Blu7, azienda in corso di riconoscimento MIM per corsi in aula e online. Iscriviti a 7 Pillole Blu.

Nel marzo 2024 DeepMind, il laboratorio di intelligenza artificiale di Google, ha pubblicato su Nature Communications il risultato di una collaborazione pluriennale con il Liverpool FC: TacticAI, un sistema che assiste gli allenatori sui calci d’angolo. Il lavoro è ad accesso libero.

Non è un articolo di calcio. È però il posto migliore per spiegare che cos’è un modello predittivo, perché lì tutto è visibile: cosa entra, cosa esce, quando la previsione ha preso e quando ha sbagliato. Le stesse condizioni che hanno reso possibile quel lavoro dicono se un modello del genere può servire a una piccola azienda.

Indice

Che cosa fa TacticAI, in concreto

Un calcio d’angolo è una situazione fotografabile: ventidue giocatori in campo, posizioni e velocità note al momento del tiro, un esito in pochi secondi. DeepMind lo ha trasformato in un grafo, cioè una rappresentazione in cui ogni giocatore è un punto e ogni relazione fra due giocatori è una linea che li collega. Il modello lavora su quella struttura: la descrizione di ogni giocatore viene corretta di continuo tenendo conto di quella degli altri. Non conta dove sta un uomo, conta dove sta rispetto agli altri ventuno. Il sistema risponde a tre domande, dichiarate nell’annuncio ufficiale: chi toccherà per primo il pallone, se ci sarà un tiro, come vanno spostati i giocatori per renderlo più o meno probabile.

L’archivio grezzo, fornito dal club, contava 9.693 calci d’angolo raccolti in Premier League fra la stagione 2020-21 e il gennaio 2023. Dopo aver scartato 2.517 situazioni incomplete (dati di tracciamento o etichette mancanti) ne sono rimaste 7.176 utilizzabili, divise fra 80% per l’addestramento e 20% per la verifica. Sul primo tocco il modello migliore ha raggiunto 0,782 di accuratezza fra le prime tre risposte: nel 78% circa dei casi il giocatore che tocca davvero la palla è fra i tre indicati.

Cinque professionisti del Liverpool (tre data scientist, un video analyst, un assistente allenatore) hanno confrontato le disposizioni suggerite dal sistema con quelle realmente usate in campo: hanno preferito quelle del modello nel 90% dei casi. Non hanno nemmeno saputo distinguere le situazioni generate dalla macchina da quelle vere. Sul recupero di situazioni simili già viste, la prima proposta è stata giudicata pertinente il 63% delle volte contro il 33% di un confronto basato sulle sole posizioni.

Che cos’è un modello predittivo

Un modello predittivo è un programma che, avendo visto migliaia di volte come sono andate a finire situazioni simili, associa a una situazione nuova la probabilità dei possibili esiti. Non conosce le regole del calcio, non sa cosa sia un difensore: ha visto settemila calci d’angolo e ne ha estratto una regolarità statistica.

È una specie particolare di machine learning, cioè di apprendimento automatico. Invece di scrivere le istruzioni una per una si fornisce alla macchina un dataset di casi passati con il loro esito, poi il programma ricava da solo la relazione fra le condizioni di partenza e il risultato. La parola “previsione”, qui, non significa indovinare il futuro ma stimare quanto è probabile un esito, dato quello che è già successo in condizioni analoghe. Da questa definizione discendono tre condizioni.

Prima condizione: la situazione si ripete

Il calcio d’angolo non è una partita, è un momento che ricomincia ogni volta uguale nella struttura: palla ferma nello stesso punto, ventidue persone in campo. Una partita intera non è prevedibile, un calcio d’angolo sì. Se la situazione non si ripete non c’è niente da imparare, perché ogni caso sarebbe il primo.

Seconda condizione: l’esito è misurabile e registrato

Sapere chi ha toccato il pallone e se è arrivato il tiro non è un’opinione, è un dato annotato. Sembra la più ovvia delle tre condizioni ed è quella su cui i progetti si arenano, perché in azienda l’esito spesso c’è ma nessuno l’ha mai scritto in un posto interrogabile.

Terza condizione: i dati storici bastano

In Premier League si giocano circa 10 calci d’angolo a partita. Le due stagioni e mezza da cui il club ha attinto hanno prodotto i 9.693 casi grezzi visti sopra, scesi a 7.176 dopo il filtro sui dati incompleti. Pochi, per gli standard dell’intelligenza artificiale. I ricercatori hanno aggirato la scarsità con un accorgimento: insegnare al modello che un campo ribaltato in orizzontale o in verticale è la stessa identica situazione, così da non dover imparare quella simmetria dagli esempi.

La quantità di dati che serve non è un numero fisso, dipende da quanto è regolare il fenomeno. Un forno aperto da otto anni che annota ogni sera quante pezzature sono rimaste invendute arriva a meno di tremila rilevazioni, quindi meno della metà di quelle usate per TacticAI. Gli bastano lo stesso, perché un calcio d’angolo non somiglia quasi mai a quello di prima, mentre un martedì mattina somiglia moltissimo a tutti gli altri martedì mattina. Meno osservazioni su un fenomeno regolare valgono più di tante osservazioni su un fenomeno capriccioso.

Quali decisioni di una PMI hanno queste caratteristiche

Situazione ripetuta, esito misurato, storico disponibile. Con questi tre criteri in mano il quadro si sfoltisce in fretta.

Previsione della domanda. Una pasticceria in Oltrarno che sa quanti cornetti ha venduto ogni mattina per quattro anni ha il caso di scuola: si ripete ogni giorno, l’esito è un numero, lo storico sta già nel gestionale. Il meteo, che su un banco di pasticceria pesa parecchio, nel gestionale invece non c’è. È un dato esterno da agganciare a parte, quasi sempre il primo lavoro vero di questi progetti.

Scorte e riordino. Stessa struttura con un esito diverso, cioè quanti pezzi tenere in magazzino per non restare scoperti né immobilizzare cassa. Qui la previsione diventa una decisione operativa con un costo attaccato, ed è la ragione per cui di solito si comincia da qui: l’errore ha un prezzo che si legge in bilancio.

Manutenzione. Un’officina o una tipografia con macchine che si fermano periodicamente possono stimare quando conviene intervenire, a patto che i guasti passati siano annotati con data e causa. Se il registro sta nella testa del capo officina il progetto parte da lì, non dal modello. C’è poi un ostacolo più serio. Un’officina piccola colleziona una manciata di guasti l’anno, quindi qualche decina di casi in tutto, non migliaia: sulla singola macchina la terza condizione non regge. Sta in piedi solo mettendo insieme più impianti dello stesso tipo, oppure misurando qualcosa che si registra di continuo (ore di lavoro, consumi, vibrazioni) invece del guasto in sé.

Stagionalità. Un albergo o un ristorante nel centro di Firenze hanno anni di occupazione e coperti giorno per giorno, con dentro le fiere, i ponti, le settimane di pioggia. Una base storica ricca, spesso già completa, che quasi nessuno tratta come tale.

Abbandono dei clienti. Chi lavora ad abbonamento o a rinnovo può stimare la probabilità che un cliente non rinnovi, se ha registrato i comportamenti di chi ha già smesso. La cadenza però cambia tutto. Una palestra con rinnovi mensili accumula dodici occasioni all’anno per ogni iscritto; una scuola paritaria, dove si rinnova a settembre, ne accumula una sola, quindi la sua base cresce con gli anni invece che con i mesi. Ci vuole molto più tempo prima di avere qualcosa su cui lavorare. È anche il caso più delicato dei cinque, perché un errore qui non costa scorte ma una telefonata sbagliata alla persona sbagliata.

Non passano il test il lancio di un prodotto mai fatto prima, l’apertura di una sede nuova, la trattativa con un fornitore, l’assunzione. Sono decisioni importanti che si prendono una volta sola. Proprio per questo non esiste lo storico da cui imparare. Un modello predittivo serve alle decisioni frequenti, dove un piccolo miglioramento si moltiplica per il numero di volte che la decisione si ripete.

La sfumatura che il paper non nasconde

Prevedere chi tocca la palla è andato bene. Prevedere se ci sarebbe stato un tiro, invece, è andato male al primo tentativo. L’indice di qualità usato dai ricercatori si è fermato a 0,52 su una scala dove 1 è la perfezione. Hanno cambiato strada, scomponendo la domanda in due passaggi (prima chi riceve, poi se quel giocatore tira) e sono saliti a 0,68. Meglio, non risolto.

Dichiarano anche due limiti. I dati di tracciamento di questa qualità esistono solo nei campionati di vertice; il sistema non modella esplicitamente la casualità del gioco, quella che nessun dato può contenere.

Due domande che sembrano vicine possono avere una difficoltà completamente diversa. Chi propone un modello predittivo e non sa dire quale delle due domande sta risolvendo, o non lo ha capito o non ve lo sta dicendo.

Probabilità, non certezza

Il modello del Liverpool non dice all’allenatore che segnerà, dice che con quella disposizione la probabilità di un tiro sale o scende. In quel 90% di preferenze non c’è nessuna partita vinta, c’è un gruppo di professionisti che ha trovato più sensate le proposte della macchina. Per il magazzino di un’azienda vale identico. La previsione non toglie il rischio, lo rende un numero su cui si può ragionare. Chi promette certezze o risultati senza margine di errore sta vendendo qualcos’altro.

Nel 2025, dice Istat, il 16,4% delle imprese italiane con almeno 10 addetti usa almeno una tecnologia di intelligenza artificiale, contro l’8,2% del 2024 e il 5,0% del 2023. Fra chi ha valutato un investimento e poi non l’ha fatto, quasi il 60% si è fermato per mancanza di competenze adeguate. Non è un problema di software, è un problema di sapere quale domanda si sta facendo.

Il punto di partenza non è scegliere uno strumento: è aprire il gestionale e guardare quali decisioni prendete ogni settimana, quale esito è registrato e da quando. Nel nostro hub sull’intelligenza artificiale per le aziende di Firenze trovate raccolti gli articoli che abbiamo dedicato al tema, fra cui uno sul valore di un cliente nel corso del tempo, la grandezza da cui parecchie di queste stime prendono le mosse.

Domande frequenti

Quanti dati storici servono per un modello predittivo?

Non esiste una soglia valida per tutti, dipende da quanto è regolare il fenomeno. Per la previsione della domanda di un negozio, due o tre anni di vendite giornaliere registrate sono in genere una base di partenza sensata.

Che differenza c’è fra un modello predittivo e un assistente tipo ChatGPT?

Sono due famiglie diverse. Un modello predittivo stima la probabilità di un esito a partire da dati numerici della vostra azienda. Un assistente conversazionale genera testo: per farlo ha imparato da testi. Qui trovate un approfondimento sulle differenze fra i tipi di intelligenza artificiale.

Come si capisce se una previsione è affidabile?

Chiedendo su quali casi è stata verificata e con quale margine di errore. Nel lavoro su TacticAI la parte andata peggio è pubblicata insieme a quella riuscita: è il livello di trasparenza da pretendere anche da un fornitore, in scala molto più piccola.