Il progetto è iniziato nel 2019 ed è nato da un’iniziativa del direttore dell’SLF, Jürg Schweizer. Su questo ha lavorato un team di ricercatori dell’SLF e di previsori delle valanghe, insieme ai colleghi dello Swiss Data Science Center. Per due anni, la fisica Cristina Pérez ha sperimentato diversi metodi e set di dati, ha elaborato i dati e infine ha addestrato il modello. A tale scopo ha utilizzato dati meteorologici e simulazioni del manto nevoso risalenti a vent’anni fa, basati sulle misurazioni del sistema intercantonale di misurazione e informazione IMIS. Questo approccio si chiama Machine Learning. Tra le sfide, da un lato è stato necessario scegliere i parametri affinché gli algoritmi fossero sempre più precisi. “D’altra parte, è stato difficile ottenere una buona precisione per il livello di allerta valanghe quattro, perché questo livello di allerta elevato è apparso solo raramente negli ultimi vent’anni, la banca dati era quindi piuttosto ridotta”, spiega Pérez. I collaboratori del servizio di previsione valanghe chiamano Palantir la piattaforma sulla quale consultano i vari modelli ML, basati sulle sette sfere di cristallo del mondo fantastico Arda di JRR Tolkien, il cui continente più conosciuto è la Terra di Mezzo, e che mostrano scene molto distanti nello spazio e nel tempo.
Naturalmente i collaboratori umani del servizio di previsione valanghe utilizzano per il loro lavoro gli stessi dati e modelli del computer. Ma utilizzano anche informazioni come le attuali osservazioni sul campo e il feedback. Il computer non dispone di questi dati. L’algoritmo si basa esclusivamente su simulazioni del manto nevoso come input. D’altra parte, anche solo per ragioni di tempo, gli uomini scelgono dalla quantità di dati quelli che sono rilevanti per loro, la macchina non fa una selezione. “I modelli consentono una risoluzione spaziale e temporale che noi esseri umani non raggiungeremo mai”, afferma Techel. L’uomo e la macchina si completano a vicenda. Gli algoritmi aiutano a interpretare i set di dati di base. Anche entrambe le parti commettono errori. “La buona notizia è che i modelli commettono errori diversi dai nostri”, afferma Techel. Il servizio di previsione delle valanghe ottiene così un secondo parere indipendente e può riconsiderare il suo attuale risultato per il bollettino delle valanghe in caso di discrepanze significative.
Il team sta attualmente continuando a sviluppare il progetto e desidera combinare meglio le previsioni umane e meccaniche in futuro. “Ciò significa anche una presentazione più intuitiva dei risultati per il servizio di previsione valanghe”, spiega Techel.
