Fargin

Hai mai pensato che il vero potere sta nelle domande giuste? 🤔 Questo mese ci faremo guidare da 𝐄𝐝𝐠𝐚𝐫 𝐒𝐜𝐡𝐞𝐢𝐧, che è stato un famoso psicologo e professore al MIT Sloan School of Management, che ha influenzato profondamente il modo in cui le aziende comprendono la dinamica del lavoro di squadra, della comunicazione e della gestione del cambiamento. Se ti interessano questi argomenti, leggi con noi 𝐋'𝐚𝐫𝐭𝐞 𝐝𝐢 𝐟𝐚𝐫 𝐝𝐨𝐦𝐚𝐧𝐝𝐞. 📖Per condividere le tue riflessioni e leggere gli approfondimenti che durante questo mese proporremo, ti aspettiamo su 𝐃𝐢𝐬𝐜𝐨𝐫𝐝 💻Se ti fa piacere partecipare all'incontro conclusivo, ti aspettiamo Martedì 15 Aprile alle 20.00 su 𝐙𝐨𝐨𝐦.

𝐔𝐧 𝐫𝐞𝐩𝐨𝐫𝐭 𝐬𝐮𝐥𝐥'𝐚𝐝𝐨𝐳𝐢𝐨𝐧𝐞 𝐝𝐞𝐥𝐥'𝐈𝐀 𝐢𝐧 𝐈𝐭𝐚𝐥𝐢𝐚 Minsait e Luiss Guido Carli University a maggio scorso hanno pubblicato un interessante report basato su un campione di 502 aziende italiane di 11 settori differenti che offre raccomandazioni per l'implementazione di successo dell'IA. In particolare, le aziende con il più alto livello di maturità nell'implementazione dell'IA si distinguono per: 𝐕𝐢𝐬𝐢𝐨𝐧𝐞 𝐬𝐭𝐫𝐚𝐭𝐞𝐠𝐢𝐜𝐚 Hanno definito una roadmap chiara, per supportare le opportunità di business che hanno deciso di cogliere. 𝐀𝐝𝐚𝐭𝐭𝐚𝐦𝐞𝐧𝐭𝐨 𝐨𝐫𝐠𝐚𝐧𝐢𝐳𝐳𝐚𝐭𝐢𝐯𝐨 Hanno integrato l'IA nella cultura aziendale, promuovendo un cambiamento culturale per aumentare la consapevolezza dell'opportunità, dell'impatto e della responsabilità che comporta. 𝐆𝐞𝐬𝐭𝐢𝐨𝐧𝐞 𝐝𝐞𝐥𝐥𝐞 𝐜𝐨𝐦𝐩𝐞𝐭𝐞𝐧𝐳𝐞 Hanno progettato piani formativi e hanno attratto talenti specializzati in IA. 𝐀𝐩𝐩𝐫𝐞𝐧𝐝𝐢𝐦𝐞𝐧𝐭𝐨 𝐜𝐨𝐧𝐭𝐢𝐧𝐮𝐨 Si lasciano ispirare da altri settori e aree geografiche per trovare nuovi casi d'uso. 👉 Il report completo è disponibile su: https://lnkd.in/dkveaNm4 Dove si analizzano in dettaglio le motivazioni, le barriere e gli abilitatori nell’implementazione dell’IA nel contesto italiano.

"Una volta entrati nell’era dei Big Data, potrebbe essere giunto il momento di sviluppare un’attitudine più sana verso i computer e su quello che sono in grado di fare per noi. La tecnologia può fornirci degli strumenti utili a risparmiare lavoro ma non dobbiamo aspettarci che le macchine pensino al posto nostro. I computer sono molto, molto veloci a fare i calcoli ma questo non vuol dire che producano delle previsioni perfette. L’acronimo GIGO (Garbage in, Garbage out, letteralmente “Spazzatura dentro, spazzatura fuori”) riassume questo problema. Se inseriamo in un computer dei dati sbagliati o se sviluppiamo una serie di istruzioni stupide per analizzarli, non tramuteremo il piombo in oro. --- Ci sono forti prove teoriche ed empiriche che ci sia un beneficio nell’aggregare previsioni diverse. Dalle previsioni macroeconomiche fino ai sondaggi politici, prendere la media di ciascuna previsione, invece che affidarsi a una soltanto, riduce gli errori di previsione. Ma prima che iniziate a fare medie, dovreste capire tre cose. 1. La prima è che anche se la previsione aggregata sarà essenzialmente sempre migliore della previsione individuale, questo non vuole necessariamente dire che sarà ben fatta. Per esempio, le previsioni aggregate macroeconomiche sono troppo rozze per prevedere le recessioni. 2. Secondo, questo principio della saggezza della folla funziona quando le previsioni vengono eseguite in modo indipendente prima di farne la media. In un mercato vero (inclusa la borsa) le persone possono reagire al comportamento degli altri e in queste condizioni, il comportamento di gruppo diventa più complesso. 3. Terzo, anche se le previsioni aggregate sono migliori di quelle individuali, questo non significa necessariamente che siano migliori della migliore previsione individuale. Sul lungo periodo, comunque, le previsioni aggregate spesso battono anche la migliore previsione individuale. --- E anche se la scienza e la tecnologia sono gli eroi di questo libro, nell’era dei Big Data corriamo il rischio di innamorarci perdutamente di quello che potrebbero fare per noi. Non c’è alcuna ragione per concludere che i problemi degli esseri umani diventeranno più prevedibili. Potrebbe essere invece vero l’opposto. Come mi disse Tim Berners Lee a causa di internet: “Cambia l’intero contesto, tutte le equazioni e tutte le dinamiche di propagazione dell’informazione”. --- Fare una previsione ci è tanto difficile per la stessa ragione per cui è così importante: è il punto in cui la realtà oggettiva e quella soggettiva si intersecano. Riuscire a distinguere il segnale dal rumore richiede sia conoscenza scientifica, sia autocoscienza oltre alla serenità di accettare le cose che non possiamo prevedere, il coraggio di prevedere quello che non possiamo e la saggezza per riconoscere la differenza." [Citazione dal libro “𝐈𝐥 𝐬𝐞𝐠𝐧𝐚𝐥𝐞 𝐞 𝐢𝐥 𝐫𝐮𝐦𝐨𝐫𝐞" di Nate Silver, stasera ne parliamo su Zoom, ti aspettiamo!] [Img by dream ai]

𝐐𝐮𝐚𝐥𝐞 𝐥𝐢𝐛𝐫𝐨 𝐥𝐞𝐠𝐠𝐞𝐫𝐞𝐦𝐨 𝐩𝐞𝐫 𝐀𝐩𝐫𝐢𝐥𝐞? 📚 Sicuramente sarà uno tra questi 10 titoli e il #sondaggio decreterà il vincitore! 🗳 𝐋𝐢𝐧𝐤 https://lnkd.in/dy4jRBjR Si può votare più di un titolo e proporne di nuovi che verranno aggiunti ai prossimi sondaggi! Domani 𝐌𝐚𝐫𝐭𝐞𝐝𝐢̀ 𝟏𝟖 𝐌𝐚𝐫𝐳𝐨 scopriremo in diretta il vincitore! - 𝐋𝐚 𝐥𝐞𝐠𝐠𝐞 𝐝𝐢 𝐏𝐚𝐫𝐤𝐢𝐧𝐬𝐨𝐧 di Cyril Northcote Parkinson Un guida ironica e acuta sul funzionamento del tempo e delle organizzazioni: “Il lavoro si espande in modo da riempire il tempo disponibile per il suo completamento”. - 𝐅𝐫𝐨𝐧𝐭𝐢𝐞𝐫𝐚. Perché sarà un nuovo secolo american di Francesco Costa «L’aria che si respira oltreoceano è elettrica. Gli Stati Uniti d’America stanno attraversando un momento affascinante e contraddittorio, poco compreso e per certi versi unico nella loro vicenda nazionale.» - 𝐏𝐚𝐫𝐭𝐢𝐫𝐞 𝐥𝐞𝐠𝐠𝐞𝐫𝐢: Il metodo Lean Startup: innovazione senza sprechi per nuovi business di successo di Eric Ries - 𝐋'𝐚𝐫𝐭𝐞 𝐝𝐢 𝐟𝐚𝐫 𝐝𝐨𝐦𝐚𝐧𝐝𝐞. Quando ascoltare è meglio che parlare di Edgar e Peter Schein Bisognerebbe parlare meno e imparare a fare le domande giuste. Vale per tutti ma soprattutto per i leader delle organizzazioni. - 𝐌𝐚𝐩𝐩𝐞𝐦𝐚𝐭𝐢𝐜𝐚. Come navigare il mondo attraverso i numeri di Paulina Rowinska Per scoprire i fondamenti matematici della cartografia e come essa abbia influenzato la ricerca matematica. - 𝐋'𝐚𝐫𝐭𝐞 𝐝𝐞𝐥𝐥𝐚 𝐯𝐢𝐭𝐭𝐨𝐫𝐢𝐚. Autobiografia del fondatore della Nike di Phil Knight - 𝐀𝐥𝐥𝐞𝐧𝐚𝐫𝐬𝐢 𝐚𝐥𝐥𝐚 𝐜𝐨𝐦𝐩𝐥𝐞𝐬𝐬𝐢𝐭𝐚̀. Schemi cognitivi per decidere e agire in un mondo non ordinato di Alessandro Cravera - 𝐒𝐞𝐢 𝐩𝐞𝐳𝐳𝐢 𝐟𝐚𝐜𝐢𝐥𝐢 di Richard Feynman «Chi prevedesse di naufragare su un’isola deserta, e volesse esser certo di avere con sé l’essenziale di quel che sappiamo sul mondo fisico, potrà mettere nello zaino i Sei pezzi facili.» - 𝐋'𝐮𝐨𝐦𝐨 𝐯𝐞𝐧𝐮𝐭𝐨 𝐝𝐚𝐥 𝐟𝐮𝐭𝐮𝐫𝐨. La vita visionaria di John Von Neumann di Ananyo Bhattacharya - 𝐈𝐥 𝐂𝐢𝐠𝐧𝐨 𝐧𝐞𝐫𝐨. Come l’improbabile governa la nostra vita di Nassim Nicholas Taleb _______ Se vuoi leggere e studiare in compagnia, ti aspettiamo su #Discord

“Sbaglia, sbaglia, e sbaglia ancora, ma meno, meno, e sempre meno” il verso dalla poesia “La strada per la saggezza” del matematico danese Piet Hein. 😍 Dal libro “Il segnale e rumore, arte e scienza della previsione” di Nate Silver Il libro del mese nel club di lettura Fargin

"Thomas Bayes fu un ministro di culto presbiteriano nato nel 1701 o 1702. Sulla sua vita ci sono poche notizie certe, anche se ha dato il nome a un’intera branca della statistica e a uno dei teoremi più famosi in questo campo. Non è neanche chiaro se qualcuno abbia mai saputo che aspetto avesse Bayes: il ritratto utilizzato di solito dalle enciclopedie potrebbe essere un’attribuzione errata. Se le conseguenze filosofiche del teorema di Bayes sono sorprendentemente ricche, la matematica che lo sorregge è incredibilmente semplice. Nella sua forma basilare è solo un’espressione algebrica con tre variabili conosciute e una sconosciuta. Ma questa semplice formula può portare a un’ampia gamma di illuminazioni predittive. Si occupa della probabilità condizionata e cioè ci illustra la probabilità che una teoria o un’ipotesi siano vere se accade un certo evento. [Per calcolarla si devono sapere o stimare: - la probabilità a priori (o marginale): quanto crediamo in un'ipotesi prima di nuove informazioni; - la verosimiglianza: quanto è probabile osservare i dati se l'ipotesi fosse vera; - la probabilità totale: la probabilità di osservare i dati considerando tutte le possibili cause; e così abbiamo la probabilità condizionata o a posteriori] Quando le nostre probabilità a priori sono forti, possono dimostrarsi sorprendentemente resistenti di fronte a nuove prove. Di solito comunque tendiamo a concentrarci sulle informazioni più nuove e così il quadro complessivo si perde. Il teorema di Bayes richiede che pensiamo questi problemi in modo più attento e può essere molto utile per identificare quando le nostre approssimazioni di pancia sono troppo grezze. Questo non suggerisce che i nostri a priori dominano sempre le nuove prove o che il teorema di Bayes produce di per sé dei risultati contro-intuitivi. A volte le nuove prove sono così potenti da sopraffare qualsiasi altra cosa e possiamo passare dall’assegnare a una qualunque cosa una probabilità vicino allo zero per passare quasi istantaneamente a una probabilità quasi sicura. L’idea dietro il teorema di Bayes, tuttavia, è che noi non aggiorniamo le nostre stime di probabilità solo una volta. Lo facciamo invece continuamente, tutte le volte che si presentano nuovi eventi o evidenze. Ci richiede di pensare il mondo in termini probabilistici anche quando si tratta di problemi che preferiamo ritenere non siano una questione di possibilità. Ma questo non vuol dire che dobbiamo sostenere che il mondo sia intrinsecamente, metafisicamente incerto. Laplace pensava che ogni cosa, dalle orbite dei pianeti al comportamento delle più piccole molecole, fosse governata in modo ordinato da leggi newtoniane, e nonostante questo ha dato un contributo fondamentale per lo sviluppo del teorema di Bayes che affronta l’incertezza epistemologica ovvero i limiti della nostra conoscenza." [Citazione dal libro “𝐈𝐥 𝐬𝐞𝐠𝐧𝐚𝐥𝐞 𝐞 𝐢𝐥 𝐫𝐮𝐦𝐨𝐫𝐞" di Nate Silver, ci vediamo Martedì 18 per parlarne] img_fotor

"In statistica lo scambiare il rumore per il segnale viene detto 𝐨𝐯𝐞𝐫𝐟𝐢𝐭𝐭𝐢𝐧𝐠. Il nome overfitting, adattamento eccessivo, deriva dal modo in cui i modelli statistici si adattano per accordarsi con le osservazioni passate e che può essere: 1) o troppo ampio, nel qual caso non riusciremo a captare il segnale quanto vorremmo, 2) oppure può essere troppo stretto, il che significa che stiamo infilando le interferenze in mezzo ai dati invece di scoprirne la struttura sottostante. Il secondo errore è molto più comune nella pratica. Sarà più probabile avere un modello overfit quando i dati sono limitati e rumorosi e quando la capacità di comprensione delle relazioni fondamentali è scarsa. Entrambe le circostanze si applicano nel caso dei terremoti. Un test molto utilizzato consiste nel misurare quanta della variabilità dei dati è stata presa in considerazione nel modello. "𝐂𝐨𝐧 𝐪𝐮𝐚𝐭𝐭𝐫𝐨 𝐩𝐚𝐫𝐚𝐦𝐞𝐭𝐫𝐢 𝐩𝐨𝐬𝐬𝐨 𝐬𝐢𝐬𝐭𝐞𝐦𝐚𝐫𝐞 𝐮𝐧 𝐞𝐥𝐞𝐟𝐚𝐧𝐭𝐞", disse una volta John von Neumann a proposito di questo problema, "𝐞 𝐜𝐨𝐧 𝐜𝐢𝐧𝐪𝐮𝐞 𝐩𝐨𝐬𝐬𝐨 𝐟𝐚𝐫𝐠𝐥𝐢 𝐨𝐧𝐝𝐞𝐠𝐠𝐢𝐚𝐫𝐞 𝐥𝐚 𝐩𝐫𝐨𝐛𝐨𝐬𝐜𝐢𝐝𝐞." L’overfitting fa sì che il modello sembri migliore sulla carta ma lo rende peggiore nel mondo reale. Fino a che non viene passato al vaglio dei fatti, si può anche credere che faccia delle previsioni precise e degne di nota e che rappresenti un progresso rispetto alle tecniche applicate precedentemente. E tutto ciò, in un mercato affollato di modelli più onesti, può fare sì che il modello overfit venga pubblicato più facilmente su riviste specializzate o venga venduto a un cliente, ma se è pieno di interferenze possiede anche sufficiente potenziale per danneggiare la scienza. Per essere chiari, degli 𝐞𝐫𝐫𝐨𝐫𝐢 𝐝𝐞𝐥 𝐠𝐞𝐧𝐞𝐫𝐞 𝐝𝐢 𝐬𝐨𝐥𝐢𝐭𝐨 𝐬𝐨𝐧𝐨 𝐟𝐚𝐭𝐭𝐢 𝐢𝐧 𝐛𝐮𝐨𝐧𝐚 𝐟𝐞𝐝𝐞, giocano con la nostra tendenza a farci prendere in giro dal caso. Senza neanche rendercene conto a volte lavoriamo a ritroso per trovare delle teorie che sembrino persuasive e che razionalizzino i nostri errori, e spesso riusciremo a gabbare i nostri colleghi così come abbiamo fatto con noi stessi. Michael Babyak che ha scritto ampiamente su questo problema, pone il dilemma in questo modo: “Nella scienza, cerchiamo di bilanciare la nostra curiosità con lo scetticismo”. Questo è un caso invece in cui la nostra curiosità ha la meglio." [Citazione dal libro “𝐈𝐥 𝐬𝐞𝐠𝐧𝐚𝐥𝐞 𝐞 𝐢𝐥 𝐫𝐮𝐦𝐨𝐫𝐞" di Nate Silver, ti aspettiamo su Discord per parlarne] [Img gli elefanti di Von Neumann]

"Da che io mi ricordi sono sempre stato un tifoso di baseball e un fanatico di statistiche sul baseball. Il mio interesse crebbe nel 2002. All’epoca Michael Lewis stava scrivendo Moneyball il futuro bestseller che raccontava la cronaca dell’ascesa degli Oakland Athletics e del loro furbo manager Billy Beane. Un buon sistema di proiezioni sul baseball deve raggiungere almeno 3 obiettivi basilari: 1. Prendere in considerazione il contesto per le statistiche di un giocatore. 2. Separare l’abilità dalla fortuna. 3. Capire come evolvono le performance di un giocatore man mano che invecchia, la cosiddetta curva dell’invecchiamento. 𝗠𝗮 𝗹𝗲 𝘀𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗰𝗵𝗲 𝗽𝗼𝘀𝘀𝗼𝗻𝗼 𝗱𝗶𝗿𝗰𝗶 𝘁𝘂𝘁𝘁𝗼 𝗰𝗶𝗼̀ 𝗰𝗵𝗲 𝘃𝗼𝗴𝗹𝗶𝗮𝗺𝗼 𝘀𝘂 𝘂𝗻 𝗴𝗶𝗼𝗰𝗮𝘁𝗼𝗿𝗲? Un luogo comune dopo aver letto Moneyball è che si tratti di una storia sul conflitto fra due bande rivali, le menti statistiche e gli scout, e che si basi sui diversi paradigmi che ogni gruppo adotta per valutare le capacità di un giocatore. Adesso le fiamme si sono ormai spente. Il successo dei Red Sox che nel 2004 hanno vinto la loro prima World Series da 86 anni a questa parte con un approccio misto che enfatizzava tanto le statistiche quanto lo scouting, può essere stata la chiave della distensione. Delle società che nel 2003 si basavano molto sullo scouting come i St. Louis Cardinals, da allora hanno adottato un approccio più analitico. Squadre di nerd come gli Oakland A’s hanno aumentato il budget dei loro scout invece del contrario. Se gli statistici hanno dimostrato il loro valore, lo stesso hanno fatto gli scout. Il carburante per ogni sistema di classifica è l’informazione ed essere in grado di guardare sia allo scouting sia alle informazioni statistiche significa avere più carburante. L’unica maniera in cui una lista che si basi unicamente sulla statistica possa battere una lista ibrida è quando i pregiudizi introdotti nel processo sono così forti da sopraffare i benefici. Di sicuro, quando viene coinvolto il giudizio umano, viene anche introdotto un errore potenziale. Troppe informazioni possono rendere le cose più complicate a quelle persone che hanno un atteggiamento sbagliato nei confronti delle previsioni e che le usano come sostegno alla loro teoria di parte su come dovrebbe funzionare il mondo invece di cercare di arrivare alla verità. Ma anche gli statistici commettono errori. Uno dei peggiori è presumere che se una cosa non può venire quantificata facilmente, allora non è importante. La chiave per fare una buona previsione non è limitarsi alle informazioni quantitative ma piuttosto avere una buona capacità di stimare in modo appropriato le informazioni ed è questa l’essenza della filosofia di Beane: raccogliere quante più informazioni possibili ed essere rigorosi e disciplinati nell’analizzarle." [Citazione dal libro “𝐈𝐥 𝐬𝐞𝐠𝐧𝐚𝐥𝐞 𝐞 𝐢𝐥 𝐫𝐮𝐦𝐨𝐫𝐞" di Nate Silver, ti aspettiamo su Discord per parlarne] [Img di Billy Beanie by Fotor]

𝐐𝐮𝐚𝐧𝐭𝐨 𝐢𝐦𝐩𝐚𝐭𝐭𝐚 𝐥𝐚 𝐦𝐚𝐧𝐮𝐭𝐞𝐧𝐳𝐢𝐨𝐧𝐞 𝐧𝐞𝐥𝐥'𝐞𝐯𝐨𝐥𝐮𝐳𝐢𝐨𝐧𝐞 𝐝𝐞𝐥 𝐬𝐨𝐟𝐭𝐰𝐚𝐫𝐞? Ci si può fare un'idea leggendo il punto di vista chi mantiene 𝐂𝐨𝐧𝐬𝐭𝐫𝐮𝐜𝐭, un software che permette di creare giochi 2D e animazioni con un'interfaccia drag-and-drop. - Un plugin di storage, sviluppato da un membro della community, ha causato 𝐩𝐫𝐨𝐛𝐥𝐞𝐦𝐢 𝐝𝐢 𝐜𝐨𝐦𝐩𝐚𝐭𝐢𝐛𝐢𝐥𝐢𝐭𝐚̀ anche dopo 10 anni! - L'esternalizzazione dello sviluppo di un plugin ha portato a rendere più difficile la gestione dei bug e l'implementazione di nuove funzionalità, a causa di un 𝐝𝐢𝐯𝐞𝐫𝐬𝐨 𝐬𝐭𝐢𝐥𝐞 𝐝𝐢 𝐩𝐫𝐨𝐠𝐫𝐚𝐦𝐦𝐚𝐳𝐢𝐨𝐧𝐞. Alla fine, il plugin è stato riscritto internamente! - La difficoltà nel mantenere 𝐥𝐢𝐛𝐫𝐞𝐫𝐢𝐞 𝐝𝐢 𝐭𝐞𝐫𝐳𝐞 𝐩𝐚𝐫𝐭𝐢, 𝐜𝐡𝐞 𝐬𝐦𝐞𝐭𝐭𝐨𝐧𝐨 𝐝𝐢 𝐞𝐬𝐬𝐞𝐫𝐞 𝐬𝐮𝐩𝐩𝐨𝐫𝐭𝐚𝐭𝐞 𝐧𝐞𝐥 𝐭𝐞𝐦𝐩𝐨, costringe a continue migrazioni e riscritture! Come nella ristrutturazione degli edifici usare materiali scadenti causerà problemi di manutenzione, così succede nello sviluppo software, dove capita che determinate scelte portino a continui interventi, annullando i benefici iniziali. Quindi la manutenzione rappresenta una parte preponderante del ciclo di vita del software, che richiede un impegno costante da non sottovalutare. 👉 Il case study completo su https://lnkd.in/dsDZY4Dx

BIAS DI CONFERMA "𝐀𝐥𝐯𝐢𝐧 𝐓𝐨𝐟𝐟𝐥𝐞𝐫, nel suo libro del 1970 Future Shock, predisse alcune delle conseguenze di quello che definì “𝐬𝐨𝐯𝐫𝐚𝐜𝐜𝐚𝐫𝐢𝐜𝐨 𝐢𝐧𝐟𝐨𝐫𝐦𝐚𝐭𝐢𝐯𝐨”. Pensava che il nostro meccanismo di difesa avrebbe semplificato il mondo in modi che avrebbero confermato i nostri pregiudizi, anche se il mondo stesso stava crescendo in modo più diverso e complesso. I nostri istinti biologici non si adattano sempre bene al mondo odierno, tanto ricco di informazioni. 𝐀 𝐦𝐞𝐧𝐨 𝐜𝐡𝐞 𝐧𝐨𝐧 𝐥𝐚𝐯𝐨𝐫𝐢𝐚𝐦𝐨 𝐚𝐭𝐭𝐢𝐯𝐚𝐦𝐞𝐧𝐭𝐞 𝐩𝐞𝐫 𝐫𝐞𝐧𝐝𝐞𝐫𝐜𝐢 𝐜𝐨𝐧𝐬𝐚𝐩𝐞𝐯𝐨𝐥𝐢 𝐝𝐞𝐢 𝐩𝐫𝐞𝐠𝐢𝐮𝐝𝐢𝐳𝐢 𝐜𝐡𝐞 𝐢𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐢𝐚𝐦𝐨, il vantaggio delle informazioni aggiuntive può essere minimo o può addirittura diminuire. Dopo la nascita della stampa a caratteri mobili il sovraccarico di informazioni produsse un maggiore settarismo. Le diverse idee religiose potevano essere testimoniate con più informazioni, più convinzione, più prove e meno tolleranza per le opinioni dissenzienti. Oggi sembra accadere la stessa cosa. Il parteggiare per un partito politico è un fenomeno che è aumentato in modo molto rapido negli Stati Uniti più o meno nel periodo in cui Toffler scrisse Future Shock e potrebbe accelerare ancor di più dopo l’avvento di internet. Le convinzioni politiche possono sovvertire l’equazione secondo la quale avere a disposizione più informazioni ci porterà più vicini alla verità. Un recente studio di Nature ha messo in evidenza che tanto più gli appartenenti a uno schieramento politico erano bene informati sul riscaldamento globale, tanto meno erano d’accordo l’uno con l’altro. Nel frattempo, anche se 𝐥𝐚 𝐦𝐨𝐥𝐞 𝐝𝐢 𝐢𝐧𝐟𝐨𝐫𝐦𝐚𝐳𝐢𝐨𝐧𝐢 𝐬𝐭𝐚 𝐜𝐨𝐧𝐭𝐢𝐧𝐮𝐚𝐧𝐝𝐨 𝐚 𝐜𝐫𝐞𝐬𝐜𝐞𝐫𝐞 al ritmo di 2,5 triliardi di byte al giorno, la quantità di informazioni utili di certo non segue lo stesso ritmo. 𝐋𝐚 𝐦𝐚𝐠𝐠𝐢𝐨𝐫 𝐩𝐚𝐫𝐭𝐞 𝐬𝐨𝐧𝐨 𝐬𝐨𝐥𝐨 𝐢𝐧𝐭𝐞𝐫𝐟𝐞𝐫𝐞𝐧𝐳𝐚 e il rumore sta crescendo più velocemente del segnale. Ci sono tante ipotesi da mettere alla prova, tanti dati da incasellare ma una quantità relativamente costante di verità oggettiva." [Citazione dal libro “𝐈𝐥 𝐬𝐞𝐠𝐧𝐚𝐥𝐞 𝐞 𝐢𝐥 𝐫𝐮𝐦𝐨𝐫𝐞" di Nate Silver, ti aspettiamo su Discord per parlarne e condividere risorse] [Img di Toffer by Fotor]