YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Italian subtitles

← abm 9 6 wrapup+future

Get Embed Code
5 Languages

Showing Revision 1 created 04/18/2017 by Marzio Di Feo.

  1. Allora ci siamo, abbiamo raggiunto la fine
    del corso. Ma prima di lasciarvi
  2. voglio divagare su tre tendenze e
    necessità del modello basato su agente
  3. che vedo come fondamentali
    per andare avanti con il modello.
  4. E questo è il mio particolare ambito,
    sono davvero assai interessato,
  5. ma anche capitalizzare sulle tendenze
    che vediamo in altre aree delle scienze
  6. computazionali, in particolare per le
    scienze sociali computazionali e le scienze
  7. biologiche-socio-ecologiche. E nessuna di queste
    rappresenta la generazione automatica delle regole
    di un agente. Ora, di questo
  8. ho parlato nella sez. 9.1, ok?
    Abbiamo questa grande mole di dati
  9. che ora organizziamo su cosa gli umani
    e le entità fanno
  10. nel mondo, va bene? Abbiamo sensori su
    tutto, abbiamo l'internet delle cose
  11. che esplode ormai ovunque. I dati sociali,
    dati dalle app, dati dai cellulari
  12. nelle tasche di ognuno, ok?
    E la domanda è, possiamo usarli
  13. per definire regole automatiche
    che catturano l'essenza delle azioni umane
  14. in questi spazi, ok? Come definire come
    gli esseri umani si muovono nel mondo, come
  15. interagiscono con l'internet delle
    cose, ok? O definire come l'internet
    delle cose
  16. interagisce con se stesso,
    come se le macchine diventassero sempre più
    automatizzate.
  17. Va da sé, queste regole vanno anche valutate,
    ok? E un modo per
  18. validarle è costruire queste regole,
    fare previsioni
  19. vedendo se e come queste
    vengono realizzate.
  20. Ora perché sarebbe interessante
    farlo al livello dell'agente?
  21. Se abbiamo tutti questi dati, perché
    non possiamo usare questi dati, ok?
  22. Ma senza le regole dell'agente che prevede
    il comportamento al livello individuale,
  23. non abbiamo la possibilità
    di valutare cosa accadrebbe se cambiasse
  24. la struttura incentivo per un particolare
    individuo in quello spazio.
  25. Ora modellare uno stato causale ci dà
    un esempio di questo.
  26. Ma possiamo usarne tanti altri,
    potreste usare l'albero della decisione,
  27. potreste usare le regole associative, va bene.
  28. Potreste usare il sistema dei classificatori.
    Ci sono molti metodi
  29. che ci permettono di fare questo.
  30. E con tutte queste fondi di dati, big data,
  31. i dati amministrativi non sono nuovi,
    ma l'abilità di processarli in grandi quantità
  32. i dati del linguaggio naturale, i dati dal testo a voce,
  33. dati sociali, dati dalle app, diventare
    davvere capaci di
  34. capitalizzare su questo cambierà
    in maniera forte il modo
  35. di percepire il modello basato su agente nel mondo
    intorno a noi, ok.
  36. E ci dà una cassetta degli attrezzi molto più potente
    per comprendere alcune di queste situazioni.
  37. Ora, va da sé, uno dei grandi problemi con alcuni
  38. di questi dati e uno dei problemi di cui le persone
    si lamentato, è che
  39. i dati di traccia è essenzialmente digitalemente
    scarico.
  40. Sono dati che non dicono niente in realtà.
  41. Abbiamo quindi bisogno di validare
    questi modelli
  42. contro i dati reali e calibrare
  43. questi modelli per mostrare che
    lavoro bene, ok.
  44. Abbiamo bisogno di linee guida rigorose,
    credo, da seguire,
  45. che mostrino che i nostri modelli, i modelli
    basati su agente, siano stati validati in maniera
    appropriata.
  46. Penso spesso a questo come una suite di test
    statistici, ok.
  47. La statistica è molto buona. La disciplina della
    statistica è molto buona.
  48. Dire, "se avete dati che sembrano questo
    e i vostri outputs sembrano questo,
  49. poi ci sono vari test che
    dovete applicare", ok.
  50. E in alcuni casi, quello che stiamo facendo
  51. è fondamentalmente scoprire quale di
    questi test statistici appropriati, che
  52. già esistono, sarebbero i più adatti
    da applicare in una certa situazione, ok.
  53. E poi, cosa significa questo è dare
    credito e credibilità
  54. all'idea che questo modello che ho creato e
    messo in azione in questi test per compararlo
  55. ai dati empirici che ho visto, poi mi hanno aiutato
    per validarli e
  56. aumentare la mia confidenza in questo modello.
  57. Ora, va da sé, essere capaci di calibrare il
    nostro modello
  58. per aumentare il livello di verifica
    sarebbe anche utile.
  59. Quindi costruire degli sturmenti come BehaviorSpace, di cui
    abbiamo prima discusso, più facili da usare
  60. così gli utenti possono calibrare i modelli
    automaticamente contro
  61. i dati reali sarebbe un passo avanti assai
    forte in questo campo.
  62. Infine, e questi tipi di derive
    di ogni altro pensiero
  63. sul futuro, se possiamo costruire modelli
    automaticamente...se possiamo costruirli
  64. da questa grande quantità di dati che
  65. entrano - e potremmo validarli
    in continuazione in maniera automatica
  66. dove abbiamo una suite di tes che
    sappiamo che ci dirà se
  67. il modello si sta comportando in maniera accurata,
    poi
  68. potremmo costruire un modello teorico
    che costruirà in maniera automatica un modello
  69. sulla base dello streaming dei dati, ok?
  70. E con questo voglio dire che tirando giù...
    per esempio...
  71. i dati dell'indice di borsa, i dati di Twitter, qualsiasi
    cosa
  72. bisigna, e di continuo creare un modello di
    status socioeconomico
  73. di un paese intero, per esempio,
    di qualcosa come questo.
  74. O forse mettere giù i dati
    dall'internet delle cose, che guarda
  75. ai sensori attaccati ai lampioni
    di una particolare città
  76. che svela i flussi di traffico, e poi
    fare continue previsioni
  77. sul se ci sarà o meno un ingordo stradale
  78. in alcune aree
  79. in modo che i policy makers e gli amministratori
    locali possano, in tempo reale, cambiare segnaletica
  80. per muove le persone intorno
    all'ingorgo stesso.
  81. Se questo fosse il caso...se avessimo
    questa abilità, di uno strumento in grado
  82. di costruire quueste cornici in tempo reale
    in grado di prevedere, allora, o no,
  83. ma in grado di predire e esplorare scenari
    futuri,
  84. potremmo usarli per supportare
    il processo decisionale in tempo reale.
  85. Queste sono tre aree - l'uso dello streaming
    di dati, i big data,
  86. e la capacità di generare automaticamente
    regole dai dati,
  87. e la verifica e il calibro e il miglioramento,
    credo siano aspetti
  88. critici per il futuro del modello
    basato su agente.
  89. Come detto, ecco tutto, l'Unità 9, abbiamo parlato
    di big data ABM, di
  90. linee guida. Abbiamo parlato
    degli utenti di ABM per la comunicazione
  91. e la formazione. Abbiamo parlato
    di construtti di programmi avanzati come mappe
  92. e ridurle e mettere in azione e compiti
    degli esiti.
  93. Abbiamo parlato di simulazione partecipante,
    modelli di sistemi dinamici,
  94. poi abbiamo parlato di estensioni e il futuro
    del modello basato su agente.
  95. Vedrete le slides dell'Unità 9, e vedrete
    che i test dell'Unità 9 arriveranno a breve.
  96. Ma volgio ringraziare ognuno per aver
    preso parte a questo corso.
  97. Spero che vi siate divertiti. Io
    nell'insegnamento sicuro,
  98. e mi sono divertito molto
  99. nella discussione che stiamo
    avendo
  100. nel forum, e attraverso il ricevimento
    su You Tube, e cose del genere.
  101. E spero che siate capaci di tirare qualcosa
    fuori da questo.
  102. Per favore, rimanete in contatto se andate avanti
  103. e usate il modello basato su agente nei vostri
  104. lavori o per divertirvi, per
    quello che importa.