Dall'aerospaziale all'AI: cosa la turbolenza mi ha insegnato sul machine learning
Ho iniziato con la fluidodinamica computazionale a Sharif e sono finito a rilasciare AI in produzione in Italia. Il percorso è meno strano di quanto sembri — entrambi riguardano la modellazione di sistemi troppo complessi da risolvere esattamente.
Le persone si stupiscono quando vedono una laurea magistrale in ingegneria aerospaziale in cima al CV di un AI engineer. Non dovrebbero. Fluidodinamica computazionale e machine learning sono la stessa disciplina con vestiti diversi: entrambe prendono un sistema troppo complesso da risolvere esattamente e costruiscono un modello comunque utile.
La mia magistrale a Sharif era sulla combustione turbolenta premiscelata. La turbolenza è il problema difficile per antonomasia in fisica — un sistema con così tante scale interagenti che la simulazione diretta è impossibile per qualsiasi geometria reale. Quindi non simuli ogni vortice. Costruisci un modello sub-grid che cattura le statistiche delle piccole scale e le restituisce alla simulazione risolta. Ho passato due anni ad aggiungere un Linear Eddy Model a CANTERA, tra C++, Fortran e Python.
Quel lavoro mi ha insegnato tre abitudini che uso ogni giorno come AI engineer. Primo: rispetta il processo che genera i dati. In CFD non puoi fittare un modello che viola la conservazione della massa; in ML non puoi fittare un modello che ignora come i dati sono stati prodotti. Secondo: la validazione è tutto il lavoro. Un modello di combustione che combacia con un esperimento e diverge sul successivo è inutile; così è un modello con il 95% di accuratezza che fallisce sui casi che interessano davvero al business. Terzo: il modello non è mai il deliverable. In ricerca era un paper e una pipeline riproducibile. In industria è una feature rilasciata che qualcuno apre di martedì.
La transizione è passata per una magistrale in Data Science all'Università di Padova — il ponte formale dalla fisica continua all'apprendimento statistico. Ma il vero ponte era la mentalità. Un ingegnere che ha modellato la turbolenza per anni non è intimidito da una rete neurale. È solo un altro approssimatore di funzioni per un sistema troppo complesso da scrivere.
Se sei un fisico o un ingegnere che si chiede se il suo background si trasferisce all'AI: si trasferisce, e più direttamente di quanto pensi. Le equazioni specifiche non passano. La disciplina di modellare un sistema che non vedi del tutto — quello è tutto il lavoro, e lo fai da sempre.