Nell’articolo di Lunedì 12.04.2021 il Corriere della Sera tratta il problema degli stereotipi e di come soprattutto gli stereotipi di genere influenzano il lavoro e l’economia. Ci si concentra sugli stereotipi di genere a causa dei quali oggi c’è ancora un grandissimo gap tra occupazione maschile e femminile soprattutto in ambito scientifico, non solo in termini quantitativi, ma anche qualitativi.

 

Ma superare gli stereotipi di può, anzi, si deve!

 

“Uomini e donne sono diversi … la vera forza sta nella diversità di genere, nella compenetrazione fra le due dimensioni, quella maschile e quella femminile, quale base di un universo aziendale capace di rigenerarsi in forma ancora più nuova perché ricco di diversità.”

Perché le donne sono poche nei settori scientifici e tecnologici?

Serena Arrighi, CEO @BNova, contribuisce con il suo punto di vista «Il problema principale è il modo in cui viene insegnata la matematica nelle scuole italiane, è la radice del gap culturale di genere che scoraggia le ragazze a seguire percorsi scientifici. … Il primo passo da fare è cambiare il modo in cui si insegna la matematica»

 

La recente pandemia ha evidenziato ancora di più questo gap, ma dall’altra parte si è rivelata un’ottima occasione per le donne grazie a, come evidenzia Serena Arrighi, “due tendenze: il digitale e lo smart working. Il digitale è un’opportunità per tutti perché richiede un basso investimento iniziale … e può essere sviluppato ovunque, anche nel salotto di casa, lo smart working poi aiuta molto le donne perché consente una gestione piena del tempo e delle priorità, garantendo un più semplice bilanciamento tra lavoro ed esigenze familiari.

Approfondimenti da BNext:

Deep learning: cos’è e quali le applicazioni 

Nell’ampio vocabolario dell’intelligenza artificiale c’è una tecnica sempre più diffusa che promette di affrontare i problemi più complessi: il deep learning. Grazie all’impiego delle reti neurali profonde, il deep learning consente di correlare i dati con una...

Machine learning e deep learning: quali le differenze

Machine learning (ML) e deep learning (DL) sono termini sempre più ricorrenti nel vocabolario tecnologico, oltre ad essere sempre più utilizzate nelle applicazioni enterprise e mainstream. Prima di entrare nel merito, per comprendere in cosa consistono e cosa le...

Dataiku: cosa c’è da sapere sulla nuova release

Le novità più importanti della release 11.0 e 11.1.0 spiegate dal nostro data scientist Emiliano Fuccio

ETL, il significato di Extract, Transform, Load: cos’è e a cosa serve

I dati vengono ormai generati con un flusso incessante, in ogni singolo istante, da miliardi di dispositivi interconnessi in tutto il mondo. Ma come è possibile estrarre valore da questa straordinaria risorsa digitale? Il paradigma Big Data, gli Advanced Analytics e...

Data ingestion: significato, esempi e vantaggi 

La data ingestion è una tecnologia molto importante nell’aiutare le organizzazioni a gestire un volume di dati sempre più ingente e complesso, anche per via della sua straordinaria eterogeneità. Se ben implementata, la data ingestion può infatti generare un...

Le differenze tra intelligenza artificiale debole e forte

L’intelligenza artificiale è una tecnologia ormai entrata stabilmente a far parte della nostra quotidianità, dai semplici assistenti domestici ai più complessi sistemi di robotica industriale. Nella sua definizione più ampia, l’intelligenza artificiale è un termine...

Cos’è la Data Quality e le metriche di riferimento

La Data Quality è una misura della condizione dei dati basata su fattori quali accuratezza, completezza, coerenza, affidabilità e se sono aggiornati. La misurazione dei livelli di qualità dei dati può aiutare le organizzazioni a identificare gli errori nei dati che...

OLAP e OLTP: cosa sono e quali le differenze 

La trasformazione digitale ha portato le aziende ad essere sempre più data-driven, orientando i loro processi e le loro decisioni nella prospettiva delle operazioni e delle analisi di quantità e varietà di dati sempre più importanti. È infatti ormai decisamente...

Data as a Service: cos’è a cosa serve

I modelli a servizi disponibili in cloud consentono di avere nuove opzioni di utilizzo dei dati, molto più flessibili e scalabili rispetto ai sistemi di gestione tradizionali. È il caso del Data as a Service (Daas), una soluzione strategica in grado di semplificare...

Data Science Lifecycle, le 6 (+1) fasi del processo

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.