Docente e ricercatrice presso il Dipartimento di Informatica dell’Università degli Studi di Bari “Aldo Moro”, nonché membro del Direttivo dell’Associazione Italiana per l’Intelligenza Artificiale (AIxIA), Francesca Alessandra Lisi risponde alle nostre domande su come l’IA potrebbe cambiare il nostro concetto di privacy. L’intervista è correlata all’articolo “Privacy o salute pubblica – Il nuovo dilemma”, pubblicato su Sicurezza n. 4 di maggio 2020.
Quale contributo può dare l’IA contro il coronavirus?
«Tecniche di IA, in particolare algoritmi di Deep Learning, sono già ampiamente utilizzate, per esempio, per abbattere i tempi di diagnosi delle polmoniti causate dal Covid-19 e per la scoperta di nuovi farmaci. Altri strumenti utili, soprattutto per la gestione del post Covid-19, sono quelli che consentono di fare simulazioni, generando molteplici scenari possibili, per esempio, sul piano sociale».
Potranno essere garantite la protezione e la riservatezza dei dati personali?
«Il problema della protezione e la riservatezza dei dati personali entra in gioco nelle fasi preparatorie del processo di analisi dei dati. Abbiamo a disposizione diverse tecniche per affrontare il problema, fra cui la anonimizzazione e la pseudonimizzazione. Quest’ultima, risultando più appropriata ai fini della validazione dei modelli epidemiologici, sarebbe da preferire in ambito medico. Le due esigenze contrapposte che animano un acceso dibattito anche ideologico in questi giorni, ovvero protezione dei dati per garantire la libertà individuale versus condivisione dei dati per perseguire il bene comune, sono in realtà conciliabili».
L’IA potrebbe cambiare il nostro concetto di privacy?
«La possibilità di cambiare o mettere a rischio il nostro concetto di privacy non è imputabile tanto all’IA, quanto al modo in cui i dati vengono raccolti e resi disponibili per una successiva analisi a scopi predittivi o anche meramente esplorativi. A questo riguardo, occorre tener presente che l’IA non è tutta data-driven. Un approccio alternativo, e particolarmente valido in questo frangente caratterizzato da incertezza, è quello del cosiddetto model-driven. Le simulazioni ne sono un esempio».
