Il tempo è la risorsa più scarsa che abbiamo, e già questo è un bel problema. Nel turismo, come in altre attività economiche, sappiamo che il tempo è sia “time” che “weather”. Tutti e due stanno cambiando, radicalmente. A volte non ne siamo consapevoli ma tempo individuale e collettivo sono sempre più condizionati da conoscenze ibride, tecnologie abilitanti, intelligenza artificiale, modelli pluri-verso, grandi accadimenti ed emergenze globali più ovviamente nuove attese, sfide e modificazioni sociali. Il tempo è perciò controverso, si sta “complessificando”. Inoltre, quando persone di ogni età e genere, pur avendone bisogno, rifiutano diversi tipi di lavoro – succede nel turismo come in altri settori, PA compresa – contestando la separatezza dal proprio immaginario, c’è qualcosa di profondo da scoprire e da rielaborare. Abbiamo bisogno di sviluppare una mentalità critica adeguata e, allo stesso tempo (!), servono nuovi scenari e possibili risposte.

1. Progetto Badesi 2030
Adoperiamo bene
il «tempo del turismo»
Giuseppe Giaccardi
Consulente di strategia e organizzazione
Founder e CEO Studio Giaccardi & Associati
www.giaccardiassociati.it

2. © Studio Giaccardi & Associati – Consulenti di Direzione 2
Temperatura globale
Fonte Copernicus – Climate Change Service, 2021

3. © Studio Giaccardi & Associati – Consulenti di Direzione 3
Emergenza clima e turismo estivo
Scenario RCP 4.5: Limitata protezione del
clima
L’emissione di gas a effetto serra è arginata,
ma le loro concentrazioni nell’atmosfera
aumentano ulteriormente nei prossimi 50
anni. L’obiettivo dei “+2 °C” non è
raggiunto.
Scenario RCP 8.5: Nessuna protezione del
clima
Non viene preso alcun provvedimento in
favore della protezione del clima. Le
emissioni di gas a effetto serra aumentano
in modo continuo.
Fonte Copernicus – Climate Change Service, 2022

4. © Studio Giaccardi & Associati – Consulenti di Direzione 4
EGU – European Geosciences Union. Photo credit: S3M Italy by CIMA Research Foundation
Nel 2022 sulle Alpi abbiamo
avuto in media -75% di
precipitazioni nevose.
In alcune aree siamo
arrivati al -89%.
Emergenza clima e turismo invernale

5. © Studio Giaccardi & Associati – Consulenti di Direzione 5
Nodo destinazioni

6. © Studio Giaccardi & Associati – Consulenti di Direzione 6
Nodo persone
7 roadblock
1. Consapevolezza
inadeguata
2. Conflittualità locale
3. Conoscenze obsolete
4. Scarsa considerazione
del «capitale umano
turistico»
5. Rendite di posizione
6. Ritardo culturale
7. Atavica resistenza al
cambiamento
Etc.
12 stress fact 2008-2022
1. Bolla dei subprime (2008)
2. Crisi finanziaria globale (2010-12)
3. Tenuta Euro e sistema Italia
4. Decennio dei PIGS (Portogallo, Italia, Grecia, Spagna)
5. Trasformazione processi domanda-offerta
(OTA, digitale, last minute, etc.)
6. Elevata sottrazione di valore all’offerta locale
7. Aumento competitivo generalizzato
8. Covid-19
9. Rottura globalizzazione/pace in Europa
10. Emergenza clima
11. Offerta formativa insufficiente/inadeguata
12. Risposta politico-istituzionale non sistemica
Etc.

7. © Studio Giaccardi & Associati – Consulenti di Direzione 7
Adoperare bene il «tempo del turismo»:
rompere gli schemi
Destinazioni «sostenibili»
• Linguaggio consolidato, ma concetti abusati e
in evoluzione
• È oltre 50 anni che se ne parla. Dal 1970 con
l’istituzione della Giornata Mondiale della
Terra. Ma abbiamo fatto passi indietro…
• L’abuso improprio del termine ha generato
greenwashing
• Non comprende azioni di contrasto immediato
dell’emergenza climatica
• Digitale strumento trendy
Destinazioni greenest
• Realizzazione di buone pratiche di protezione di
ospiti e cittadini
• Essere vocati al contrasto immediato, duraturo e
concreto dell’emergenza climatica
• Capacità di analisi predittiva per adeguare
rapidamente policy e strumenti
• Darwinizzare la competitività di prodotti italiani
leader come Città d’arte, Enogastronomia,
Balneare, Outdoor
• No greenwashing diffuso
• Digitale strumento strategico «data people»

8. Grazie dell’attenzione
© Studio Giaccardi & Associati – Consulenti di Direzione 8
Questo elaborato è un prodotto originale dello
Studio Giaccardi & Associati – Consulenti di Direzione
© All Rights Reserved, Ravenna 29 novembre 2022
Strategia Ricerca Coaching
Founded
1999
295
Piani di ricerca per
progetti di sviluppo di
imprese e territori
+39 3357368151 +39 3357368152 +39 3357368153
info@giaccardiassociati.it | www.giaccardiassociati.it

9. A . I . T R A D AT I
S I N T E T I C I E
U N R E A L T I M E
G I OVA N N A M A R I A D I M I T R I
U N I V E R S I T Á D E G L I S T U D I D I S I E N A 1

10. DALÍ E IL SURREALISMO DEL TEMPO
La persistenza della memoria di Salvador Dalí, 1931
“Due orologi molli uno dei
quali pendeva
miserevolmente dal ramo
dell’ulivo. Nonostante il mal
di testa fosse ora tanto
intenso da tormentarmi,
preparai febbrilmente la
tavolozza e mi misi al
lavoro. Quando, due ore
dopo, Gala tornò dal
cinema, il quadro, che
sarebbe diventato uno dei
più famosi, era terminato.”,
da “L’autobiografia segreta”,
di Salvador Dalí
2

11. • Gli orologi sono deformati rappresentano il
tempo da un punto di vista psicologico
• Trascorrere scandito diversamente per
ciascun uomo (ogni orologio dell’opera segna
ore diverse)
• Dalì disse: «Il tempo è la dimensione delirante e
surrealista per eccellenza».
DALÍ E IL SURREALISMO DEL TEMPO
3

12. INTELLIGENZA
ARTIFICIALE
4

13. INTELLIGENZA ARTIFICIALE, MACHINE
LEARNING E DEEP LEARNING
5
Artificial Intelligence
Machine Learning
Deep Learning
1950 1980 2010 2022

14. • Intelligenza Artificiale: metodologie che simulino l’intelligenza umana
6
Definizione di AI, ML e Deep
Learning
“A branch of the computer science concerned with the study and the creation of the computer systems
that exhibit some form of the intelligence: systems that learn the new concepts and the tasks, systems that
can reason and also draw the useful conclusions about the world around us, systems that can understand
the various natural languages and perceive and comprehend a visual scene and the systems that perform
the other types of the feats that essentially require the human types of the intelligence.”
D.W. Patterson (1990)

15. • Machine Learning : metodologie usate per costruire un software, che si alleni
su esempi (sotto insieme dell’intelligenza artificiale)
7
Machine Learning, Intelligenza
Artificiale e Deep Learning
“Field of study that gives computers the ability
to learn without being explicitly programmed ”
Arthur Samuel (1959)
“A computer program is said to
learn if its performance at a taskT,
as measured by a performance P,
improves with experience E”
Tom Mitchell (1997)

16. • Deep Learning: specifica area del machine learning. Basata sulla identificazione
automatica delle features di interesse, senza la necessita’ di una estrazione
preventiva delle features da utilizzare. Idea di usare piu layers per poter
approssimare modelli piu complessi
8
“Deep learning solves this central problem in representation learning by introducing representations that are expressed
in terms of other, simpler representations. Deep learning enables the computer to build complex concepts out of simpler
concepts…The quintessential example of a deep learning model is the feedforward deep network, or multilayer
perceptron (MLP).A multilayer perceptron is just a mathematical function mapping some set of input values to
output values. ”
Ian Goodfellow,Yoshua Bengio and Aaron Courville (2016)
Machine Learning, Intelligenza
Artificiale e Deep Learning

17. Machine Learning e Deep
Learning
Machine Learning
Deep
Learning
Estrazione
Classificazione
Estrazione + Classificazione
9

18. 10
Machine Learning
vs Deep Learning
Gatto
o
Cane
Gatto
o
Cane
Machine
Learning
Deep
Learning

19. Intelligenza Artificiale, Machine Learning e Deep Learning
11

20. TEMPI VERTICALI,
ORIZZONTALI E
RICORSIVI: ALGORITMI
DI DEEP LEARNING CHE
BATTONO GLI UMANI
12

21. QUALI SONO I TEMPI DEL DEEP
LEARNING?
• Tempi di apprendimento necessari a imparare dagli esempi non
destrutturati
• Necessitá di grandi quantitá di dati e con distribuzioni dissimili: tempo
per collezionare i dati
• Aggiornare i pesi della rete per imparare nuovi tasks: tempo di
aggiornamento dei pesi quando arrivano nuovi esempi
13

22. UN MOMENTO STORICO: DEEP
LEARNING BATTE ALPHA GO
1)https://www.technologyreview.com/2017/03/16/243265/how-deepminds-memory-trick-helps-ai-learn-
faster/
14

23. UN ALGORITMO DI INTELLIGENZA
ARTIFICIALE RIESCE A BATTERE IL
CAMPIONE MONDIALE DI GO
• Fino ad allora il tempo era verticale/sequenziale: l’approccio per far imparare
ad una macchina a giocare a GO. Il tempo di apprendimento non poteva più
essere sequenziale, ma bisognava riuscire a renderlo circolare/orizzontale,
imparando anche mentre il gioco proseguiva.
• Tecniche di reinforcement learning: imparare dagli esempi mentre il gioco
prosegue. Ottimizzare il tempo
15

24. ALPHA GO E DEEP MIND
Il meccanismo della cattura delle pedine: se una
o più pedine vengono circondate da quelle
avversarie (di un altro colore) vengono
"mangiate" e rimosse dalla tavola -> vince la
squadra con più pedine in tavola
https://www.repubblica.it/tecnologia/2017/01/05/foto/cos_e_go_il_gioco_da_tavolo_piu_
complesso-155454081/1/
16

25. ALPHA GO E DEEP MIND
La notizia rilasciata dal fondatore
di Deepmind Demis Hassabis:
Alphago era il Master misterioso
che ha inanellato 60 vittorie nei
tornei online contro i più forti
giocatori del mondo
17

26. QUALI TEMPI SONO IN GIOCO?
• Diminuito il tempo di apprendimento del modello di Deep Learning!
• O meglio dire che é diminuito il tempo di apprendimento rispetto all’avversario umano!
• Ciò che il campione aveva imparato con anni di esperienza, adesso viene imparato in poche
settimane da una macchina
• Tempo di apprendimento non solo in verticale ma anche in orizzontale
18

27. GLI OROLOGI MOLLI
DELL’INTELLIGENZA ARTIFICIALE
La persistenza della memoria di Salvador Dalí, 1931 19

28. G R A Z I E P E R L ’ AT T E N Z I O N E
G I OVA N N A . D I M I T R I @ U N I S I . I T
CONTATTI
20

29. Conoscenze Tacite e Tempi di
Consapevolezza
Chiara Mocenni
Università di Siena
chiara.mocenni@unisi.it
BTO 2022, Firenze - 30 Novembre 2022

30. Il tempo biologico misura l’evoluzione delle specie viventi e dell’ambiente in millioni di anni
Tempi Biologici
Roman OPALKA 1965: 1-∞

31. Tempi Storici
Néle Azevedo, 2002, Melting Men
Il tempo storico misura le tracce dell’uomo sulla terra su scale straordinariamente più veloci

32. Un contrasto irriducibile
Lo sfruttamento delle risorse in modo smisurato da parte
dell’uomo ha ingigantito la distanza tra tempi storici e tempi
biologici generando contraddizioni oggi evidenti, come il
cambiamento climatico e l’aumento delle disuguaglianze
economiche e sociali
A complicare la situazione si fa strada un nuovo tempo
ancora più veloce: il tempo virtuale

33. Tempi Virtuali
Il tempo virtuale, quello del metaverso, è staccato dalla realtà e straordinariamente veloce

34. Tempi
Virtuali
Tempi
Storici
Tempi
Biologici

35. Tempo della consapevolezza
“Fatti non foste a viver come bruti, ma
per seguir virtute e canoscenza”
Canto XXVI dell’Inferno di
Dante, il canto di Ulisse, eterno
viaggiatore
Tempo della responsabilità
Tempo della conoscenza

36. Ci salva mescolare la dimensione individuale a quella
collettiva, costruire ponti, spirali e circolarità tra tempi
biologici, storici e virtuali, interconnetterci silenziosamente
agli altri e all’ambiente tramite conoscenze tacite
Tempi
Storici
Tempi
Biologici
Tempi
Virtuali
Tempo
della
conoscenza
Tempo
ricorsivo
Tempo
della
relazione

37. Tempo della consapevolezza nel turismo
Tempo del
turista
Tempo del
cittadino
Tempo
naturale
Tempo del
turista
Tempo del
cittadino
Tempo
naturale