bollettini meteorologici che venivano poi utilizzati per la navigazione, conoscendo sempre la direzione e l'intensità dei venti.
E il primo agosto del 1861, poi, le previsioni del tempo comparvero per la prima volta su un giornale, il Times, ma è solo nel 1992 che venne proposta da Lewis Fry Richardson una soluzione che viene utilizzata, in maniera molto più sofisticata, ancora oggi.
E si tratta della "Numerical Weather Prediction", ossia previsioni meteorologiche numeriche.
In pratica questo metodo utilizza equazioni matematiche molto complesse che descrivono lo stato attuale del sistema Terra, per quanto riguarda diverse variabili atmosferiche come temperatura, pressione, vento, nuvole e così via.
Risolvendo queste equazioni, basate sulle formule fisiche come l'equazione dello stato dei gas, dell'idrostatica, della conservazione delle masse e molte altre, è possibile conoscere con una certa affidabilità lo stato del sistema nei momenti futuri, attendibilità che è molto variabile a seconda del caso.
Nel caso di previsioni di pioggia, la probabilità di successo è del 60% nelle prime 12 ore di previsione, destinata a scendere per le ore successive.
Nel caso invece che il meteo indichi sole, la probabilità di successo è del ben 90%, anche fino a 72 ore successive.
In breve, se nei prossimi giorni viene indicato che saranno giornate soleggiate, possiamo stare più che tranquilli che la previsione sia giusta.
Nel 1922, quando è stata proposta, questa metodologia era pressoché inutile, tanto era difficile da utilizzare.
Le complesse equazioni matematiche, infatti, richiedevano giorni per essere analizzate, e nel mentre le previsioni trovate erano ormai già passate.
Questo almeno fino all'era dei moderni computer.
La potenza di calcolo offerta da queste macchine, infatti, ha prima di tutto permesso di velocizzare la risoluzione delle equazioni limitando gli errori, e contemporaneamente di introdurre ulteriori variabili e utilizzare sistemi matematici più complessi e accurati.
Come dicevamo prima, così come secoli fa, anche nell'era moderna inizia tutto con la raccolta dei dati.
Negli ultimi anni, fortunatamente, il numero dei dati che possiamo raccogliere è enormemente superiore, grazie agli svariati sensori installati in tutto il mondo, ai palloni sonda, radar e ai satelliti nello spazio.
Tra i dati raccolti troviamo temperatura, pressione, umidità, velocità e direzione del vento, concentrazione di ozono.
Gli stessi dati si possono raccogliere anche con i satelliti, meno precisi, ma fondamentali nelle zone meno raggiungibili come gli oceani.
Vi sono poi i radar, che calcolano direzione e velocità del vento, o boe marittime, che raccolgono dati su temperatura dell'aria e del mare, pressione, velocità e altezza delle onde.
Questi dati vengono poi associati alla loro posizione, su una griglia tridimensionale della Terra.
Per modelli su larga scala, quelli che prevedono il variare del meteo ad esempio tra stati e continenti, si utilizzano griglie dalle dimensioni di 10 chilometri di larghezza e un'altezza variabile che va dalle decine di metri vicino al suolo, ai chilometri verso l'atmosfera.
Per i modelli locali, invece, quelli che fanno riferimento ad esempio alle singole città, si raccolgono ulteriori dati in modo più dettagliato, con griglie di un chilometro di larghezza.
Una volta raccolte tutte queste informazioni, che fotografano lo stato della Terra in un determinato istante, i dati vengono condivisi con i diversi centri di ricerca che si occupano di risolvere le equazioni e creare il modello o i modelli associati.
In particolare si crea prima il modello globale, con i dati raccolti su larga scala, che poi viene integrato con i dati raccolti localmente per produrre un modello locale dell'area di interesse, del singolo centro, come la città o il paese.
Una volta ottenuto il modello, però, la previsione vera e propria non è lasciata alla macchina, al computer.
La parte di calcolo, infatti, si occupa solamente di elaborare i dati e fornire delle visualizzazioni grafiche dell'evolversi della situazione meteorologica, è poi compito degli specialisti riuscire ad analizzare i risultati estrapolando le informazioni da comunicare e divulgare le eventuali allerte meteorologiche in caso di previsioni di situazioni emergenziali.
Ma perché, nonostante l'enorme quantità di dati raccolti e l'utilizzo di computer sempre più potenti, non riusciamo comunque a ottenere previsioni affidabili, specialmente sul lungo periodo? La risposta è molto semplice.
Le variabili che governano l'atmosfera terrestre sono molte, troppo numerose per poter essere gestite anche dal più potente supercomputer.
Bastano anche minuscole variazioni, magari un incendio improvviso, l'emissione di gas da parte di una fabbrica, per scatenare un potenziale effetto farfalla, che può avere ripercussioni a livello globale.
I gas atmosferici, poi, essendo per l'appunto dei gas, si muovono in modo continuo e caotico, interagendo tra loro e con altri elementi atmosferici.
Per avere quindi una previsione esatta del meteo, bisognerebbe tenere conto e soprattutto raccogliere i dati di tutte queste variabili, cosa che al momento ci risulta impossibile.
Ma siamo sicuri che non esistano altre metodologie, magari più efficienti, per riuscire ad analizzare i dati raccolti e ottenere previsioni più precise? Da anni si sta cercando di sfruttare la "magia" - come molti la considerano - dell'intelligenza artificiale, che come abbiamo visto ha ottenuto risultati promettenti in numerosi altri ambiti.
Quello della meteorologia, però, è una situazione molto complessa e anche l'intelligenza artificiale non è troppo soddisfacente.
Un contributo sostanziale in questo campo l'ha dato Huawei, con il modello "Pangu-Weather", che è stato addestrato sui dati storici di 40 anni di rilevazioni.
E ad oggi i risultati prodotti dal machine learning risultano molto utili, più che a definire il quadro generale, a integrarlo.
L'intelligenza artificiale, infatti, offre nuove prospettive, trova nuove correlazioni tra gli eventi atmosferici, che magari i modelli matematici ignorano, o possono aiutare ad analizzare i risultati prodotti dai supercomputer.
Di fatto, l'intelligenza artificiale è destinata ad affiancare il sistema classico più che a sostituirlo.
Inoltre, il machine learning porta con sé anche altri problemi, come quello dei bias, per cui alcune situazioni anomale, come appunto le emergenze climatiche, non vengono considerate adeguatamente e vengono quindi trattate come normali eventi, di fatto producendo risultati sbagliati.
Altre tecnologie molto promettenti, invece, potrebbero venire dalla computazione quantistica, che riuscirebbe a lavorare in modo estremamente veloce e preciso su una quantità di variabili decisamente più alta, producendo risultati più affidabili e in tempi più brevi.
Ma anche in questo caso la tecnologia è ancora troppo indietro per poter essere sfruttata a questi scopi.
L'attenzione verso il mondo della meteorologia, dunque, fin dall'inizio della storia umana, non è mai calata e anzi passo dopo passo ci avviciniamo sempre di più a questa meta, che quando sarà raggiunta rivoluzionerà completamente il nostro modo di vivere e potrà veramente essere un tema fondamentale per lo sviluppo del nostro futuro o perlomeno per migliorarlo.
E così si conclude questa puntata di INSiDER - Dentro la Tecnologia. Io ringrazio come sempre la redazione e in special modo Matteo Gallo e Luca Martinelli che ogni sabato mattina ci permettono di pubblicare un nuovo episodio. Per qualsiasi tipo di domanda o suggerimento scriveteci a redazione@dentrolatecnologia.it, seguiteci su Instagram a @dentrolatecnologia
dove durante la settimana pubblichiamo notizie e approfondimenti. In qualsiasi caso nella descrizione della puntata troverete tutti i nostri social. Se trovate interessante il podcast condividetelo che per noi è un ottimo modo per crescere e non dimenticate di farci pubblicità. Noi ci sentiamo la settimana prossima.