Troppo spesso i dati pubblici, anche quando pubblicati, sono sparsi, inaccessibili o presentati in formati inadatti alla riutilizzazione.
Un esempio emblematico: nelle nostre ricerche per il POC, gli orari dei trasporti sono rese disponibili solo in formato PDF, senza una struttura dati leggibile da macchine. E questo nonostante ci sia uno spazio web di open data dedicato al trasporto pubblico regionale e alle linee degli autobus.
Eppure, oggi trasformare quei PDF in dataset leggibili e riutilizzabili richiede pochissimi passaggi, anche grazie a strumenti di automazione digitale. La tecnologia è pronta.
Ciò che manca è una cultura e un’infrastruttura che facilitino questo passaggio e ne colgano il valore civico.
Oltre a questa barriera di inaccessibilità, c’è una barriera di mancata agentività: i dati aperti raramente attivano decisioni, partecipazione, processi di trasformazione del territorio.
Servono dati che superino la semplice riusabilità tecnica per diventare realmente azioni. Di fatto il vero ostacolo non è tanto poter scaricare un file, ma poter avere facilmente i dataset necessari per ottenere un’analisi, supporto ad una decisione o alimentare rigorosamente un progetto. Per questo, i dati devono essere non solo aperti, ma anche curati, contestualizzati e strutturati per rispondere a bisogni concreti: dalla didattica ai progetti urbani, dalla ricerca universitaria alla co-progettazione con i cittadini.
È qui che entra in gioco Rapida: un archivio civico e condiviso che non si limita a pubblicare, ma accompagna e abilita la costruzione di senso e di azione a partire dai dati. Una piattaforma che dà affordance ai dati, cioè che suggerisce intrinsecamente le azioni possibili.
L’archivio dati come bene culturale immateriale
Immaginiamo un archivio di dati come un bene culturale immateriale per sfidare l’idea che un dato sia solo un numero, un’entità fredda e oggettiva. Lo riconosciamo come il prodotto di una cultura, di una storia e di un’intenzione, proprio come lo sono le tradizioni orali, i saperi artigianali o le pratiche sociali che definiscono l’identità di una comunità.
Un archivio come “Rapida”, quindi, agisce da curatore: non si ferma alla conservazione, rende leggibile la dimensione narrativa collegandola alla vita della città. Rapida è solo archiviare il passato, ma costruire un patrimonio di conoscenza condivisa.
Porre questo nuovo patrimonio al centro della vita collettiva è un’operazione culturale che rafforza la coscienza che una comunità ha di sé e del proprio percorso.
Strumenti per l’azione: il Data Opportunity Canvas
Rapida include strumenti pratici come il Data Opportunity Canvas, una griglia progettata per aiutare enti pubblici, scuole, università e cittadini a:
- identificare quali dati mancano o sono poco accessibili,
- definire formati, usi e destinatari di nuovi dataset locali,
- guidare la creazione di dataset a km 0: piccoli ma significativi, di qualità, radicati nel contesto urbano reale.
Agenti AI per la cura dei dati
Un altro pilastro di Rapida è la possibilità di integrare agenti AI supervisionati, capaci di:
- recuperare dati da fonti complesse (esempio facile sono i “famosi” PDF di orari autobus),
- trasformarli in dataset interoperabili e accessibili,
- costruire una filiera del dato pubblico più fluida e integrabile nei percorsi educativi, civici, istituzionali.
Oltre gli open-data, condividere open-models
Molti dati di interesse pubblico non possono essere semplicemente aperti. Spesso sono troppo complessi, protetti da accordi commerciali o contengono informazioni sensibili che, se rilasciate, violerebbero la privacy dei cittadini. Nel nostro studio per il PoC sono ad esempio presenti dataset telco che difficilmente potrebbero essere immaginati aperti.
Così come nel software si distingue tra “open source” (il codice sorgente) e “open weight” (il modello funzionante), Rapida applica un principio simile ai dati urbani che non possono diventare open. Immaginiamo quindi che accanto agli open-data, grezzi, per fonti che è ragionevole aprire, per altri Rapida propone “pacchetti di conoscenza”. Un pacchetto è formato da una tupla:
- dataset derivato: un risultato statistico aggregato e anonimo, es. una matrice Origine-Destinazione (OD) che descrive i flussi di spostamento o una griglia di densità di popolazione oraria, senza mai esporre i dati grezzi di partenza.
- metodologia: la documentazione trasparente (es. algoritmo, python, notebook di calcolo) che contiene il processo e garantisce la riproducibilità scientifica del risultato.
- guida all’uso: istruzioni chiare che illustrano il significato statistico del modello, i suoi limiti e le sue applicazioni per renderlo immediatamente azionabile.
Chiudere il cerchio: feedback loop azione-archivio
Ecosistema Respiro punta ad attivare un ciclo di feedback che trasformi l’analisi in azione, i cui risultati tornano ad arricchire l’archivio stesso. I modelli di Rapida sono pensati per innescare progetti reali che generano nuova conoscenza. Ad esempio osserviamo DataPress, la piattaforma di data journalism per le scuole di Ravenna: gli studenti possono usare un’analisi di Rapida per un’inchiesta. L’articolo, le interviste o le mappe che producono non sono solo il prodotto finale, ma diventano a loro volta un nuovo “strato” di dati qualitativi che offre contesto e nuove prospettive al dato numerico originale, chiudendo il cerchio e alimentando un ecosistema di conoscenza dinamico. Oltre al fatto che istruzione secondaria e terziaria può essere parte di iniziative di service learning per arricchire i dataset di Rapida.
Educare alla cultura del dato urbano
Rapida accompagna uffici pubblici e cittadini a:
- comprendere il valore dei dati territoriali,
- contribuire alla loro creazione e cura,
- sperimentare nuovi usi (didattici, artistici, progettuali) di ciò che normalmente rimane nascosto nei silos amministrativi.
Come prima azione, consigliamo la visione del PoC grafico di Rapida. Cliccando sui dataset si verrà rimandati ad un pagina che contiene il nostro studio sui dataset a disposizioni, dataset correlati e aperti, e dataset potenziali.