Machine Learning: il futuro è già qui

Ott 26, 2017
 

di Vittorio Arighi, Practice Leader di NetConsulting cube

 

Negli ultimi tempi si è assistito ad una presa di coscienza generalizzata sull’importanza del dato e, di conseguenza, sul come questo debba essere trattato e gestito per generare Informazione e Valore.La strategicità del dato e l’incapacità di trattarlo in modo ottimizzato è diventato un pain specifico per le aziende italiane dopo che l’apertura al web e l’IoT hanno reso ancor più esponenziale la curva di generazione e disponibilità dei dati stessi.

Come gestire questa mole soffocante di dati? Quali strategie si devono mettere in campo per far sì che i sistemi storage delle aziende, così ricchi in termini di Terabyte, diventino fonte di vera ricchezza per le imprese? Quali sistemi e tecnologie possono aiutare le organizzazioni di qualsiasi tipo ed industry a generare nuovi scenari strategici o beneficiare di indicazioni di tipo predittivo?

La risposta a questi quesiti non è per nulla semplice ed ha mille sfumature, che vanno dal livello di maturità e sensibilità delle aziende stesse nell’elaborare i dati (e nel possedere serie storiche omogenee), al settore di appartenenza, che sposta le attenzioni dell’analisi del dato su aree funzionali differenti sino ad arrivare alla creazione di team interfunzionali che siano coadiuvati da figure con skill innovativi capaci di generare, gestire e applicare modelli e algoritmi che indirizzino uno specifico business pain.

Come accennato, quasi tutte le aziende hanno aperto cantieri specifici per capire come meglio indirizzare il tema del Valore dell’Informazione. Molti lo stanno facendo per mezzo dell’introduzione di Data Lake, altri cercando di omogeneizzare la raccolta dei dati, altri ancora puntando su tecnologie di Business Analytics di tipo più tradizionale. Alcuni stanno cercando di comprendere se il Machine Learning può essere loro utile nel gestire in modo ottimizzato o innovativo uno specifico processo di business.

Cos’è ed a che cosa serve il Machine Learning, che in italiano si può letteralmente tradurre in “apprendimento automatico”? Sinteticamente, è un metodo di analisi dei dati che punta ad automatizzare la creazione di modelli analitici. Grazie ad algoritmi che apprendono iterativamente partendo da una base dati fornita dall’Uomo, il Machine Learning permette a computer e sistemi IT in genere di apprendere nuove nozioni e informazioni, prendere decisioni ed effettuare predizioni senza che siano stati precedentemente istruiti per farlo.

A seconda della natura della base dati e della tipologia di problematiche da indirizzare, è possibile fare leva su tre macro categorie di apprendimento: supervisionato, senza supervisione e “per rinforzo”.

L’applicazione di tecniche, modelli e algoritmi di Machine Learning da parte delle aziende italiane (in genere quelle dimensionalmente più grandi e, dal punto di vista settoriale, in primis le Utilities e quelle del settore Finance) è ad oggi indirizzata in particolare a supporto:

  • dei processi interni, sia in ottica di ottimizzazione di attività massive labour intensive poco qualificate che a supporto di diverse funzioni fra cui emergono HR, Legal ed Amministrazione; anche i processi di Predictive Maintenance all’interno dei plant rappresentano un tema caldo, così come tutto ciò che migliora gli aspetti correlati alla Security;
  • dei processi di conoscenza ed engagement dei Clienti: clustering, sentiment, knowledge, elementi chiave per meglio competere in un mondo sempre più social ed omnichannel

Sono ancora meno indirizzati da strumenti e modelli di Machine Learning i processi di ottimizzazione delle relazioni con Partner commerciali e Fornitori.

Giusto per essere più concreti, è il caso di sottolineare come alcuni ambiti di utilizzo del Machine Learning possono supportare il Marketing per la classificazione dei target attuali e potenziali; o possono generare nuovi modelli contrattuali personalizzati, come nel caso delle compagnie assicurative che hanno adottato la tecnologia delle “scatole nere” a bordo veicolo. In Medicina, le tecniche di Machine Learning vengono applicate alla diagnosi di malattie e patologie; in Biologia per l’analisi dei genomi; nei sistemi di posta elettronica per l’individuazione di messaggi di spam; in Sicurezza per il riconoscimento facciale, per individuare potenziali frodi e per rafforzare i sistemi anti-terrorismo.

E ancora, il Machine Learning e il NLP, acronimo di Neuro-linguistic programming, sono alla base di soluzioni di chatbot a supporto di numerose funzioni: ad esempio, dell’help desk interno al servizio del personale di campo o di vendita, come a supporto del Cliente finale e del suo engagement. Soluzioni di Machine Learning possono essere applicate nei robo advisor, con l’obiettivo di aiutare le persone a gestire i propri risparmi e ottenere portafogli d’investimento migliori o anche solo pari rispetto a quelli proposti da un consulente finanziario tradizionale.

Sostanzialmente, il Machine Learning è impiegato principalmente per la risoluzione di tre tipologie di problemi:

  • Classificazione, quando è necessario decidere a quale categoria appartiene un determinato dato o un profilo di Utente.
  • Raggruppamento o clustering, quando si vuole raggruppare i dati che presentano caratteristiche simili. Nel marketing, il raggruppamento viene utilizzato tipicamente per l’individuazione di Clienti omogenei e quindi micro-mercati potenziali.
  • Regressione, al fine di prevedere il valore futuro di un dato avendone noto il suo valore attuale. Un esempio è la previsione della quotazione delle valute o delle azioni di una società. Nel marketing il processo viene utilizzato per prevedere il tasso di risposta di una campagna sulla base di un dato profilo di Clienti; nell’ambito commerciale, per stimare come è ipotizzato variare il fatturato dell’azienda al mutare della strategia.

L’applicazione di strumenti e modelli di Machine Learning all’interno delle aziende richiede però che modelli e algoritmi vengano applicati in modo corretto e capace. Per far ciò è necessario che vengano istituiti team interfunzionali che da una parte vedano figure di business in grado di dare i corretti indirizzi basati sulla conoscenza specifica del settore, dall’altra parte dispongano di skill che spaziano dalla conoscenza statistico/matematica a quella informatica, sino a quella di business. Figure, quindi, che siano capaci di orchestrare le diverse competenze e di applicare i giusti strumenti che indirizzino una specifica problematica.

Non sempre queste figure, i cosiddetti Data Scientist, sono presenti all’interno delle aziende, né sono facilmente reperibili sul mercato. Alcune aziende italiane di medie e grandi dimensioni che credono in modo significativo allo sviluppo di tecniche avanzate di analisi del dato stanno investendo per creare strutture interne capaci di inserirsi nel dialogo tra IT e LOB. Altre utilizzano Partner IT che, anch’essi, si stanno strutturando per poter offrire servizi di supporto all’analisi del dato per mezzo di centri di competenza o attraverso la creazione di società specializzate sui temi del Machine Learning e dell’Intelligenza Artificiale e dell’Intelligenza Aumentata come concettualizzazione alternativa dell’AI.

In definitiva, credo che sia possibile affermare come in un prossimo futuro i modelli e gli algoritmi di Machine Learning si diffonderanno in modo significativo all’interno delle aziende, anche in Italia. Penso che, in qualche modo, il mercato sia all’inizio di una curva di apprendimento che molto si perfezionerà nel corso dei prossimi anni, in termini sia tecnologici che di adozione. Ed è da ricordare che gli investimenti e i finanziamenti alle società che operano in ambito Machine Learnig stanno aumentando significativamente in tutte le geografie.

La conoscenza predittiva dell’arena competitiva e dei Clienti, diventeranno sempre più i veri fattori distintivi per le aziende che traguardano i loro processi, prodotti e soluzioni nel futuro.

CONDIVIDI L'ARTICOLO SUI SOCIAL

Comments are closed.