Alice e Alessandro, primi Data scientist della Cattolica

Il corso di laurea magistrale in Applied Data Science for Banking and Finance, attivato due anni dalla Facoltà di Scienze matematiche, fisiche e naturali, in collaborazione con Scienze bancarie, finanziarie e assicurative, conclude il primo biennio di attività formativa e laurea i primi due studenti.  Sono una femmina e un maschio e bilanciano quella parità di genere nelle materie STEM che le classifiche indicano ancora lontana. 

La prima a presentarsi davanti alla commissione in completo azzurro è Alice Gatti, già laureata triennale in Matematica con curriculum in Informatica e ora pronta a concludere il ciclo biennale con una tesi rigorosamente scritta e discussa in lingua inglese, così come sono state tutte le lezioni, sul tema dei data fairness, ovvero la “giustizia nei dati”.

«Il motivo principale per cui mi sono concentrata su questo argomento, seguita dal professor Enrico Barbierato,è che la presenza di errori nei dataset usati per fare delle scelte fondamentali può condurre alla discriminazione verso certi individui o gruppi di individui. La problematica è affrontata sia da un punto di vista teorico che da un punto di vista pratico».

La prima data scientist della Cattolica non sa ancora dove andrà a lavorare ma è sicura che la sua laurea è molto spendibile e che non farà fatica a trovare un impiego. Basta dare un’occhiata al portale STEP per trovare conferma a questa affermazione e per scegliere a chi mandare il proprio curriculum da 110 e lode.

Anche Alessandro Guiscardi, laurea triennale in economia, si è laureato con il massimo dei voti e la lode lo stesso giorno di Alice con una tesi dedicata a “Evaluating data bias and fairness and their impacts on machine learning applications”, sotto la guida del professor Daniele Tessera. L’ambito è quello dell’intelligenza artificiale e del machine learning, in particolare la cosiddetta data fairness.

«Mi sono concentrato sullo studio dell’impatto che il bias esistente nei dati può avere sull’equità (fairness) dei modelli di machine learning usati per la classificazione. Per bias si intendono tutti quei giudizi e credenze errate che hanno plasmato in modo diretto o indiretto i dati raccolti. Il mio lavoro ha avuto poi come secondo scopo lo studio dell’efficacia di alcune tecniche di mitigazione del bias, ossia metodi con i quali si cerca di ridurre l’iniquità presente nei dati o nell’applicazione di intelligenza artificiale che è stata addestrata su quei dati».

Queste figure professionali sono sempre più rilevanti per aziende, enti e pubblica amministrazione, per acquisire ed elaborare informazioni a supporto delle decisioni strategiche. Un trend destinato a divenire sempre più incisivo nel mercato del lavoro dei prossimi anni.