Il progetto MUST sviluppa un quadro statistico integrato per la valutazione e la gestione del rischio di modello e di metodo nelle applicazioni data-driven e di machine learning, in coerenza con il paradigma SAFE proposto da Giudici e Raffinetti (2023). L’obiettivo è costruire strumenti SAFE - Sustainability (robustezza), Accuracy, Fairness ed Explainability - capaci di quantificare l’incertezza, migliorare l’interpretabilità e supportare decisioni affidabili.
Il progetto integra sviluppi metodologici nell’ambito della statistica, dello statistical learning e del machine learning. Gli ambiti applicativi privilegiati riguardano la sostenibilità ambientale, sociale ed economica, con particolare attenzione a contesti decisionali rilevanti per politiche pubbliche, sistemi finanziari, sanità e gestione delle risorse. In tali contesti, il progetto mira a garantire che i modelli adottati siano robusti, accurati, equi e trasparenti, fornendo metodi e metriche per la loro progettazione, valutazione e validazione.
Il progetto integra sviluppi metodologici nell’ambito della statistica, dello statistical learning e del machine learning. Gli ambiti applicativi privilegiati riguardano la sostenibilità ambientale, sociale ed economica, con particolare attenzione a contesti decisionali rilevanti per politiche pubbliche, sistemi finanziari, sanità e gestione delle risorse. In tali contesti, il progetto mira a garantire che i modelli adottati siano robusti, accurati, equi e trasparenti, fornendo metodi e metriche per la loro progettazione, valutazione e validazione.