L'Intelligenza Artificiale (IA) è un ramo dell'informatica che sviluppa sistemi capaci di svolgere attività che tradizionalmente richiedevano intelligenza umana: comprendere il linguaggio, pianificare, ragionare, riconoscere pattern. Il termine nasce nel 1955, nel nome proposto per una conferenza al Dartmouth College. Da allora, grazie ai progressi tecnologici e alla diffusione di internet, sono stati sviluppati numerosi sistemi con applicazioni sempre più impattanti. I recenti servizi di chatbot e gli LLM sono una manifestazione molto attuale e di sicuro impatto, ma già molto prima l’IA ha dato risultati che hanno già cambiato il nostro modo di muoverci. Approfondiamo un po’ diversi approcci all’IA, considerando due categorie principali e le rispettive applicazioni alla mobilità sostenibile.
L'IA simbolica si basa su regole e rappresentazioni esplicite della conoscenza, organizzando le informazioni attraverso strutture come grafi e alberi. Una rete di trasporto può essere facilmente fatta corrispondere a un grafo, i cui nodi siano per esempio incroci o stazioni della metropolitana, e i cui archi siano strade o tratte che collegano le stazioni. Questo approccio alimenta algoritmi di pianificazione e ragionamento logico, particolarmente efficaci quando le decisioni devono basarsi su informazioni chiare e strutturate.
I sistemi di trasporto multimodale utilizzano algoritmi come Dijkstra e A* per calcolare percorsi ottimali. Quando un utente chiede a Google Maps o a Citymapper il percorso migliore combinando metro, bus e tratti a piedi, sono proprio questi algoritmi a trovare la soluzione ottimale considerando orari, distanze e tempi di attesa, integrando dati pubblici su trasporti e infrastrutture.
L'IA simbolica ha permesso lo sviluppo dei Knowledge Graph, strutture che rappresentano entità e relazioni in domini specifici. Nel contesto della mobilità sostenibile, questi grafi collegano dati su trasporti pubblici, ambiente e urbanistica, offrendo una visione integrata nei sistemi di gestione delle smart city.
Inoltre, il lavoro sui grafi della conoscenza ha stimolato la standardizzazione dei formati di dati, un passaggio cruciale per la mobilità sostenibile. Un esempio emblematico è il GTFS (General Transit Feed Specification), formato globalmente adottato per i dati sul trasporto pubblico. Prima dell'introduzione di standard come il GTFS, ogni azienda di trasporto utilizzava formati proprietari, rendendo estremamente complesso integrare informazioni provenienti da diverse città o operatori. Oggi, grazie al GTFS, un'app può mostrare in tempo reale gli orari dei bus di Milano, Roma e Napoli utilizzando lo stesso formato dati. Questo standard facilita anche l'integrazione con servizi di mobilità condivisa: un utente può pianificare un viaggio che combina metropolitana, car sharing e monopattini elettrici, tutto attraverso un'unica interfaccia. La standardizzazione riduce i costi di sviluppo per le aziende tecnologiche e migliora significativamente l'esperienza degli utenti, rendendo le informazioni più accessibili e affidabili.
L'IA subsimbolica deriva pattern e tendenze direttamente dai dati, senza rappresentazioni esplicite della conoscenza. Include tecniche di machine learning e reti neurali, che apprendono da dati grezzi per fare previsioni e riconoscere pattern.
Le tecniche di apprendimento non supervisionato, come il clustering, analizzano dati sulla mobilità senza necessità di annotazioni preliminari. Applicati a sensori di traffico, GPS dei veicoli e sistemi di trasporto pubblico, questi metodi identificano aree congestionate e migliorano l'efficienza delle reti. Ad esempio, analizzando i dati GPS di migliaia di veicoli, è possibile scoprire automaticamente quali zone della città soffrono di congestione ricorrente in determinati orari, informazione preziosa per la pianificazione urbana.
Le reti neurali e altri modelli supervisionati vengono addestrati su dati storici per prevedere flussi di traffico e cambiamenti nella domanda di servizi. Un sistema può imparare che il lunedì mattina la linea 2 della metro sarà più affollata del solito, permettendo all'operatore di aumentare la frequenza dei treni.
Nel contesto della Mobility as a Service (MaaS), che integra vari servizi di trasporto in un'unica piattaforma accessibile su richiesta, l'IA permette di elaborare scenari "what-if", uno strumento fondamentale per la pianificazione strategica. L'elaborazione di scenari "what-if" consente di simulare diversi modelli di utilizzo e prevedere come cambiamenti nei servizi o nell'infrastruttura potrebbero influire sulla mobilità urbana prima di implementarli. Questa capacità è particolarmente preziosa perché permette di valutare virtualmente interventi costosi, che potrebbero rivelarsi inefficaci, e magari irreversibili.
Ad esempio, un'amministrazione comunale che sta valutando se introdurre una nuova linea di tram può utilizzare l'IA per simulare come cambierebbe la distribuzione dei flussi di traffico, quanti cittadini potrebbero abbandonare l'auto privata, quale sarebbe l'impatto sulla congestione e sulle emissioni. Oppure, nel caso di sistemi di bike-sharing, è possibile simulare l'effetto di variare il numero e la posizione delle stazioni: dove posizionarle per massimizzare l'utilizzo? Quante biciclette servono in ciascuna stazione nelle diverse ore del giorno?
Un esempio concreto è descritto in questo recente articolo sviluppato nel contesto del Centro Nazionale MOST, che illustra come elaborare scenari variando il numero di stazioni di bike-sharing dock-based, cercando un buon bilanciamento tra l’accessibilità al servizio e la sua sostenibilità economica. Questi scenari forniscono informazioni quantitative ai decisori pubblici e ai gestori dei servizi, riducendo il rischio di investimenti inefficaci e permettendo di ottimizzare le risorse disponibili, pur richiedendo attenzione alle assunzioni dei modelli sottostanti.
