Big Data, profezie, assicurazione: una prospettiva sociologica
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Big Data, profezie,
assicurazione: una
prospettiva sociologica
Dipartimento di Comunicazione ed Economia,
Alberto Cevolini Università degli Studi di Modena e Reggio Emilia
A cosa servono i Big Data ? personalizzazione degli inserti pubblicitari all’i-
dentificazione di forme, schemi, o patterns - in
I Big Data rappresentano senza dubbio uno dei breve: ridondanze - che permettono di fare di-
temi cruciali dei nostri tempi, un tema sul quale stinzioni estremamente accurate, sebbene non
si sta concentrando non solo la ricerca scientifica infallibili (per esempio fra tessuti tumorali e tes-
ma anche il dibattito sociale. Tanta attenzione si suti non tumorali). C’è tuttavia un impiego dei
deve al fatto che i Big Data potrebbero cambiare Big Data che sta attirando un’enorme attenzione
in modo significativo le nostre vite e avere un (e investimenti altrettanto consistenti): a quanto
impatto rilevante pressoché su ogni settore della pare, con i Big Data si può predire il futuro1 .
società, dalla medicina al diritto, dal controllo Ovviamente i dati da soli non bastano. Biso-
dell’ordine pubblico all’assicurazione. Questa in- gna, come si dice nel gergo tecnico, elaborarli.
vadenza più o meno silenziosa solleva ovviamen- Questa elaborazione, a sua volta, non può avve-
te questioni etiche e politiche, ma anche pedago- nire in modo arbitrario, ma deve seguire delle
giche e giuridiche che rientrano poi nel sistema istruzioni ben precise. L’insieme di queste istru-
scientifico come oggetto di ricerca empirica. È zioni è quello che si definisce algoritmo. Per
giusto quindi tenere alta l’attenzione e cercare questo quando si parla di Big Data si parla an-
di impostare il dibattito pubblico su delle solide che pressoché inevitabìlmente di algoritmi. Qui
basi matematiche, logiche e filosofiche. di nuovo ci si può domandare che cosa sono gli
Quando si parla di Big Data, si possono porre algoritmi e che cosa fanno2 .
innanzitutto due domande, entrambe legittime Senza invadere il campo della matematica o
e pertinenti: che cosa sono? E a che cosa servo- dell’informatica, si può dire in modo molto ge-
no? Qui vorrei provare a dire qualcosa che possa
1
servire a dare una risposta almeno parziale a Mayer-Schönberger e Cukier [1], p. 23 affermano esplici-
tamente che "nella loro essenza, i Big Data hanno a che
entrambe le domande, partendo tuttavia dalla fare con le previsioni".
seconda e lasciando per il momento in sospeso 2
Un importante saggio sugli algoritmi che non richiede
la prima. particolari competenze per essere letto è quello di Car-
I Big Data possono servire a fare molte cose dif- don [2]. Un testo più divulgativo è quello di MacCor-
mick [3]. Le tecniche di data mining (scavo dei dati) sono
ferenti. Gli usi vanno dal riconoscimento faccia- illustrate in modo magistrale nel volume di Provost e
le al controllo delle operazioni finanziarie, dalla Fawcett [4].
Ithaca: Viaggio nella Scienza XVII, 2021 • Big Data, profezie, assicurazione: una prospettiva sociologica 63nerale che gli algoritmi servono a scomporre dei so per il semplice fatto che il senso in quanto tale problemi complessi in fasi più semplici. Per cia- è complesso. Per venire a capo di questa com- scuna fase l’algoritmo dà alla macchina (oppure plessità, Platone aveva escogitato delle istruzioni a un personale umano) le istruzioni da seguire altrettanto semplici quanto brillanti: in definitiva per fare qualcosa e arrivare a una conclusione che tutta la dialettica si riduce a due sole istruzioni: servirà poi come punto di partenza per la fase "dividi per due e tieni sempre la destra". In que- successiva. La successione delle fasi è fondamen- sto modo, partendo da una unità (la synagogé) tale: essa deve essere stabilita in anticipo e non che doveva essere scelta con molta cautela, si po- può essere modificata in corso d’opera, spostan- teva procedere alla divisione binaria (la diaeresis), do per esempio una fase da un punto all’altro passando via via a divisioni successive finché della serie. Anche una ricetta di cucina è un algo- non si fosse giunti a ciò che è indivisibile per ritmo e chi vuole cuocere la pasta, per esempio, definizione, cioè l’individuo. A questo punto, sa bene che prima deve far bollire l’acqua e so- raccogliendo assieme tutti i risultati delle diversi lo dopo può gettare la pasta - non viceversa. In fasi seguendo l’ordine della successione, si pote- ogni singola fase quindi si hanno delle istruzioni va dare la definizione dell’individuo (il pescatore, ben precise che vanno seguite scrupolosamente il sofista ecc.) preso in considerazione. fino a ottenere un risultato, passando da una fase Tornando ora al nostro tema, se è vero che con all’altra per arrivare alla soluzione del problema. i Big Data si possono fare molte cose e che per Quando l’algoritmo serve a istruire una mac- questo sono indispensabili degli algoritmi, allora china (un calcolatore, un computer), la macchina è evidente che non tutti gli algoritmi sono uguali, presenta delle caratteristiche particolari che ri- ma la loro natura dipende dallo scopo per il quale cordano quelle che in cibernetica si chiamano vengono scritti. Poiché qui noi siamo interessati macchine non triviali. Da un lato la macchi- all’uso che si può fare dei Big Data per predire il na è completamente deterministica, in quanto futuro, gli algoritmi con i quali ci confrontiamo non può decidere arbitrariamente di cambiare le in modo particolare sono i così detti algoritmi istruzioni da seguire, oppure di non fare niente predittivi. A questo proposito c’è un settore quando si dice alla macchina di fare qualcosa. sociale che è particolarmente interessato a questo Nonostante questo la macchina è però anche del tipo di algoritmi per delle ragioni abbastanza tutto imprevedibile: una volta inserito l’input ovvie: l’assicurazione. L’assicurazione infatti è non si può prevedere quale sarà l’output, perché sempre stata particolarmente avida di dati, da nel frattempo la macchina ha elaborato appunto un lato, e lavora con predizioni, dall’altro. Vorrei dei dati e nessuno può conoscere in anticipo il soffermarmi rapidamente su questi due punti. risultato di questa elaborazione, anche nel caso in cui conosca le istruzioni che sono state im- partite alla macchina. Infine la macchina è del L’importanza dei dati per tutto dipendente dai dati con cui viene adde- l’industria assicurativa strata. Anche per questo la macchina è impreve- dibile: nessuno ha un accesso diretto ai singoli L’assicurazione ha sempre avuto un appetito vo- dati che vengono inseriti nella macchina, tanto race per i dati [5]. Il materiale grezzo dell’in- meno quando questi dati sono prodotti continua- dustria assicurativa in effetti non è l’acciaio o il mente e in quantità astronomiche a partire dai carbone, ma sono i dati. Perché? Per rispondere comportamenti digitali degli utenti. a questa domanda ci dobbiamo chiedere prima Una definizione così astratta dell’algoritmo si di tutto che cos’è un dato. Questo ci offre l’occa- lascia facilmente generalizzare. Uscendo per un sione per recuperare la domanda che avevamo attimo dall’argomento di questo articolo, si può lasciato in sospeso. dire che anche l’albero di Porfirio è un al- In modo molto generale, possiamo dire che un goritmo. La dialettica platonica, così come viene dato è un riferimento alla realtà, cioè all’ambien- presentata per esempio nel Sofista, doveva ser- te esterno. Se dico che la temperatura di questa vire a risolvere un problema complesso, quello stanza è 20◦ , ho già prodotto un dato. Potrei poi della definizione. Questo problema è comples- misurare la temperatura in momenti diversi del- Ithaca: Viaggio nella Scienza XVII, 2021 • Big Data, profezie, assicurazione: una prospettiva sociologica 64
la giornata, in giorni e mesi diversi dell’anno, e Si scopre in altri termini che c’è un ordine nella
compilare così una serie storica che mi permet- contingenza. Questa scoperta non era passata
te di capire come varia la temperatura nel corso inosservata in ambito teologico. Da un lato essa
del tempo. Il punto fondamentale è che il riferi- poteva essere assunta come la prova che, nono-
mento alla realtà non è mai la realtà alla quale stante la sua estrema turbolenza, nel mondo ci
si fa riferimento. Il dato "20◦ " non è né caldo, né sia una Provvidenza; dall’altro lato dimostrava
freddo. Il dato riferito alla temperatura, in altri che quello che dal punto di vista dell’uomo è
termini, non ha una temperatura propria. Questa aleatorio, dal punto di vista di Dio è necessario
distinzione fra riferimento alla realtà e realtà alla [9].
quale si fa riferimento coincide con la distinzione Le compagnie di assicurazione avevano visto
fra un riferimento ad altro e un riferimento a sé in questa possibilità di calcolare la necessità del
nei sistemi autoreferenziali, come le coscienze o caso un’opportunità fondamentale per fare i con-
i sistemi di comunicazione, e costituisce il punto ti con un futuro imprevedibile. Paradossalmente
di partenza per costruire una realtà con la quale però, quello che costituisce ancora oggi un requi-
il sistema possa confrontarsi. sito imprescindibile dell’industria assicurativa,
I dati non sono unità ma differenze. 20◦ non aveva rappresentato nel XVII secolo un ostacolo
è né 19◦ , né 21◦ . Se queste differenze fanno la alla sua istituzionalizzazione per via del fatto che,
differenza per l’osservatore, cioè se aggiungono come tutti i contratti aleatori, anche l’assicura-
qualcosa che l’osservatore prima non sapeva op- zione doveva garantire una parità di condizioni
pure non si aspettava, allora esse hanno valore a tutti coloro che decidevano di partecipare alla
di informazione, secondo la classica definizione scommessa [10, 11]. Nessuno giocherebbe d’az-
di Bateson [6]. In questo senso le macchine che zardo se sapesse che i dadi sono truccati. Fra
elaborano dati sono macchine che producono assicurato e assicuratore si pretendeva quindi
informazioni. Allo stesso tempo i dati sono un un’equa esposizione all’alea che costituiva l’og-
modo molto particolare per farsi un’idea della getto del contratto. Solo così il contratto poteva
realtà con la quale abbiamo a che fare. Quello che essere accettato come lecito. L’ironia stava nel
oggi diamo per scontato - che la realtà sia ridotta fatto che proprio questa classificazione giuridica
a dati e che i dati siano comunicati per offrire una dell’assicurazione fra i contratti aleatori, come le
rappresentazione oggettiva della realtà - dovreb- scommesse e il gioco d’azzardo, ostacolava (non
be essere considerato piuttosto, per la sua elevata solo per ragioni morali) la sua accettazione e dif-
improbabilità, come un risultato dell’evoluzione fusione nella società. A questo si aggiungeva il
socio-culturale. Soltanto a partire dal XVII-XVIII fraintendimento secondo cui la statistica avrebbe
secolo ci siamo abituati a considerare la realtà offerto all’assicuratore un vantaggio sull’assicu-
in termini di dati, vale a dire in forma statisti- rato. Per la legge dei grandi numeri, l’assicurato-
ca. E solo quando questa particolare forma di re sapeva che nel lungo periodo e scommettendo
rappresentazione della realtà sociale è stata accet- su molti casi avrebbe avuto qualche probabilità
tata come qualcosa di plausibile, l’assicurazione di guadagnarci4 , ma nel confronto diretto con
moderna è decollata.3 l’assicurato l’alea restava incalcolabile.
La statistica parte dal presupposto che il caso Nella statistica, in ogni modo, quello che ve-
singolo sia imprevedibile per definizione. Come niva obliterato era proprio l’individuo. Mentre
per i contingenti futuri di Aristotele, l’unica cosa l’assicuratore si confronta sempre con una pro-
certa che possiamo affermare sul singolo caso babilità, l’assicurato si confronta piuttosto con
è che non c’è alcuna certezza su come andrà a la possibilità [13]. Nel primo caso l’assicuratore
finire. Ma se molti casi singoli che condivido- cerca di prevedere quanto potrebbe costargli alla
no certe proprietà vengono aggregati, si scopre fine il rischio di garantire al gruppo di assicurati
improvvisamente che a livello di aggregato emer- una copertura finanziaria per un evento parti-
gono delle regolarità sulle quali si può contare. 4
Questo lo si sapeva anche prima dell’avvento del calcolo
della probabilità statistica. Si veda Cotrugli [12], p.75:
3
Sulla lenta affermazione della statistica e le difficoltà in- all’assicuratore si consiglia di "assicurare al continuo, &
contrate per essere accettata come qualcosa di normale sopra ogni nave, perché l’una ristora l’altra, & di molti
si veda Porter [7] e Desrosières [8]. [casi l’assicuratore] non può che guadagnare".
Ithaca: Viaggio nella Scienza XVII, 2021 • Big Data, profezie, assicurazione: una prospettiva sociologica 65colare. Nel secondo caso l’assicurato vorrebbe Questo gli algoritmi predittivi non lo dicono. Es-
sapere se la sfortuna toccherà proprio a lui, oppu- si esplorano i dati alla ricerca di correlazioni, ma
re se verrà risparmiato. Di fronte alla probabilità non spiegano perché certe correlazioni funziona-
calcolata su base statistica, la domanda dell’assi- no meglio di altre, e nemmeno perché in generale
curato è sempre: "è questo il mio caso?". Ma di esse funzionino. Gli algoritmi predittivi dicono
fronte a questa domanda l’assicuratore può solo in breve se certi valori possono predire il futuro
sollevare le braccia e dire: "Non lo so!". con una certa probabilità, ma non perché.
Proprio qui gli algoritmi predittivi fanno in Ovviamente anche la statistica ha sempre usa-
qualche modo la differenza. Essi promettono in- to dati vicarianti: il sesso del conducente, per
fatti una previsione personalizzata, tagliata su esempio, è un ottimo predittore della sua pru-
misura sul singolo individuo, a partire dallo sca- denza alla guida. E il ritardo nel pagamento
vo dei dati prodotti dai comportamenti di centi- delle bollette è un ottimo predittore della sua
naia di migliaia di altri individui che in comune imprudenza. Ma quello che si profila con l’uso
non hanno alcunché, a parte il fatto di produrre di algoritmi che vengono allenati per scavare nei
con i propri comportamenti, appunto, dei dati. dati alla ricerca di predittori è che la scoperta e
Con questi algoritmi si affermerebbe poco alla l’impiego di strane (deboli) correlazioni potrebbe
volta quella che François Ewald ha definito una diventare incontrollata, con degli effetti ancora
logica della singolarità [14]: anziché inse- poco chiari e difficilmente giustificabili, sia sul
rire l’individuo in un gruppo e annullarlo nella piano etico sia sul piano giuridico, soprattutto
forma dell’uomo medio, l’elaborazione dei dati qualora queste correlazioni venissero impiegate
produce profili individuali che servono poi a per- non solo per prevedere il futuro, ma anche per
sonalizzare il pronostico, offrendo così a ciascun prendere delle decisioni.
individuo una rappresentazione unica del suo
destino.
Il futuro dell’assicurazione
Per raggiungere questo scopo gli algoritmi van-
no a cercare nei dati delle correlazioni. Anziché Questi risultati costituiscono in realtà soltanto
limitarsi a indagare le variabili suggerite dalle l’inizio di una ricerca che è ancora in buona parte
ipotesi di partenza della ricerca, gli algoritmi pre- da realizzare. Da un punto di vista sociologico
dittivi ammettono qualsiasi tipo di dato che pos- l’ipotesi è che se cambia il modo di predire il futu-
sa essere trattato dalla macchina e attraverso del- ro, cambia per forza anche il modo di assicurare.
le raffinatissime tecniche di tipo statistico cercano Con quali conseguenze sulla società complessiva,
di isolare dei valori che siano fortemente corre- tuttavia, è ancora difficile da dire. Qui mi limi-
lati a uno stato futuro - ovvero, dei predittori. to a proporre alcune considerazioni particolari
Accettando qualsiasi tipo di dato, questi algorit- che dovrebbero più che altro dare un’idea della
mi finiscono spesso per trovare correlazioni im- complessità del problema in questione.
portanti a partire da quelli che vengono definiti Per molti osservatori, quello che si delinea al-
dati vicarianti. In altri termini: le correlazio- l’orizzonte con l’uso dei Big Data a scopi predit-
ni più forti, spesso, sono paradossalmente quelle tivi è un nuovo mondo che nel caso dell’assicu-
deboli. razione sarebbe caratterizzato soprattutto dal-
Se per esempio si volesse acquistare un’auto l’opportunità inedita di personalizzare il premio
sul mercato dell’usato sicuro, si vorrebbe sapere della polizza assicurativa per garantire, così, a
con un certo margine di incertezza residuale a ciascun assicurato il giusto prezzo [14]. Già
che cosa si debba prestare maggiormente atten- solo questo solleva molti dubbi su quello che
zione per evitare di comprare un’auto che dopo dovrebbe essere considerato giusto in un mec-
pochi chilometri (cioè nel futuro) ci potrebbe la- canismo come quello assicurativo che è ancora
sciare a piedi. La ricerca ha mostrato che in modo essenzialmente basato sul principio di mutuali-
del tutto inaspettato, quindi altamente informa- tà, per cui i casi più fortunati compensano sul
tivo, un ottimo predittore di un usato sicuro è piano finanziario quelli meno fortunati, con il
il colore arancione e non, per esempio, la condi- vantaggio, dal lato degli assicurati, che i danni
zione del motore o l’usura dei freni [15]. Perché? possono essere risarciti, e dal lato dell’assicurato-
Ithaca: Viaggio nella Scienza XVII, 2021 • Big Data, profezie, assicurazione: una prospettiva sociologica 66re, che alla fine di un certo periodo la compagnia equo. Dopo tutto il ragionamento è: "se guido ci può guadagnare qualcosa. Questo meccani- poco e prudentemente, perché dovrei pagare an- smo funziona finché la segmentazione della po- che per quelli che guidano molto e imprudente- polazione di riferimento garantisce allo stesso mente?" Ma questa equità nasconde parecchie tempo la competitività dei premi di polizza e la insidie (più estesamente su questo punto si veda compensazione finanziaria. Ma apre dei dilem- Ref.[16]). mi difficilmente risolvibili quando il segmento si Da un lato, come detto, non è chiaro come avvicina alla soglia di 1 (cioè il singolo individuo) l’industria assicurativa potrebbe accettare que- e rinuncia al principio di mutualità. sto metodo di tariffazione senza mettere a re- I premi possono per esempio essere adeguati pentaglio il meccanismo della mutualità. Qui alla differenza statistica fra maschi e femmine, tra l’altro si vede come l’incertezza, che è uno per cui le femmine pagano meno dei maschi per dei grandi problemi esistenziali dell’uomo, costi- una copertura Rc auto perché in media guidano tuisca sul piano sociale anche una risorsa senza più prudentemente. Questo garantisce alla com- la quale, appunto, una certa solidarietà basata pagnia, come abbiamo visto, un certo controllo sull’opacità del destino individuale non sarebbe sull’alea dei singoli casi e può considerarsi un possibile. Dall’altro lato si contraddice in qual- modo equo di stabilire il prezzo dell’assicurazio- che modo quella che da sempre è stata la fun- ne. Ma se si afferma una logica della singolarità, zione sociale dell’assicurazione, ovvero incorag- il maschio che guida molto prudentemente po- giare gli individui a esporsi a dei pericoli per trebbe sentirsi giustamente discriminato da una approfittare delle opportunità ad essi connesse. statistica che generalizza per classi e stigmatiz- Portata all’estremo, la logica della profilazione za i maschi, obliterando le peculiarità di ciascun individuale indurrebbe a praticare una forma di individuo. L’obiezione sarebbe in altri termini: auto-inibizione che minerebbe i presupposti su "è vero che sono maschio, e che statisticamente cui si basa buona parte della società moderna, dovrei guidare meno prudentemente delle fem- soprattutto quando essa viene intesa come una mine, ma in quanto individuo non mi riconosco società orientata al rischio. nella classe in cui la statistica mi inserisce forza- In conclusione vorrei tornare brevemente sul tamente in quanto, pur essendo maschio, sono tema della previsione. Nella misura in cui es- un individuo assai prudente". In questo senso sa viene personalizzata, il pronostico finisce per la statistica è discriminante per definizione, di assomigliare più che altro a una profezia. Il de- conseguenza le differenze che essa impone non stino di Edipo non viene anticipato perché Edi- sono eque. po aveva delle proprietà statisticamente rilevanti Le tecnologie digitali offrono appunto questo: come "essere maschio" e "figlio di una famiglia la possibilità di profilare ciascun individuo in benestante", bensì solo in quanto Edipo. E la pro- modo da assegnare, per così dire, "a ciascuno il fezia funziona, cioè si auto-adempie, soltanto in suo" - il suo premio, la sua affidabilità creditizia, quanto viene comunicata. Questo solleva alcuni la sua pubblicità. La telematica, per esempio, interrogativi anche in merito all’uso di algoritmi consente di monitorare con estrema precisione predittivi che lavorano con dati digitali. il comportamento dell’individuo alla guida (in Una prima questione, anche qui tipicamente ambito assicurativo si parla a questo proposito sociologica, è che il problema delle profezie (in- di tariffe comportamentali). In questo mo- cluse le predizioni algoritmiche) non è tanto se do dovrebbe essere possibile fissare un prezzo siano vere o false. La vera domanda è che cosa di polizza che sia proporzionale all’esposizione succede se la gente ci crede? Edipo avrebbe avuto individuale al pericolo. A ciascun conducente un destino diverso se i suoi genitori non avesse- si potrebbe quindi offrire un premio tagliato su ro creduto all’oracolo che aveva profetizzato la misura sul comportamento effettivo e non sul- sciagura. le differenze più o meno arbitrariamente fissate Una seconda questione è che la profezia fun- dalla statistica tradizionale (età, sesso, luogo di ziona appunto solo se viene comunicata. I suoi residenza e così via). effetti dipendono dal fatto che quando viene resa Tutto questo suona di primo acchito molto nota, la profezia entra automaticamente nel cir- Ithaca: Viaggio nella Scienza XVII, 2021 • Big Data, profezie, assicurazione: una prospettiva sociologica 67
colo ricorsivo della comunicazione, innescando [3] J. MacCormick: 9 algoritmi che hanno cambiato il futuro,
delle conseguenze che spesso sono non solo non- Apogeo, Milano (2012).
intenzionali, ma anche imprevedibili. Viene da [4] F. Provost, T. Fawcett: Data Science for Business. What
chiedersi dunque se sia opportuno comunicare You Need to Know About Data Mining and Data-Analytics
Thinking, O’Reilly, Sebastopol (CA-USA) (2013).
le predizioni ricavate dalla elaborazione dei dati
[5] R. Swedloff: Risk Classification’s Big Data (R)evolution,
digitali, ma anche se sia lecito tacerle, soprattutto
Connecticut Insurance Law Journal, 21 (2014) 339.
quando sulla base di queste predizioni vengono
[6] G. Bateson: Forma, sostanza e differenza. In: G. Bateson:
prese delle decisioni drasticamente discriminan- Verso un’ecologia della mente, Adelphi, Milano (2000).
ti sul piano sociale, come la libertà vigilata per
[7] T. Porter: The Rise of Statistical Thinking 1820-1900,
un carcerato, l’assunzione per un neo-laureato o Princeton University Press, Princeton (1986).
il credito per un imprenditore. [8] A. Desrosières: La politique des grands nombres. Histoire
Il problema poi non è solo se sia opportuno de la raison statistique, Éditions La Découverte, Paris
comunicare le predizioni, ma anche se sia op- (1993).
portuno comunicare i predittori. Chi sapesse in [9] J. P. Süßmilch: Die Göttliche Ordnung in den Verän-
anticipo che il colore arancione è un ottimo pre- derungen des menschlichen Geschlechts, aus der Geburt,
dem Tode und der Fortpflanzung desselben erwiesen, J. C.
dittore di un usato sicuro sul mercato delle auto-
Spener, Berlino (1741).
mobili, potrebbe far dipingere la propria auto di
[10] L. Daston: Rational Individual Versus Laws of Society:
arancione prima di venderla. In questo modo la From Probability to Statistics. In: M. Heidelberger et
trasparenza nell’impiego di algoritmi predittivi al. (a cura di): Probability Since 1800. Interdisciplinary
darebbe agli individui la possibilità di fregare Studies of Scientific Development BVA Bielefelder Verlag
il sistema5 . Ma qui di nuovo si apre il dilem- GmbH, Bielefeld (1983).
ma etico e giuridico di come non comunicare [11] L. Daston: The Domestication of Risk: Mathematical Pro-
bability and Insurance, 1650-1830. In: Lorenz Krüger et
predittori che possono essere determinanti nel
al. (a cura di): The Probabilistic Revolution I, The MIT
prendere delle decisioni che non solo dipendono Press, Cambrigde (MA) (1987).
dal futuro, ma condizionano anche il futuro degli [12] B. Cotrugli: Della mercatura et del mercante perfetto
individui coinvolti. Di questo si dovrà occupare [ediz. orig. 1458], Alla Libraria del Bozzola, Brescia
la società perché anche se il destino è sempre (1602)..
individuale, le conseguenze sono sempre sociali. [13] N. Luhmann: Das Risiko der Versicherung gegen
Gefahren, Soziale Welt, 43 (1996) 273.
[14] F. Ewald: Assurance, prévention, prédiction ... dans
Questo articolo costituisce la versione ampliata della l’univers du Big Data, Institut Montparnasse, Paris
(2012).
conferenza tenuta al convegno "Conoscenza e liber-
[15] Q. Hardy: Bizarre Insights From Big Da-
tà nell’epoca dei Big Data (Seconda parte: Big Data:
ta, The New York Times, 28 marzo. https:
libertà, profezia o predestinazione?)" organizzato dal- //bits.blogs.nytimes.com/2012/03/28/
l’Istituto Filosofico di Studi Tomistici e svoltosi presso bizarre-insights-from-big-data/ [ultimo
la Camera di Commercio di Modena il 10 ottobre 2020. accesso 21 ottobre 2020].
Colgo l’occasione per ringraziare il Prof. Claudio Testi [16] A. Cevolini, E. Esposito: From Pool to Profile: Social
per l’invito e i partecipanti al convegno per le domande Consequences of Algorithmic Prediction in Insurance, Big
Data & Society, 7 (2020) 1.
con cui hanno animato il dibattito.
[17] F. Pasquale: The Black Box Society. The Secret Algori-
thms That Control Money and Information, Harvard
University Press, Cambridge, MA (2015)..
Z M Y
\ d [
[1] V. Mayer-Schönberger, K. Cukier: Big Data. Una ri-
voluzione che trasformerà il nostro modo di vivere e già
minaccia la nostra libertà, Milano, 2013 (Garzanti). Alberto Cevolini: è professore associato di So-
[2] D. Cardon: Che cosa sognano gli algoritmi. Le nostre vite ciologia presso l’Università di Modena e Reggio
al tempo dei big data, Mondadori, Milano (2016). Emilia. Attualmente è impegnato nel progetto
5
ERC PREDICT (ADG 2018-Nr. 833749, PI Elena
Sul vasto dibattito etico e giuridico che ruota attorno a
questo problema (ma senza una chiara comprensione Esposito) per la parte dedicata all’assicurazione.
del punto cruciale) si veda [17].
Ithaca: Viaggio nella Scienza XVII, 2021 • Big Data, profezie, assicurazione: una prospettiva sociologica 68Puoi anche leggere
