La prima foto di sempre ad un buco nero è stata ottenuta trasferendo dati su hard drive inviati su normali voli commerciali.

Hanno preso gli hard drive, li hanno impacchettati e li hanno spediti per via aerea. Un po’ come i pacchi degli studenti fuori sede, con all’interno la pasta Divella perché è noto che a Milano non vendono la pasta nei supermercati.

Sembra una cosa insensata: con il 5G alle porte, internet che si insinua in ogni aspetto della vita e quasi tutto può essere trasferito in un istante dall’altra parte del globo.

Esatto, quasi tutto! Uno dei progetti più all’avanguardia del mondo ha un grosso problema: ha troppi dati ed un messaggio WhatsApp non va bene.

Di questo, ne parla l’articolo da cui ho tratto alcune delle prossime informazioni “The Hidden Shipping and Handling Behind That Black-Hole Picture – The Atlantic”.

La prima foto di un buco nero è quasi tutta nera

L’immagine del 10 Aprile 2019 è già storia perché un buco nero per definizione inghiotte qualsiasi cosa, anche la luce. È impossibile fotografare qualcosa che non emette o riflette luce, ma il progetto EHT (Event Horizon Telescope) ci è riuscito, o meglio, ci è quasi riuscito.

Event Horizon Telescope è una collaborazione internazionale che realizza un telescopio virtuale di dimensioni terrestri utilizzando 8 antenne radio (radiotelescopi) dislocate in 4 continenti.

Nella pratica, gli 8 radiotelescopi, fotografano le emissioni radio di tutto quello che viene inghiottito nel buco nero, con l’obiettivo di osservare l’ambiente circostante di un buco nero.

L’immagine che è stata ottenuta rappresenta quello che viene chiamato l’orizzonte degli eventi di un buco nero. Da cui il nome del progetto Event Horizon Telescopi, abbreviato EHT.

L’orizzonte degli eventi di un buco nero appare come un anello luminoso formato mentre la luce si piega nell’intensa gravità attorno al buco nero che in questo caso è 6,5 miliardi di volte più massiccio del Sole.

Questa immagine fornisce una delle prove più forti fino ad oggi dell’esistenza di buchi neri supermassicci.

5 Petabyte di dati per un buco nero

Oltre alla complessità scientifica del progetto, quelli dell’EHT hanno un grosso problema pratico, quasi imbarazzante.

I dati provenienti dagli 8 telescopi, per essere elaborati, devono essere inviati a due istituti di astronomia: l’Osservatorio Haystack del MIT negli Stati Uniti e il Max Planck Institute for Radio Astronomy in Germania.

Parliamo di oltre 5 Petabyte di dati. 1 Peta Byte corrisponde a 1 milione di Giga Byte. Circa 10 mila iPhone.

Sono troppi per essere ragionevolmente trasferiti attraverso connessioni Internet, quindi l’EHT ha utilizzato un metodo piuttosto inusuale detto Sneakernet.

Gli hard drive sono stati estratti dai computer, impacchettati e spediti per via aerea. Centinaia di hard drive hanno preso il volo da e verso gli osservatori utilizzando le più comuni FedEx e UPS. Ho l’ansia solo a pensarci.

Gli hard drive sono stati alloggiati in pile da 8 moduli che consentiva di registrare i dati su tutte e otto le unità contemporaneamente. Ogni pila dischi, oltre al loro rivestimento personalizzato pesava circa 23 chili.

Il vero problema è stato il viaggio di ritorno degli hard drive pieni. Questo perché, ancora una volta, i dati erano troppi per poter effettuare un backup. Quindi i dischi che volavano fuori dalle stazioni erano gli unici che avevano.

In oltre, avere 8 telescopi in 4 continenti diversi fa si che alcuni percorsi di spedizione siano più complicati di altri, ad esempio Cile e Messico hanno regole più severe su ciò che può attraversare i loro confini.

Secondo l’articolo di The Atlantic la destinazione più difficile è stata quella del Polo Sud in Antartide con spedizioni che dovevano soddisfare specifiche molto dettagliate.

La vera domanda che mi pongo è, “perché non hanno usato internet” ?

Il team di Event Horizon Telescpe inizialmente, come è ovvio aspettarsi, ha preso in considerazione l’idea di usare un servizio di condivisione di file come Dropbox o Amazon ASW, ma a i costi erano troppo elevati a causa dell’enorme quantità dei dati, tanto che il team ha dichiarato che:

“Niente batte la larghezza di banda di un 747 pieno di dischi rigidi.”

Ma quanto pesa in chilogrammi un Gigabyte?

Non ho a disposizione la stessa tecnologia di EHT, ma il mio vecchio hard disk esterno di 1,5 terabyte pesa circa 156grammi: circa 0,104grammi per gigabyte.

Sembra poco, ma è pur sempre qualcosa e se consideriamo 5 Petabyte otteniamo circa 5,2 quintali.

Osservando i dati attraverso gli occhi di questa vicenda di colpo sembrano non essere più cosi intangibili.

I dati hanno un peso ed occupano spazio fisico, ma soprattuto necessitano di energia per essere trasferiti, immagazzinati e mantenuti.

Il 5G non è la soluzione a tutti nostri problemi. Le tecnologie di acquisizione dei dati sembrano correre più veloci del modo in cui riusciamo ad immagazzinarle e trasferirle. Ad esempio l’iPhone 11 ha 3 fotocamere da 12 Megapixel ed gli schermi 4K necessitano di bande tra 15 ai 25 Mbps per funzionare. Prima o poi dovremo fare trasferimento dei dati in modo sostenibile.

Già ora uno dei limiti dell’applicazione delle intelligenze artificiali è proprio quello dell’enorme quantità di dati necessarie per farle funzionare e di conseguenza: tempi, modalità di trasferimento e acquisizione.

Per questo motivo il 5G sta riscuotendo così tanto interesse. Allo stato attuale rappresenta una svolta per l’applicazione di tecnologie fino ad oggi impensabili da implementare su larga scala e consumer.

Per chiudere se prendessimo la celebre frase “pesa di più un chilo di piume o di piombo?” alla luce di questa storia diventerebbe “pesa di più un 1 gigabyte a stato solido o 1 gigabyte su disco magnetico?”

Oggi la riposta è facile: SSD. Ma è comunque interessante ragionare in termini fisici su qualcosa che solitamente siamo abituati a considerare come intangibile tanto che a mio avviso un giorno dovremo fare i conti con il problema della spazzatura informativa.

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo La prima foto di un buco nero è ottenuta inviando hard drive su aerei sembra essere il primo su Domenico Monaco.

Il giovane pilota francese è incappato in un errore di strategia che a mio parere è un’ottimo esempio di Ai-based Decision Making, gli elementi ci sono tutti: c’è un manager, un obiettivo, delle decisioni da prendere in tempi brevissimi, una strategia, dei dati e un software per il supporto alle decisioni che tra le altre cose fa uso di intelligenza artificiale (AI).

La domanda è: quando e quanto fidarsi di un sistema basato su Intelligenza artificiale ed il ruolo del manager.

Non sto qui a dilungarmi su come funziona la Formula 1, basti capire che durante le qualifiche lo scopo è percorrere la pista nel minor tempo possibile, tale tempo determinerà poi la posizione di partenza della gara. Il tutto con delle regole: un numero limitato di gomme e un numero prefissato sessioni dalle quali si può essere eliminati.

Il gioco di strategia si condensa nella capacità di fare un tempo sufficientemente basso da “passare alla successiva sessione” usando il minimo numero di gomme morbide e senza “mostrare il vero potenziale dell’auto” in quel circuito allo scopo di sfoderare l’asso nella manica alla fine.

É qui che le decisioni del manager della scuderia si fanno cruciali.

Ai-based Decision Making nelle organizzazioni

Oggi, nelle aziende come nella Formula 1, le decisioni si fanno sempre più complesse e si basano su un numero di dati sempre maggiore, per tali motivi si utilizzano sistemi basati anche su tecniche di intelligenza artificiale: questo processo decisionale prende il nome di AI-based Decision Making, un ambito di ricerca che studia la relazione tra i sistema a supporto delle decisioni, l’intelligenza artificiale e la capacità delle persone di prendere decisioni corrette.

Questo implica tutta una serie di problematiche come un’enorme quantità di dati, la solidità del sistema predittivo, la capacità dell’operatore umano di mettere in dubbio la decisione dell’AI, fattori di fiducia/sfiducia, robustezza e trasparenza dell’AI, ed infine informazioni sufficienti a supportare il processo decisionale.

Così, il ruolo del manager è diventato più complicato, perché ha un suggeritore AI-based che gode di un’ hype (inflacted expectations) esagerato, ma che è fallibile tanto quanto un operatore umano.

Per capire questo complesso processo decisionale basato su software dotati di algoritmi di intelligenza artificiale vorrei analizzare cos’è successo nella scuderia Ferrari.

Come funzionano le qualifiche in F1?

Le qualifiche si dividono in 3 sessioni (Q1, Q2 e Q3) dove [bwin]:

• Q1 – Tutti i piloti hanno 18 minuti per uscire in pista e segnare il loro miglior tempo, alla fine della sessione le 6 monoposto più lente sono eliminate e le rimanenti passano alla fase successiva;
• Q2 – dura 15 minuti e i piloti scendono nuovamente in pista per fare un nuovo giro veloce. La Q2 è fondamentale perché le monoposto che vi partecipano partiranno in gara con gli stessi pneumatici con cui hanno fatto il loro miglior tempo nella Q2. Alla fine del Q2 altre 6 macchine saranno eliminate mentre le più veloci vanno alla fase finale.
• Q3 – i piloti restanti si sfidano in una sessione di 12 minuti in cui solitamente ogni pilota effettua due giri veloci. La monoposto più veloce si aggiudica la Pole Position.

Cosa è successo a Charles Leclerc a Monaco?

Charles Leclerc non si era fermato alla pesa, dunque il team lo ha avvisato e lo ha accompagnato al box della Federazione per effettuare la procedura, alla fine della quale è rientrato nel suo garage. Qui l’errore di valutazione della squadra che lo ha penalizzato. [Sky Sport]

Leclerc non è stato fatto tornare in pista nel momento in cui i tempi di tutti i piloti che andavano abbassandosi, questo a differenza di Vettel che rientrato in pista per migliorarsi ed evitare l’eliminazione dalla Q1. Il tempo per rientrare c’era. La Q1 termina, ma il ferrarista ha un tempo non sufficiente per passare in Q2, dunque viene eliminato.

Leclerc: “Io ho chiesto per sapere se fossimo sicuri di farcela. Non ho ricevuto risposta. Poi, a un minuto dalla fine, hanno scoperto che era troppo tardi. Sono più deluso che arrabbiato”.

Come spiega [Motorsport]: durante le sessioni di qualifica un sistema informatico calcola automaticamente il tempo sul giro sufficiente per poter stare tranquilli, se si è sotto quel tempo si evita di rientrare in pista e consumate gomme utili magari nella sessione successiva o in gara.

Ma i sistemi informatici sono fallibili, quindi è qui che le valutazioni in tempo reale degli ingegneri entrano in gioco e “valutano il da farsi”,  serve della vera intelligenza umana, non artificiale.

Il problema è che oggi le attività della Formula 1 sono sempre più specializzate e frammentate al fine di raggiungere un’efficienza impensabile anche solo dieci anni fa.

Paradossalmente è stato il giovane Charles Leclerc a mettere in dubbio il suggerimento dei software, attribuendo ad ognuno dei piloti in pista il corretto peso specifico, ma la squadra lo ha fatto desistere, fidandosi di ciò che solitamente non sbaglia mai (il software).

Leclerc, perplesso:, “Dovrei uscire, penso che siamo un po’ troppo a rischio”, ha detto via-radio Charles ai suoi ingegneri, “No, abbiamo i dati e crediamo che tu sia al sicuro”, è stata la risposta.

AI-based Decision Making

Questo esempio che ho descritto da ricostruzioni di [Motorsport] e [Sky Sport] a mio parere è un ottimo esempio di Ai-based Decision Making, in qui la complessità nel prendere decisioni giusta è comunque in gran parte derivata dalla capacità di valutare la situazione d’insieme, ma quest’ultima arricchita dal fattore Artificial Intelligence (AI).

Ma cosa succede? Succede che oltre alla situazione in pista bisogna valutare il suggerimento del software, che sappiamo, si basa su un enorme quantità di dati, enormi capacità di calcoli ed algoritmi che “Dio solo sa cosa fanno” e quindi potenzialmente potrebbe aver “visto” qualcosa che noi banali esseri umani non siamo stati in grado di vedere.

É proprio questa “fiducia” nelle capacità del software che può portare in errore chi deve prendere una decisione, spinto quest’ultimo magari ad ignorare il proprio istinto in favore di un software che “fino ad oggi” non ha mai sbagliato.

In realtà tutto questo è riduttivo rispetto al problema delle decisioni basate su software di intelligenza artificiale, ma a mio parere è un ottimo esempio che mostra come un operatore umano deve essere messo in condizione di confutare le decisioni del software basato su AI, ma questo per essere fatto necessita di tutta una serie di soluzioni che vanno dall’uso di UX/UI adatte, dati ed informazioni a sufficienza a supporto della decisione dell’operatore.

Fonti:

• [Motorsport] https://it.motorsport.com/f1/news/fattaccio-ferrari-quando-lintelligenza-artificiale-conta-piu-della-logica/4396075/
• [Sky Sport] https://it.eurosport.com/formula-1/leclerc-mastica-amaro-ho-chiesto-piu-volte-se-il-tempo-fosse-sufficiente-sono-deluso_sto7290958/story.shtml
• [bwin] https://sports.bwin.it/it/news/altri-sport/formula-1-il-regolamento-di-prove-e-qualifiche

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo Leclerc e la Ferrari a Monaco: un esempio di AI-based Decision Making sembra essere il primo su Domenico Monaco.

La questione nasce dal fatto che attualmente ci troviamo nella situazione in cui i Big Data hanno alimentato in modo esponenziale ricerche, innovazioni ed ambizioni forse fuori dalla portata della maggior parte delle aziende per diversi motivi. Infatti, usare i Big Data è spesso fuori discussione per motivi che vanno dalla reale disponibilità di Big Data al rapporto costi/benefici eccessivamente elevato nel loro utilizzo. Così l’autore mette in evidenza come la maggior parte delle aziende ha la -reale- necessità di ottenere un vantaggio dall’utilizzo dei cosiddetti Small Data piuttosto che dai Big Data, ma Small Data non significa necessariamente “sfide più piccole”, piuttosto significa differenti.

Ma cosa sono questi Small Data? In realtà non è un termine così recente, e come al solito esistono diverse sfaccettature del termine, ma partendo dall’articolo sopra citato sono quei dati di dimensioni sufficientemente ridotte da poter essere compresi dalla mente umana [1], quei dati in volume e formato tale da essere accessibili, informativi e utili [3] oppure, la definizione che più preferisco, “la traccia digitale che ogni persona genera” [4].

A partire dalle definizioni precedenti, l’autore estende la discussione verso alcuni vantaggi nell’uso degli Small Data rispetti ai Big Data, ad esempio essi sono maggiormente disponibili, precisi e completi; riguardano persone, piccoli gruppi e comunità; descrivono ogni persona in ogni contesto ed infine la maggior parte dei dati che le persone consumano (ed io aggiungo generano) sono Small Data.

L’importanza di utilizzare Small Data è tale che nella maggior parte dei casi sono i dati corretti ad un problema di analisi e la maggior parte delle innovazioni sono innescate da piccoli dati ([5], [7]). Seppur vantaggiosi rispetto ai Big Data, gli Small Data necessitano di analisi appropriate prima di tutto è necessario rispondere a domande del tipo

Di quale tipo di dati ho bisogno? Di quanti dati ho veramente bisogno? Qual è il meglio che posso ottenere con i dati che ho?

A causa della presenza ubiquitaria dei piccoli dati e di un grande impatto nel mondo delle PMI e dei privati, è fondamentale comprenderlo bene. L’elaborazione di dati di piccole dimensioni dovrebbe, in teoria, essere più veloce, ma nella maggior parte dei casi non sono dati sufficienti per applicare algoritmi di Deep Learning, generando nuovi problemi.

Se consideriamo che la maggior parte dei Small Data è di tipo personale e risiedono in device mobili, allora è necessario considerare in modo ancor più pressante questioni di privacy o risolvere problemi legati alla potenza di calcolo, memoria ed energia limitata dei dispositivi.

Dunque il problema della caratterizzazione dei Small Data passa dalle famose 5V (volume, velocità, varietà, veridicità e valore) tipiche dei Big Data a [11]:

• Scope – Quanto sono esaustivi i dati relativi al problema in questione?
• Resolution and Identity: quanto sono fini i dati e quanto è identificabile ciascun elemento?
• Relational : quanto è facile associare diversi dataset attraverso campi comuni o codifiche che fanno parte dei dati?
• Flexibility – Quanto è facile estendere i dati (eg. Aggiungendo nuovi campi) e ridimensionare le dimensioni?
• Privacy – In che modo i dati si riferiscono alle persone?

Una interessante applicazione dei Small Data è quella della e-healt, in particolare la ricercatrice Deborah Estrin [4] definisce gli Small Data come l’immagine della salute personale sostenendo che il comportamento digitale può fornire preziose indicazioni sulla salute personale di una persona.

In particolare in questo contesto, ma anche in altri, gli Small Data si riferiscono a informazioni relative a un individuo, normalmente associati a una persona identificabile e possono includere nome, cognome, indirizzo, numero di telefono, condizioni specifiche di salute o cognitive, ecc.

Questi dati sono privati e quindi come effetto collaterale, ci sono due fatti che rendono l’uso dei dati personali impegnativo per le applicazioni basate sull’apprendimento automatico. In primo luogo, è difficile da raccogliere; i dati personali sono considerati privati o sensibili e la maggior parte delle persone non è disposta a condividerli. In secondo luogo, i dati personali relativi alle condizioni mentali, sanitarie ed educative sono scarsi perché tali condizioni sono rare e spesso “nascoste”, il che significa che non sono identificate prima dei sintomi. Ciò significa che i dati provenienti da alcuni soggetti potrebbero non essere adeguati dati di allenamento di reti neurali per altri soggetti.

Di conseguenza, i dati più adatti per addestrare un algoritmo sono i dati appartenenti allo stesso soggetto, rendendo i dati di destinazione ancora più piccoli.

L’autore conclude esprimendo la necessità di esplorare i limiti e gli usi degli Small Data.

Riferimenti:

• [1] jWork.org (2014). “Small data”. Never heard this term? URL: http://jwork.org/main/node/18
• [2] R. Pollock (2013). Forget Big Data, Small Data is the Real Revolution. URL: http://blog.okfn.org/2013/04/22/forget-big-data-small-data-is-the-real-revolution
• [3] WhatIs. URL: http://whatis.techtarget.com/search/query?q=small+data. Last access: August 2016
• [4] D. Estrin (2014). Viewpoint: small data, where n=me, Communications of ACM 57 (4), 32-34. Based in the TEDMED 2013 presentation: What happens when each patient becomes his or her own “universe” of unique medical data? URL: http://www.tedmed.com/talks/show?id=17762
• [5] R. Baeza-Yates (2013). Big data or right data? In Proceedings of International Workshop on Foundations of Data Management, CEUR Proceedings, vol. 1087
• [6] M. Kavis (2015). Forget Big Data: Small data is driving the Internet of Things. URL: http://www.forbes.com/sites/mikekavis/2015/02/25/forget-big-data-small-data-is-driving-the-internet-of-things/#3635c7f0661b
• [7] M. Lindstrom (2016). Small data: The tiny clues that uncover huge trends. St Martin’s Press, NY, USA
• [8] Wharton (2016). Why Small Data is the new big data. URL: http://knowledge.wharton.upenn.edu/article/small-data-new-big-data
• [9] F. Shilmover (2015). Forget Big Data: Small Data is where the money lies. URL: https://www.datanami.com/2015/05/20/forget-big-data-small-data-is-where-the-money-lies/
• [10] A. El Deeb (2015). What to do with “small” data. URL: https://medium.com/rants-on-machine-learning/what-to-do-with-small-data-d253254d1a89#.w01mkrich (Accessed August 2016).
• [11] R. Kitchin (2013). Big data and human geography: Opportunities, challenges, and risks. Dialogues in Human Geography 79(1), 1-14.
• [12] R. Kitchin and T. Lauriault (2015). Small data in the era of big data. GeoJournal 80, 463-475
• [13] Small Data Group (2013). The Year of Small Data. URL: https://smalldatagroup.com/2013/12/11/the-year-of-small-data/
• [14] BIG, small or Right Data: Which is the proper focus? https://www.kdnuggets.com/2018/10/big-small-right-data.html

Foto Credit: https://slinkachu.com

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo Small Data: nella botte piccola c’è il vino buono sembra essere il primo su Domenico Monaco.

Con un po’ d’inventiva provo ad anticipare le statistiche ufficiali analizzando quali tracce sono state preferite dagli studenti e in quali regioni utilizzando le statistiche in tempo reale delle ricerche Google.

Cosa facciamo appena usciti dall’aula dopo una prova? Oppure poco prima?

Cerchiamo su Google la soluzione, almeno per verificare come abbiamo svolto il lavoro. Oppure per verificare le ultime nozioni che abbiamo nella mente.

Se osserviamo bene il picco sulla sinistra avviene alle 13.00, praticamente la ricerche sono state effettuate appena a qualche metro dalla cattedra sul quale è stato consegnato il foglio protocollo. Ma il vero è arrivato alle 9.00, poco prima dell’inizio della prova. Ma queste ultime non sono state fatte solo dai diretti interessati.

Il secondo picco delle 13.00 è sicuramente dovuto da chi terminava la prova e necessitava di una verifica.

Una seconda informazione che ci offre questa statistiche è stando all’orario previsto per l’inizio delle prove fissato alle 8.30, esiste una forte correlazione tra il picco alle ore 9:00.

Cosa ci dicono le chiavi di ricerca Google della Maturità

Ho confrontato alcune possibili ricerche che potevano essere state fatte su Google in merito alle Tracce della Maturità 2018.

Una prima correlazione geografica è quella che mette ai primi posti per interesse le regioni del Sud Italia (Basilicata, Calabria, Campania, Molise, e Puglia) rispetto al Nord Italia.

Questo ci dice due cose:

1. Gli studenti del Sud Italia sono tecnologicamente capaci;
2. Le scuole del Sud Italia hanno il WiFi, o alla peggio la copertura 4G è abbastanza capillare;

Quindi basta con questo Digital Divide.

Alda Merini

Alda Merini sembra essere stata leggermente preferita dal Centro-Sud piuttosto che dal Nord Italia. Mi sarei aspettato un’evidente interesse da parte della Lombardia, ma non sembra essere così.

Aldo Moro

A mio parere Aldo Moro è la chiave di ricerca più interessante correlata alla maturità 2018, in effetti si può osservare una più forte correlazione geografica rispetto all’interesse della chiave di ricerca.

Il Sud Italia e le Isole hanno nettamente preferito la traccia su Aldo Moro rispetto al Nord Italia. Campania, Puglia, Calabria e Isole preferiscono in maniera netta Aldo Moro.

Secondo il mio parere è estremamente interessante e indicativo di cosa viene insegnato nelle scuole italiane, probabilmente esistono Regioni più sensibili alle problematiche relative alla malavita e le mafie e quindi ci sono più professori che hanno dedicato del tempo a raccontare le vicende legate ad Aldo Moro.

Giorgio Bassani

Giorgio Bassani sembra essere preferito in misura maggiore a Sud piuttosto che a Nord, ma questo ricalca in modo abbastanza fedele anche la distribuzione generale del termine di Ricerca “Tracce”.

Le tracce preferite dagli studenti

In termini assoluti le tracce preferite dagli studenti sono state Il giardino dei “Finzi-Contini” di Giorgio Bassani e “La solitudine” solitudine nell’ambito dell’arte e della letteratura.

La Solitudine Vs Finzi Contini

“Finzi-Contini” meglio di “La Solitudine”, con una leggera predilezione di La Solitudine dal Sud Italia, rispetto a Finzi-Contini più graduale più vicino alla distribuzione globale del termine tracce.

E’ pero interessante notare come Finzi-Contini ha richiesto una verifica all’uscita dall’aula verso con il picco alle ore 13:00 mentre il saggio breve su “La solitudine” non ha richiesto alcuna verifica non presentando lo stesso picco verso le 13:00.

Il picco di Finzi-Contini conferma “la ricerca in Google a scopo di verifica al termine di una prova”.

Anzi se ne continuato a parlare per tutto il pomeriggio a casa all’aperitivo (vedi altri due picchi) quando gli studenti dopo un po’ di riposo si sono riuniti nelle varie villette a confrontare cosa avevano scritto alle prove.

Le statistiche ufficiali della maturità 2018

Ora aspettiamo le statistiche ufficiali e vediamo quanto le ricerche Google ci hanno preso.

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo Le tracce preferite della Maturità 2018: scopriamolo con Google Trends sembra essere il primo su Domenico Monaco.

In questo articolo illustro come sia possibile utilizzare le ricerche che ognuno di noi effettua su Google per far identificare neologismi e differenze lessicali locali.

Lo posso confermare discreta certezza grazie a Google Trends comparando i due possibili modi di riferirsi al sacchetto della spesa:

• sacchetto spesa
• busta spesa

I risultati sono inequivocabili.

Limitando la ricerca al solo territorio dell’Italia su gli ultimi 7 giorni in modo da essere certi che gli utenti si riferiscano esattamente ai “sacchetti della spesa” oggetto della polemica di questi ultimi giorni. Si evince che:

1. Globalmente gli utenti, per informarsi sulla questione dei “sacchetti della spesa a pagamento”, usano le parole “busta della spesa” in maniera alternativa a “sacchetto della spesa”

2. “Busta della spesa” è maggiormente utilizzato nelle Regioni del Sud Italia rispetto a “Sacchetto della spesa” con qualche eccezione del Lazio e Toscana.

3. Anche se le query correlate risultano in qualche modo “mischiate”, analizzando in dettaglio le due possibii ricerche è evidente che “Busta della spesa” è maggiormente utilizzato in Puglia.

4. Altra curiosa evidenza è che l’utilizzo di “Busta della Spesa” si estende fino alla “Lombardia” e questo può voler dire che una grossa fetta di persone orginarie del Sud Italia vivono in Lombardia

In conclusione, prendendo spunto dal post di Inchiostro di Puglia, posso dire con discreta certezza che:

Sì, in Puglia si chiamano “Buste” non Sacchetti.

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo In Puglia le chiamiamo “Buste” non “Sacchetti della spesa” sembra essere il primo su Domenico Monaco.