Un numero molto grande di asteroidi e frammenti di roccia e metallo si muove nel sistema solare; ogni anno ne scopriamo di nuovi. Ciò che forse non immaginiamo è quanto siano vicini ed imprevedibili alcuni di essi. Anche distanze apparentemente innocue di diverse centinaia di migliaia di km – tuttavia, un’inezia su scala astronomica! – potrebbero rappresentare un problema, in quanto la gravità terrestre potrebbe alterare l’orbita del corpo celeste che ci passa vicino e aumentare i rischi per il futuro. 

È proprio per prepararci ad affrontare tali pericoli che le agenzie spaziali di tutto il mondo s’impegnano nel monitoraggio di questi elementi del sistema solare e nello sviluppo di programmi di difesa contro grandi e piccole catastrofi come, ad esempio, quella del 15 febbraio del 2013, quando un asteroide del diametro di 20 metri è esploso nell’atmosfera sopra la città russa di Cheliabinsk, generando un’energia 30 volte maggiore a quella della bomba di Hiroshima e provocando 1500 feriti, nonché danni a migliaia di edifici. Per non parlare di quanto è accaduto nel 1908 in Siberia, nell’area di Tunguska, dove l’esplosione, forse di un meteroide, distrusse circa 2000 chilometri quadrati di foresta, liberando un’energia pari a 800 bombe atomiche come quella lanciata contro Hiroshima. La strategia d’intervento al centro di questi programmi è la deviazione della traiettoria dell’asteroide in rotta verso la Terra attraverso l’impatto cinetico, ossia colpendolo con un’astronave. Tali strategie richiedono molti anni di studio e preparazione, il che rende l’individuazione precoce di oggetti pericolosi vitale per consentire un margine di tempo sufficiente a preparare le missioni.

In questo Workshop, prendendo spunto da un’esercitazione della Machine Learning Masterclass di Data Masters (“Stacking Model”), esploreremo la possibilità di creare un sistema automatico per l’identificazione della pericolosità di un asteroide basato sull’intelligenza artificiale. L’esercitazione si serve di un set di dati sulle caratteristiche essenziali e sulla pericolosità dei cosiddetti Nearest-Earth-Asteroids, ossia asteroidi che passano a meno di 45 milioni di km dalla Terra. I dati sono disponibili nella piattaforma Kaggle e derivano dagli archivi della NASA.

Tutto ciò ci consentirà di riflettere sul ruolo che l’intelligenza artificiale, in futuro, potrebbe avere in questo ambito così delicato. Avremo modo, altresì, di discutere su come fronteggiare alcune rilevanti sfide di carattere metodologico che un data scientist può incontrare, anche in altri campi applicativi, nello sviluppo di modelli di classificazione: gestire opportunamente un campione di osservazioni fortemente sbilanciato, per garantire un’accurata previsione della classe che si manifesta più raramente; scegliere in modo appropriato metriche e metodi per guidare il processo di costruzione del modello e di perfezionamento dei suoi iperparametri; ricercare un punto di equilibrio adeguato al problema nel trade-off tra recall e precision, considerando i costi relativi ad un peggioramento di questi due indicatori; applicare tecniche di stacking o di ensemble per migliorare la performance globale della classificazione attraverso approcci multi-modello.