Davide Giani si occupa di tecnologia, innovazione e sicurezza. Alumnus del Collegio Ghislieri e dello IUSS, si è laureato in Scienze Politiche e Relazioni Internazionali a Pavia. Attualmente è studente di Sicurezza Internazionale presso la Paris School of International Affairs.
● Istituzioni
Sicurezza Nazionale e Data Society
Secondo uno studio dell’International Data Corporation, nel 2025 il volume di dati prodotti nel mondo raggiungerà i 175 Zettabytes, vale a dire 175 miliardi di Terabytes. Tale fenomeno di datafication travolge ogni settore della vita economica, sociale e politica di un paese, oltre che un numero crescente di aspetti della nostra vita personale. Parallelamente e conseguentemente all’esplosione dei Big Data, l’ultimo decennio ha segnato un’accelerazione significativa dei progressi nel campo dell’Intelligenza Artificiale (IA), dovuti primariamente agli avanzamenti delle tecniche di Machine Learning e alla crescente disponibilità di capacità di calcolo e di stoccaggio dei dati.
L’avanzamento e la pervasività della datafication presentano evidenti profili di rilevanza per la sicurezza nazionale. Da un lato, si pone il problema della competitività e della tutela degli assetti strategici nel dominio digitale e cibernetico, dalla sicurezza dei dati alla protezione delle infrastrutture critiche. Dall’altro, le tecnologie basate sull’IA e sui Big Data trasformano le attività di intelligence e la capacità delle agenzie per le informazioni di “trovare l’ago nel pagliaio”, di estrarre dal volume soverchiante di dati informazioni utili alla protezione degli assetti strategici e alla difesa della sicurezza. L’applicazione di strumenti analitici (Big Data Analytics) e dell’IA nel comparto dell’intelligence promette un’accresciuta capacità di «acquisire, gestire, correlare, fondere e analizzare» tali dati (Weinbaum & Shanan, 2018: p. 5).
Le opportunità fornite da algoritmi complessi per il trattamento automatico dei dati presentano oggi un alto livello di diffusione, sviluppo, e affidabilità, benché primariamente a fini commerciali e nel settore privato. Si pensi alle capacità di riconoscimento facciale, di elaborazione del linguaggio naturale e di traduzione automatizzata che si stanno diffondendo ad un numero crescente di servizi. Allo stesso tempo, tuttavia, non va sopravvalutata la capacità di tali algoritmi di operare con affidabilità e continuità in condizioni ambientali degradate, diverse da quelle di sviluppo iniziale, o soggette all’azione di possibili attori ostili. A questo proposito, le difficoltà riscontrate nell’automatizzare il riconoscimento della disinformazione online mostrano che alte performance di IA sono ancora limitate a contesti definiti e a compiti specifici.
Intelligenza Artificiale e Intelligence
Le attività dei servizi per le informazioni si collocano proprio in quest’ultima categoria più vulnerabile ad azioni ostili e più esposta ad ambienti operativi degradati, dovendosi confrontare con tentativi di deception e di manipolazione, nonché richiedendo alti standard di affidabilità e di robustezza. Le principali opportunità offerte dagli strumenti di Big Data Analytics e IA alle attività di intelligence risultano ad oggi localizzarsi a livello della raccolta, del trattamento, dell’organizzazione dei dati e della disseminazione delle informazioni (Van Puyvelde, Coulthart, & Hossain, 2017, p. 1409). Processare ed organizzare i dati grezzi provenienti da fonti diverse, conferendogli struttura, è un tassello fondamentale ed imprescindibile per la successiva valorizzazione delle informazioni. Si pensi, a tal proposito, alle capacità di algoritmi di riconoscimento vocale di trascrivere conversazioni audio, ed alla conseguente possibilità di interrogare database per parole chiave. Nel contesto del web, algoritmi di crawling permettono di trasformare grandi quantità di dati non strutturati o semi-strutturati (come le pagine web) in database organizzati e facilmente interrogabili. Le capacità di traduzione automatizzata possono permettere a loro volta il trattamento di tali database al fine di renderli accessibili all’analista.
Gli algoritmi di Machine Learning sono inoltre particolarmente adatti a discernere tendenze generali e a identificare patterns e anomalie nella distribuzione dei dati. Per questi motivi, tali tecnologie portano a confondere ed accavallare le fasi di indirizzo dell’attività informativa, raccolta e trattamento delle informazioni. Specifici algoritmi di clustering e di anomaly detection possono difatti estrarre caratteristiche di interesse dai dati, stimolando iterativamente la raccolta di ulteriori informazioni sul fenomeno in studio. Si assiste, cioè, al crescente primato dei dati nel determinare i requisiti e nel guidare la successiva raccolta delle informazioni in un processo sempre più data-centrico.
Altri algoritmi operano per fondere dati provenienti da fonti diverse e con caratteristiche strutturali difformi. Tipicamente, piattaforme di questo tipo combinano la capacità di interrogare automaticamente fonti aperte sul web con la disponibilità di dati provenienti da fonti riservate, come i dati bancari, anagrafici e giudiziari. Permettendo all’analista di ottenere uno spettro ampio e multi-source di informazioni concernenti un determinato soggetto o evento e facilitandone la visualizzazione, tali piattaforme promettono una capacità senza pari di sorveglianza e monitoraggio. Un esempio di tale tecnologia è fornito dalla società americana Palantir e dalla sua piattaforma Gotham, utilizzata da numerose agenzie di intelligence e forze di polizia.
Le tecnologie di IA e Big Data offrono promettenti opportunità anche nella disseminazione e nella condivisione dell’intelligence. In un comparto di sicurezza nazionale sempre più complesso e allargato ad attori pubblici e privati tradizionalmente estranei ad esso, distribuire e rendere accessibili “the right data to the right people at the right time” risulta cruciale al fine di assicurare che l’intelligence raggiunga tempestivamente i soggetti interessati e ne informi l’azione (Office of the Director of National Intelligence, 2017). Strumenti tecnologici che operano in questo senso sono allo studio specialmente nell’ambito dell’intelligence militare, come mostrato ad esempio dalla strategia di IA del Ministero della Difesa francese.
Rischi e necessità
L’introduzione di tecnologie di IA e Big Data pone tuttavia una serie di problematiche legate alla loro integrazione all’interno di organizzazioni complesse. Come sottolineato da Andrea Gilli:
«senza una pianificazione adeguata che identifichi procedure e soluzioni volte a mantenere e generare determinati tipi di conoscenza, molte organizzazioni rischiano di perdere il loro capitale organizzativo e, così, indebolire la loro capacità di operare» (Gilli, 2019).
Nell’ambito delle organizzazioni di intelligence, tale rischio si concretizza in due dimensioni congiunte. Da un lato, si pongono interrogativi metodologici: se l’intelligence è interessata alla ricerca di rapporti causali, le tecnologie di Big Data e IA si fondano sull’analisi di rapporti di correlazione statistica (Lim, 2016). Inoltre, nel training degli algoritmi possono trovare origine vari bias che ne minano l’affidabilità e l’accuratezza. Da ciò deriva, nella dimensione organizzativa, la necessità di integrare tali strumenti in sistemi collaborativi uomo-macchina che ne massimizzino l’affidabilità e minimizzino i rischi epistemologici. Sullo sfondo di tali sfide – metodologiche ed organizzative – persiste il rischio che un’implementazione affrettata porti ad una compressione eccessiva dei tempi di analisi e di decision-making, minando la natura intrinsecamente umana di tali attività (Van Puyvelde, Coulthart, & Hossain, 2017). Al contrario, l’integrazione dell’IA può e deve permettere una migliore allocazione delle risorse, consentendo all’analista di focalizzarsi su attività ad alta intensità cognitiva.
L’Italia si sta attrezzando per affrontare le sfide poste dall’economia digitale e dallo sviluppo dell’AI nel campo della sicurezza nazionale? In generale, il Paese si trova in una posizione duale in rapporto alle capacità in IA: se da un lato gode di un alto livello di ricerca di base, dall’altro soffre un drammatico deficit di investimenti pubblici e privati, un basso livello di trasferimento tecnologico ed un marcato divario nelle competenze digitali. Tali debolezze si riflettono nella carenza di qualità e vivacità del dibattito pubblico in materia, poco interessante agli occhi dell’opinione pubblica e di una classe dirigente (politica ed imprenditoriale) raramente recettiva. Recenti iniziative, tra cui lo sviluppo di una strategia nazionale per l’IA, mirano a rafforzare l’ecosistema italiano. Esse sono tuttavia deboli sul piano degli investimenti ed evitano – per scelta – di affrontare le possibili implementazioni nel campo della sicurezza e della difesa. Tema quest’ultimo che è invece affrontato «in termini di rischi e opportunità» (Baldoni, 2019) dal Nucleo per la Sicurezza cibernetica nazionale in seno al Dipartimento Informazioni per la Sicurezza (DIS).
Il rafforzamento delle capacità di IA attraverso il potenziamento dell’intero ecosistema si rende oggi più che mai prioritario: l’Unione Europea ha lanciato ambiziosi programmi nel settore dell’IA e dell’economia dei dati, e nel prossimo futuro si presenteranno questioni cruciali come la determinazione degli standard di certificazione degli algoritmi. Le decisioni su questi tavoli determineranno i confini tra i rule-makers e i rule-takers globali nel campo dell’IA. Un maggiore coinvolgimento del Paese investe necessariamente anche i comparti della sicurezza e della difesa. Benché il livello di pubblicità di tali settori sia limitato (per ottimi motivi), un dibattito aggiornato sulle tecnologie di sorveglianza, sulla privacy, e sul ruolo degli attori privati è necessario. Esso, tuttavia, non può prescindere dalla consapevolezza che l’utilizzo e l’analisi dei dati da parte degli apparati di sicurezza rappresentano oggigiorno una necessità indispensabile al fine di garantire la protezione della sicurezza e dell’interesse nazionale, nonché la competitività tecnologica e industriale del Paese.
Bibliografia
Baldoni, R. (2019). Intelligenza artificiale. Preparare il Paese al futuro. Gnosis, 2, 20-25.
Gilli, A. (2019). Intelligenza artificiale. Tra realtà politiche e implicazioni per gli apparati di sicurezza. Gnosis, 2, 124-133.
Lim, K. (2016). Big Data and Strategic Intelligence. Intelligence and National Security, 31(4), 619-635. doi:10.1080/02684527.2015.1062321
Office of the Director of National Intelligence. (2017). Intelligence Community Information Environment (IC IE) Data Strategy. Washington: Office of the Director of National Intelligence.
Van Puyvelde, D., Coulthart, S., & Hossain, M. (2017). Beyond the buzzword: big data and national security decision-making. International Affairs, 93(6), 1397-1416.
Weinbaum, C., & Shanan, J. N. (2018, Luglio). Intelligence in a Data-Driven Age. Joint Force Quarterly, pp. 4-9.