6. Machine learning e AI: cosa fanno e cosa no¶

Nei capitoli precedenti abbiamo visto da dove vengono i dati (capitolo 3), come diventano un punteggio (capitolo 4) e come si misura se il punteggio funziona (capitolo 5). Questo capitolo parla delle due parole che oggi si mettono dappertutto, machine learning e intelligenza artificiale, e dice con precisione che cosa fanno in Limen. Soprattutto, che cosa non fanno.

La regola prima di tutto: l'AI non decide un numero¶

Una regola vale per tutto il capitolo: nessun programma che impara da solo, e nessun programma che scrive testi, decide il colore di una cella.

Il colore viene da una formula scritta: pochi numeri, pesi dichiarati, un risultato che chiunque può rifare con carta e penna. È il motore che nel progetto si chiama campione, il titolare. Tutto il resto gli gira intorno:

• un modello addestrato prova a fare meglio della formula, ma lavora in disparte e i suoi risultati finiscono in un registro a parte;
• un modello linguistico riceve i numeri già calcolati e li racconta in italiano, senza poterli toccare.

Perché tanta prudenza? Perché Limen vuole essere uno strumento di cui un Comune o un volontario di Protezione civile si possano fidare. Se domani un tecnico comunale contesta un avviso, la risposta deve essere un foglio con sei numeri e qualche moltiplicazione, non «l'ha deciso il modello». Una formula scritta fa sempre quello che c'è scritto. Un modello addestrato, invece, può peggiorare in silenzio quando il mondo cambia.

Questo non vuol dire che l'apprendimento automatico non serva. Vuol dire che deve guadagnarsi il posto con una prova onesta, scritta prima, che oggi non ha ancora superato.

Imparare dagli esempi, spiegato da zero¶

Un modello che impara è come un medico che fa esperienza¶

Pensiamo a un giovane medico di pronto soccorso. All'inizio applica le regole del manuale: febbre sopra i 39 gradi, pressione bassa, allora ricovero. Con gli anni vede migliaia di pazienti e comincia a riconoscere combinazioni che il manuale non dice: quel tipo di dolore, in quella persona, con quella storia, di solito vuol dire una certa malattia.

Un modello di apprendimento automatico (in inglese machine learning) fa la stessa cosa con i numeri. Non riceve una regola: riceve esempi, e da quelli ricava la regola da solo.

Per Limen, ogni esempio è un pezzo di territorio in un giorno preciso:

• le caratteristiche (gli esperti dicono feature): com'era fatto quel posto e che tempo aveva fatto. Pendenza del versante, tipo di roccia, frane già censite nei dintorni, pioggia caduta nelle 24 ore, nelle 72 ore, nei 30 giorni prima;
• l'esito (gli esperti dicono etichetta): quel giorno, in quel posto, la frana c'è stata oppure no.

Il modello guarda decine di migliaia di questi esempi e impara quali combinazioni di caratteristiche vanno insieme alle frane. Si chiama apprendimento supervisionato perché ogni esempio porta con sé la risposta giusta, come un quaderno di esercizi con le soluzioni in fondo.

Un esempio italiano: la Liguria nell'autunno 2019¶

Fra novembre e dicembre 2019 la Liguria ha avuto centinaia di frane dopo settimane di pioggia. Per un modello, ciascuna di quelle frane datate è un esempio positivo: «versante ripido, argille, 300 mm in un mese, frana sì». Le celle vicine che non sono franate, negli stessi giorni, sono esempi negativi. Mettendo insieme frane di tutta Italia e di molti anni, il modello impara per esempio che la stessa pioggia pesa diversamente su una roccia compatta e su un terreno argilloso.

La formula di Limen sa già alcune di queste cose, perché qualcuno le ha scritte. Il modello può scoprirne altre, o pesarle meglio. È questa la sua promessa.

Il tranello dei vicini: perché l'esame si fa su territori interi¶

Torniamo al medico. Se gli facciamo l'esame finale con gli stessi pazienti che ha visto in reparto, prenderà dieci e lode, ma non sapremo se ha imparato la medicina o se si ricorda le facce.

Con il territorio succede una cosa simile, più sottile. Due celle vicine, a un chilometro di distanza, si somigliano moltissimo: stessa roccia, stessa pioggia, spesso la stessa frana che le attraversa tutte e due. Se si mescolano a caso tutte le celle e se ne mette da parte un quinto per l'esame, quasi ogni cella d'esame ha la sua gemella fra quelle studiate. Il modello riconosce il posto, non il fenomeno, e i risultati sembrano splendidi. Poi, su una valle mai vista, crollano.

Gli statistici lo chiamano fuga di informazione (in inglese leakage). La soluzione usata da Limen è semplice da dire: l'esame si fa su territori interi mai visti. L'Italia viene divisa in riquadri di circa 50 chilometri di lato. I riquadri vengono distribuiti in cinque gruppi. A turno, un gruppo fa da esame e gli altri quattro da libro di studio. Nessun riquadro sta mai a cavallo fra le due cose.

Fonte: le 312.550 celle di Limen (database dell'installazione, sola lettura, 8 novembre 2026), con lo stesso metodo di divisione usato nell'addestramento.

La differenza si vede bene da vicino. A sinistra, una divisione a caso: le celle d'esame (arancio) sono sparse in mezzo a quelle di studio, e ognuna ha le vicine «già viste». A destra, la divisione a blocchi: l'esame è fatto di territori interi.

Fonte: come sopra, ritaglio fra Toscana, Emilia-Romagna e Umbria; ogni punto è una cella da 1 km.

È una scelta più severa di quella che si vede spesso, e dà numeri più bassi. Ma sono numeri più veri: dicono quanto il modello sa fare dove non è mai stato. La letteratura scientifica lo raccomanda da tempo per i dati geografici¹.

Le misure: una lista ordinata, non un voto unico¶

Come si giudica un modello che deve trovare eventi rari? Non basta contare le risposte giuste: un modello che dice sempre «niente frana» avrebbe ragione il 99,9 % delle volte e non servirebbe a nulla.

Limen usa una misura che risponde a una domanda pratica. Immaginiamo di mettere in fila tutti i casi, dal più sospetto al meno sospetto, e di controllarli scendendo lungo la lista. Quanti di quelli segnalati sono frane vere, man mano che si scende? Il numero che riassume questa curva si chiama area sotto la curva precisione-richiamo (in sigla AUC-PR, dall' inglese). Vale 1 per un modello perfetto. Per chi tira a indovinare vale quanto la quota di casi veri nel campione: nel nostro quaderno, una frana su sei, cioè circa 0,17².

Fonti: frana, addestramento del luglio 2026 su 37.476 esempi (issue #5: 0,597 ± 0,042) e misura della formula sullo stesso esame (README, tabella delle misure: 0,28); incendio, una stagione estiva 2024, 30.066 esempi di cui 4.814 incendi (issue #68).

Letto in parole semplici: scendendo lungo la lista dei casi più sospetti, dove la formula delle frane trova una frana ogni tre o quattro segnalazioni, il modello ne trova una ogni due circa. Per gli incendi il vantaggio è più piccolo. Sono differenze vere, ottenute con l'esame severo a blocchi. E nessuno dei due è vicino alla perfezione.

Eventi rari: dare più peso a chi è raro¶

Un modello che vede una frana ogni sei esempi tende comunque a sbilanciarsi verso il «no». Per correggere, durante l'addestramento Limen dà più peso agli errori sugli eventi rari: sbagliare una frana vera costa cinque volte più che sbagliare un giorno tranquillo. È come un insegnante che, in una classe dove quasi tutti rispondono bene alle domande facili, fa contare di più quelle difficili.

Dire «70 %» e intendere 70 %: la calibrazione¶

Un modello non dice solo sì o no: dà una probabilità. Ma quella probabilità è onesta? Il servizio meteorologico che dice «70 % di pioggia» è affidabile se, prendendo tutti i giorni in cui l'ha detto, ha piovuto davvero circa sette volte su dieci.

Il modello di Limen, dopo l'addestramento, passa per un aggiustamento che si chiama calibrazione: si confrontano le probabilità che ha dato con quello che è successo davvero negli esami, e si corregge la scala perché «0,7» voglia dire davvero sette su dieci³. Il risultato si misura con un numero che punisce le probabilità sbagliate (il punteggio di Brier⁴): 0 è perfetto. Il modello frane, dopo la calibrazione, ottiene 0,094.

Perché il modello dice quello che dice: le spiegazioni¶

Un modello che dà un numero senza spiegarlo non si può usare in protezione civile. Per ogni previsione, Limen chiede al modello quanto ha pesato ogni caratteristica: la pioggia di 72 ore ha spinto in su di tanto, la pendenza di tanto, la roccia ha tirato in giù. Il metodo si chiama SHAP, dal nome dei valori di Shapley della teoria dei giochi⁶: l'idea è dividere il risultato fra i «giocatori» in modo equo, come si dividerebbe un premio fra i membri di una squadra in base a quanto ha contribuito ciascuno.

Le spiegazioni non sono solo per chi legge la mappa: servono a scoprire gli errori. Il caso dell'incendio è istruttivo. Alla prima prova, una caratteristica pesava dieci volte più di tutte le altre: la storia degli incendi della cella. Un peso così fuori scala è un campanello. Guardando meglio, quella storia comprendeva anche il giorno dell'incendio che il modello doveva indovinare: leggeva la risposta. Corretto l'errore, la spiegazione è tornata sensata, e ne è venuta fuori un'altra cosa interessante: per il modello, il combustibile «pesa al contrario». Gli incendi del campione stavano su terreni più piatti e meno boscosi. Il motivo è che i satelliti vedono anche le stoppie bruciate nei campi, che sono fuochi veri ma non incendi boschivi. Il modello imparava bene quello che gli si mostrava, che non era del tutto la domanda giusta (issue #68).

Quando il mondo cambia: la deriva¶

Un modello impara da esempi del passato. Se il presente cambia, per esempio perché le piogge diventano più intense o perché un dato di ingresso cambia fonte, il modello continua a rispondere con sicurezza, ma sulla base di un mondo che non c'è più. È come un navigatore con le mappe vecchie: ti guida con la stessa voce tranquilla anche su una strada chiusa.

Questo fenomeno si chiama deriva (in inglese drift)⁷. Limen la sorveglia ogni notte: confronta la distribuzione di una grandezza chiave (la pioggia di 72 ore) negli esempi di addestramento con quella dei giorni recenti, e controlla se le probabilità medie del modello si stanno spostando. Se la differenza supera una soglia, il sistema segnala che servirebbe un nuovo addestramento. Può anche riaddestrare da solo, se lo si accende. Ma non promuove mai il nuovo modello: quello resta un gesto umano.

Il titolare e lo sfidante¶

Due motori, uno solo in campo¶

Nel progetto i due motori hanno un nome preso dallo sport. La formula è il campione, il titolare. Il modello addestrato è lo sfidante. Lo sfidante gira «in ombra» (in inglese shadow): vede gli stessi dati del campione, calcola la sua probabilità per ogni cella, la scrive in un registro a parte e si ferma lì. Non colora nulla, non manda avvisi. Se si rompe, la mappa non se ne accorge.

Lo sfidante gira una volta per notte, non ogni ora. Il motivo è pratico: calcolare un modello e le sue spiegazioni su 312.000 celle ogni ora costerebbe molto, per un verdetto che oggi è «non ancora».

flowchart LR
  A["Esempi del passato<br/>frane e incendi con data,<br/>posto e meteo di allora"] --> B["Addestramento<br/>esame a territori interi,<br/>cinque turni"]
  B --> C["Registro dei modelli<br/>con le misure<br/>e l'etichetta «idoneo sì/no»"]
  C --> D["Ogni notte: lo sfidante<br/>calcola in ombra,<br/>accanto alla formula"]
  D --> E["Ogni notte: controllo<br/>della deriva"]
  E -->|"il mondo è cambiato"| B
  D --> F["Rapporto di confronto<br/>sfidante contro formula"]
  F --> G{"Una persona<br/>decide"}
  G -->|"sì, con prove"| H["Lo sfidante<br/>diventa campione"]
  G -->|"no"| D
  style G fill:#fff3cd,stroke:#b58900
  style H stroke-dasharray: 5 5

Il ciclo notturno dell'apprendimento automatico. Il riquadro tratteggiato non è mai successo: oggi la formula è il campione.

Cosa ha detto l'unica prova in ombra¶

Nel luglio 2026 lo sfidante delle frane ha girato accanto alla formula su tutta Italia. Il rapporto ha messo a confronto un milione e mezzo di coppie di valori (1.547.088), ma su soli tre giorni, dal 7 all'11 luglio, perché il servizio si è poi fermato. Questi i numeri (issue #4):

Il verdetto, scritto nella issue, è stato non promuovere. Senza frane vere nella finestra non si può sapere chi dei due abbia ragione. Il modello era molto più «tranquillo» della formula: in una settimana secca d'estate può voler dire che è giustamente prudente, oppure che sta mancando il rischio. Tre giorni senza eventi non distinguono le due cose.

C'è anche un problema di confronto: il modello dà una probabilità (quante possibilità ci sono che una frana avvenga), la formula dà un indice (quanto la situazione è seria su una scala da 0 a 1). Confrontarli classe per classe è come confrontare gradi Celsius e Fahrenheit: dicono cose collegate, su scale diverse. Un rapporto più onesto dovrebbe confrontarli su ciò che conta davvero, cioè gli eventi trovati e gli allarmi a vuoto.

Che cosa serve perché il modello entri in campo¶

Il progetto ha scritto prima le regole della promozione. Lo sfidante deve superarle tutte, misurate sullo stesso esame a blocchi della formula:

E anche superandole tutte, il modello riceve solo l'etichetta «idoneo». A metterlo in campo è una persona, con un comando. Non esiste un percorso per cui un modello si promuove da solo durante la notte.

Leggendo il codice per scrivere questo libro abbiamo trovato una cosa che va detta: oggi l'esame non si può superare. L'anticipo, cioè quante ore prima dell'evento il modello lo segnalava, non viene ancora calcolato e il programma lo mette a zero, mentre la soglia è 18 ore. Il commento nel codice lo dichiara («la risposta onesta finché non arriva la finestra dinamica»), ma la conseguenza è che nessun modello può risultare idoneo. Va corretto prima di ogni promozione.

Quanto tempo e quanti dati servono¶

L'obiettivo di Limen è un'affidabilità altissima ottenuta con calcoli provati. Per arrivarci con l'apprendimento automatico la strada è chiara, e non è breve. In ordine:

1. Correggere l'esame: calcolare l'anticipo vero e rigiocare lo sfidante nello stesso backtest della formula, così che i due si confrontino su eventi trovati e allarmi a vuoto, non su numeri diversi. Lavoro di programmazione: alcune settimane.
2. Rimettere insieme il quaderno: ripristinare o rigenerare i circa 37.500 esempi di frana e i 30.000 di incendio sull'installazione attuale, e riaddestrare l'incendio con i nuovi pesi del combustibile. Lavoro di calcolo: giorni.
3. Lasciarlo girare in ombra a lungo: la issue #4 chiedeva da due a quattro settimane. Per le frane, che vengono soprattutto in autunno e in inverno, serve una stagione piovosa intera, da ottobre a marzo, con eventi veri registrati. Per gli incendi, un'estate.
4. Avere più eventi veri, con data e luogo. Il catalogo delle frane datate caricato oggi conta 6.312 eventi dal 1996 al 2021. Sono pochi per un Paese che ne ha censite più di 721.000 (senza data, vedi il capitolo 1), e soprattutto sono incompleti: una frana in un bosco, che non tocca né strade né case, spesso non entra in nessun registro. Un modello che impara da un registro incompleto impara anche le sue lacune.

Detto in un'altra forma: la parte che manca di più non è il calcolo, sono i dati. È qui che enti, ricercatori e cittadini possono fare la differenza (vedi il capitolo 10).

Il modello che scrive: spiegare, non decidere¶

Che cos'è un modello linguistico, in due righe¶

Un modello linguistico (in inglese Large Language Model, LLM) è un programma che ha letto moltissimi testi e sa continuare una frase in modo plausibile. È bravissimo a scrivere in un italiano chiaro. Ha però un difetto noto: può scrivere cose false con grande sicurezza, perché il suo mestiere è produrre frasi plausibili, non frasi vere.

Per questo, in Limen, il modello linguistico ha un compito stretto e ben recintato: raccontare in italiano i numeri che la formula ha già calcolato.

Come nasce un testo spiegato¶

Ogni ora la formula ricalcola le tre mappe. Questo calcolo non aspetta mai il modello linguistico: la mappa deve essere pronta in pochi minuti, e scrivere i testi è molto più lento. Su una regione di 10.353 celle il calcolo vero richiede meno di un secondo, mentre i due passaggi di scrittura ne richiedevano 140.

Così i testi si scrivono dopo, con calma, e solo per le regioni dove qualcosa si è alzato. Due «addetti» lavorano uno dopo l'altro:

• il primo, l'analista, legge i numeri e compila una scheda con campi fissi: la causa principale (scelta da un elenco chiuso), il livello di fiducia, gli elementi esposti. Non scrive prosa libera, e non può inventare una causa che non sta nell'elenco;
• il secondo, il redattore, trasforma la scheda in un paragrafo in italiano.

Ogni pericolo ha le sue istruzioni: quelle per le frane chiedono di spiegare il rischio di frana, quelle per l'incendio parlano di meteo e combustibile. Se un pericolo non avesse le sue istruzioni, il testo non verrebbe scritto affatto: meglio il silenzio che un esperto di frane che racconta un incendio.

flowchart TD
  F["La formula calcola<br/>punteggi e classi"] --> S["Salvati sulla mappa<br/>(subito, senza AI)"]
  S --> Q{"Qualcosa si è alzato<br/>o è passato un giorno?"}
  Q -->|no| N["Nessun testo nuovo"]
  Q -->|sì| A["Analista: scheda con<br/>campi fissi"]
  A --> R["Redattore: paragrafo<br/>in italiano"]
  K["Biblioteca di articoli<br/>(facoltativa, 3 secondi al massimo)"] -.->|citazioni| R
  B{"Tetto di spesa<br/>del mese superato?"} -.-> A
  R --> T["Testo della regione"]
  A -->|"errore, lentezza,<br/>tetto superato"| D["Testo di riserva<br/>scritto senza AI"]
  D --> T
  T --> V["La sera: un revisore<br/>controlla un campione"]
  style F fill:#e8f1fb,stroke:#0072B2
  style D fill:#f3f3f3,stroke:#888

Come nasce il testo di una regione. I numeri (in blu) nascono prima e non passano mai dall'AI. Ogni freccia che va storta finisce nel testo di riserva.

La prova che i numeri non cambiano¶

«Il modello non tocca i numeri» non è una promessa: è una prova automatica che gira a ogni modifica del programma. Il test fa calcolare a Limen una zona con e senza i due addetti dell'AI, e controlla che il punteggio, la classe e ogni singolo fattore siano identici. Se un cambiamento del codice permettesse al testo di spostare un numero anche di un millesimo, la prova fallirebbe e il cambiamento non entrerebbe.

Anche gli avvisi (Telegram, email e gli altri canali) sono scritti senza AI: il testo di un avviso si costruisce con regole fisse a partire dai numeri. Un modello linguistico non può inventare una cifra in un messaggio di allerta, perché non partecipa a quel messaggio.

Il revisore e il tetto di spesa¶

Ogni sera un secondo modello, diverso da quello che ha scritto, rilegge un piccolo campione di testi (quattro) e controlla che siano fedeli ai numeri: che non citino cause assenti, che non esagerino, che non rassicurino a torto. È come far rileggere un articolo a un collega che non l'ha scritto. Il revisore lavora in differita, con il servizio «a lotti» di Anthropic, che costa la metà e restituisce le risposte entro qualche ora. Se non risponde in tempo, il testo resta senza giudizio, mai promosso a «fedele» d'ufficio.

Tutta la spesa per i modelli in cloud ha un tetto: 10 dollari al mese. Ogni richiesta viene registrata con il modello che ha risposto davvero e i caratteri consumati. Prima di ogni richiesta, Limen somma la spesa del mese: se il tetto è raggiunto, la richiesta non parte e si usa il testo di riserva. Se la spesa non si riesce a leggere, la richiesta non parte lo stesso. Il consumo (non i dollari) è pubblico: in alto sulla mappa compare «AI in pausa» quando il tetto è raggiunto.

Dove gira il modello: in casa o in cloud¶

Limen non ospita i modelli dentro di sé. Parla con un solo sportello, un programma di smistamento (il gateway LiteLLM) che decide a chi passare la richiesta: a un modello piccolo che gira sul server stesso, con il motore open source llama.cpp, oppure a Claude di Anthropic in cloud. Lo sportello tiene anche il conto della spesa e, se il modello locale non risponde, passa a quello in cloud.

Il modello locale ha bisogno di una scheda grafica. Sul server di riferimento c'era; sull'installazione attuale, un computer Mac con processore Intel, no. Per questo oggi i testi dipendono dalla chiave di Claude. E qui sta il dato più onesto di questo capitolo: l'8 novembre 2026 tutti i 26 testi delle regioni sono il testo di riserva, scritto senza AI, perché la chiave è stata rifiutata dal servizio. La mappa e gli avvisi funzionano lo stesso, con le spiegazioni scritte a regole. È esattamente quello per cui il sistema è stato progettato, ma vuol dire che oggi la parte «intelligente» dei testi è spenta.

La biblioteca di articoli: solo citazioni¶

Un testo spiegato è più utile se dice da dove viene quello che afferma: «le frane superficiali in Liguria si innescano tipicamente dopo piogge intense su suoli già saturi (Autore, anno)». Limen può collegarsi a un servizio esterno, una specie di biblioteca organizzata (in inglese knowledge graph, grafo della conoscenza), che restituisce articoli scientifici pertinenti alla regione e al tipo di fenomeno.

Le regole sono strette. La biblioteca aggiunge citazioni in fondo al testo, non cambia mai un numero. Viene interpellata in parallelo alla scrittura, con un tempo massimo di tre secondi: se è lenta o spenta, il testo esce senza citazioni. Oggi, sull'installazione attuale, il servizio non è attivo.

Parlare con altri programmi: MCP e A2A¶

Limen non ha una chat, e non per pigrizia: una risposta conversazionale su un rischio è proprio il punto in cui un modello linguistico può inventare con più sicurezza. Però Limen si fa interrogare da altri programmi, compresi gli assistenti AI di chi lo usa, attraverso due linguaggi comuni:

• MCP (Model Context Protocol), uno standard aperto con cui un assistente AI può chiedere a un servizio dei dati precisi: «quali sono le dieci celle più a rischio in Calabria?», «perché questa cella è alta?». Limen risponde con i suoi numeri, non con frasi inventate;
• A2A (Agent to Agent), uno standard per far parlare fra loro programmi autonomi: un sistema regionale potrebbe chiedere a Limen il riepilogo nazionale o i comuni più esposti.

Le domande sono pubbliche come la mappa. Le poche azioni che cambiano qualcosa, come lanciare un ricalcolo, chiedono una parola d'ordine; se la parola d'ordine non è impostata, quelle azioni restano spente.

Lo stato vero, in una tabella¶

Per chi vuole sapere com'è oggi, senza giri di parole. Misure fatte sull' installazione attuale l'8 novembre 2026, in sola lettura.

Gap e come chiuderli¶

Che cosa manca, in breve. Il dettaglio tecnico sta nella issue indicata.

• L'esame di promozione non si può superare. L'anticipo non viene calcolato e vale zero contro una soglia di 18 ore; eventi trovati e allarmi a vuoto sono misurati sul quaderno di esercizi, non sulla mappa vera, e il rapporto in ombra confronta una probabilità con un indice. Finché è così, nessun modello può diventare campione. (#483)
• Il quaderno e il registro dei modelli non hanno fatto il trasloco. Sull'installazione attuale mancano i 37.476 esempi di frana, i 30.066 di incendio, i modelli addestrati e la storia degli incendi rilevati dai satelliti; lo sfidante è spento. Senza, nessuna misura del capitolo si può rifare. (#486)
• Il modello incendio è rimasto ai vecchi pesi del combustibile. Legge il combustibile con le regole correnti della formula, che con la versione 1.1.0 sono cambiate: va riaddestrato e rimisurato prima di ogni confronto. (#485)
• Al quaderno mancano i dati più nuovi. Il modello frane non vede i terremoti recenti, la pioggia misurata dal radar, le due direzioni del movimento del terreno che il satellite europeo ora fornisce, né il suolo impermeabile; l'alluvione non ha ancora un suo sfidante. Proposta di dati aperti: il servizio europeo di monitoraggio dei movimenti del terreno (EGMS, Copernicus), gratuito con licenza aperta, che Limen già scarica (https://egms.land.copernicus.eu). (issue: #380 per il movimento del terreno; #482)
• Le frane con data sono poche e incomplete. 6.312 eventi datati dal 1996 al 2021, mentre le frane che non toccano strade o case spesso non si registrano. Proposta di dati aperti: il catalogo nazionale delle frane innescate dalla pioggia del CNR-IRPI (e-ITALICA, licenza aperta su Zenodo, https://doi.org/10.5281/zenodo.14204473) aggiornato oltre il 2021, e i registri degli interventi dei Comuni e delle Province, se pubblicati con data, luogo e licenza aperta. (#500)
• Il piccolo modello sulla pioggia non si può addestrare su questa macchina, e non è collegato a niente. La libreria che serve non esiste più per i Mac con processore Intel, e il modello finale non viene usato da nessun passo del calcolo. (#487)
• Oggi nessun testo è scritto dall'AI. La chiave del servizio in cloud è rifiutata e la macchina non ha la scheda grafica per il modello locale: tutti i testi sono quelli di riserva. Non cambia nessun numero, ma la spiegazione a parole è spenta. (#488)
• Il numero non dice quanto è sicuro. Una cella con tutti i dati e una con metà dei dati mancanti si presentano allo stesso modo; l'addestramento calcola già una forbice di incertezza, ma non arriva sulla mappa. (#484)

Per approfondire¶

• Cosa fanno ML e AI, e cosa no, la scheda divulgativa da cui parte questo capitolo.
• La documentazione tecnica del progetto (in inglese): apprendimento automatico, biblioteca di articoli, modelli linguistici.
• Le issue con le misure: #4 (prova in ombra), #5 (addestramento frane), #68 (sfidante incendio).
• Strumenti: LightGBM https://lightgbm.readthedocs.io, SHAP https://shap.readthedocs.io, MLflow https://mlflow.org/docs/latest/, LiteLLM https://docs.litellm.ai, llama.cpp https://github.com/ggml-org/llama.cpp, Message Batches di Anthropic https://docs.claude.com/en/docs/build-with-claude/batch-processing, Model Context Protocol https://modelcontextprotocol.io, protocollo A2A https://a2a-protocol.org/latest/.