Artificial Intelligence - EY Tech The better the question. The better the answer. The better the world works - Confetra
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Artificial Intelligence
EY Tech
The better the question. The better the answer.
The better the world works.
AGENDA
Digitalizzazione e Intelligenza Artificiale
1
Cos’è l’Intelligenza Artificiale?
2
Casi d’uso
3
Come “impara” l’AI?
4
Approccio ai progetti
5
1 Digitalizzazione e Intelligenza Artificiale
Cos’è l’Intelligenza Artificiale?
2
Casi d’uso
3
Come “impara” l’AI?
4
Approccio ai progetti
5
Page 3 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1
L’evoluzione digitale nelle aziende
90%
80%
70%
10-20% 30-40%
Sistemi Portali Mobile App & RPA Intelligenza
Gestionali eCommerce Social Media Artificiale
Grado di Digitalizzazione
Page 4 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1
Trasformare i dati in insight è essenziale per supportare I momenti decisionali
Quante parole ci sono?
Ci sono parole correlate?
La più frequente?
Quale è la la più grande?
Quante parole gialle ci sono?
Più nere o grigie?
AI è la capacità di rispondere velocemente a tutte queste domande …
e cambiare il modo in cui esaminiamo il business.
Page 5 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1
Cosa è l’AI?
«L’intelligenza umana esibita dalle macchine»
L’ Intelligenza Artificiale, chiamata anche AI, è definita
genericamente come la scienza che studia come
rendere le cose «intelligenti».
L’obiettivo principale dell’AI è quello di svolgere task
umani e migliorare autonomamente con il passare del
tempo.
I sistemi implementati ad oggi sono solo una
forma ristretta di ciò che significherebbe
Intelligenza Artificiale in quanto possono fare solo
una o poche cose alla volta pareggiando il livello
degli esseri umani o facendo poco meglio (ad
esempio il riconoscimento di oggetti).
Inoltre è necessario che qualcuno scriva del codice
per rendere il sistema capace di imparare.
Page 6 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1 X è l’AI? Page 7 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1
Quali sono i casi d’uso più comuni?
Riconoscimento
Oggetti
Riconoscimento Style
Vocale Transfer
Natural Language Traduzione
Processing Testi
Predizione
Page 8 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1
Perché l’Intelligenza Artificiale sta «accadendo» adesso?
Incremento delle capacità di calcolo Algoritmi sempre più soffisticati
Legge di Moore Servizi Cloud
x2 processing
power/18 I computer grazie al deep
months learning possono superare, per
alcuni task, le performance degli
esseri umani
Tecnologie per la gestione Chips sempre più evoluti
dei big data
Incremento esponenziale delle interazioni tra l’uomo e il
mondo virtuale Sempre più dati disponibili
IoT Cellulari Social Media
Digital Factory Smart home App Mobile
Open data Internet
Page 9 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale 1
L’Intelligenza Artificiale, c’è ma non la vediamo!
Nel nostro telefono Nel nostro carrello Nella comunità Nella nostra Email
della spesa scientifica
Ź Comandi vocali per effettuare Ź Raccomandazioni degli articoli Ź Individuazione di schemi in grandi Ź Sistemi di spam detection
chiamate o scrivere messaggi da comprare quantità di dati Ź Ordinamento email per importanza
Nei social media Nella nostra banca Negli ospedali Nelle nostre auto
Ź Image recognition per la Ź Sistemi di prevenzione delle frodi Ź Image recognition per la terapia Ź Sistemi di guida autonoma
classificazione o tagging Ź Predizione del prezzo della azioni o diagnosi
automatica di immagini o volti Suggerire il trattamento migliore
Ź Chatbot per i clienti Ź
Page 10 Intelligenza ArtificialeDigitalizzazione e Intelligenza Artificiale
1
2 Cos’è l’Intelligenza Artificiale?
Casi d’uso
3
Come “impara” l’AI?
4
Approccio ai progetti
5
Page 11Cos’è l’Intelligenza Artificiale 2
I trend: outlook per il 2019
277 società partecipanti, 25 società italiane
A.P. Moller - Maersk, Acciona, Adamant-Namiki of Europe, Aegon, Aena, Ageas, Agfa-Gevaert, Agrifirm Group, Ahlstrom-Munksjoࡇ, AIB, AkzoNobel, Almirall, Alpro, ALSA,
Amadeus, AMAG, Ambea, APM Terminals, Aprila Bank, Arcelor Mittal, Ardagh Group, Arval BNP Paribas Group, Asiakastieto Group, Assa Abloy, Assicurazioni Generali, Atea,
Audi, Austrian Airlines, Austrian Federal Computing Centre, Autogrill, BAM Group, Barco, BASF, BAWAG P.S.K, Baxter, BBVA, Besix, Bolloreғ, BTG, BUWOG, C&C Group, Campbells
International, Capio, Carmeuse, Carnival UK, CEiiA, Cermaq, Chr. Hansen, Cirsa, City of Amsterdam, Colruyt Group, Com Hem, Combient, Comifar Distribuzione,
Constitutional Court of Austria, Coolblue, COOP Nederland, Cosentino Group, Costa Crociere, Credit Suisse, Creғdito Agriғcola, DAF Trucks, Danfoss, Danske Bank, Dawn Meats,
DFDS, DNA, DNB, DSM, DSV, Duࡇmmen Orange, Dynamic ID, DAA, Edison, EDP - Energias de Denmark, Egmont, EQT, Ericsson, Erste Group Bank, ESB, ESIM Chemicals, Esprinet,
Europac, Fazer, FDJ, Federal Office of Meteorology and Climatology MeteoSwisse, Ferrovial, Fexco, Finnair, Fortum, Galp, Geberit, Genalice, Generali Versicherung, GetVisibility,
Gjensidige Forsikring, Glen Dimplex Group, Globalia, GN Store Nord, GrandVision, Grupo Antolin, Grupo Ascendum, Grupo Codere Cablecom, Grupo Juliaғ, Grupo Nabeiro – Delta
Cafeғs, Grupo Pestana, Grupo Visabeira, GSK, GAA, H. Lundbeck, Hafslund, Handelsbanken, Hera, Hostelworld, Husqvarna, IKEA Group, Ilmarinen Mutual Pension Insurance
Company, Implenia, Impresa, Indie Campers, Intesa Sanpaolo, ISDIN, Jansen AG, Julius Baer, Katoen Natie, KBC Group, Kemira, Kingspan Group, KLP Banken, Komplett,
Kongsberg Gruppen, LafargeHolcim, LanguageWire, LEGO, LEO Pharma, Lerøy Seafood, Liga Denmark, L’Occitane, Lonza, L’Oreal, Lusiғadas Sauғde, Luz Sauғde, Länsförsäkringar,
MAPFRE, Merkur Versicherung, Metall Zug , Metro, Metso, M-Files, Millicom, Mota-Engil, Mutua MadrilenѺa Automovilista, Møller Mobility Group, Neste, NH Hotel Group, Nilfisk, Nokia
Corporation, NorgesGruppen, Norstat, Novabase, Novartis, Novo Nordisk, Novozymes, Now TV, OBI, Oesterreichische Nationalbank, OP Financial Group, Opportunity
Network, Orion, Paddy Power Betfair, Peltarion, Pernod Ricard, PFA, Philips, Planeta DeAgostini, Poste Italiane, Posti, PostNord, Proximus, Poࡇyry, Rabobank, Raiffeisen
Software, Raiffeisen Switzerland, Ramada Investimentos SA, Randstad, Rexel, ROCKWOOL Group, Room Mate Hotels, Royal College of Surgeons in Ireland, S Group, Saipem, Saint
Gobain, Sakthi Denmark, Salsa, Saxo Bank, Sbanken, SBB SwCOMPANY Federal Railways, Schindler, SEB, SGS, Siemens Mobility, SimCorp, Skandia, Solvay, Sonae, Sonae Arauco,
SpareBank 1 SMN, SpareBank 1 Østlandet, Sportmaster, Statkraft, Stedin, Steyr Mannlicher, Stora Enso, Styria Marketing Services, Suomen Terveystalo, Swedbank, Swisse.com, Taylor
Wimpey, TDC, Teamwork, Telefoғnica, Telekom Austria, Telenor Global Shared Services, Telia, Tesco, Tetra
Pak, The Navigator Company, TIM, Tine, Tokmanni , TomTom, Tryg, TTS
Group, TVH, Ubimet, UDG Healthcare, UniCredit, Vodafone Automotive,
Unilin, UPM, Vaisala, Valmet, Valora Group, Van Lanschot, Vattenfall, Version 1, Visana,
VodafoneZiggo, Voestalpine High Performance Metals, WABCO, WALTER GROUP, Western Bulk, William Demant, Wind Tre, WIT Software, Wolters Kluwer, Zurich Airport, Zurich
Insurance, Öhman, Ørsted, Oࡇsterreichische Post.
Page 12 Intelligenza ArtificialeCos’è l’Intelligenza Artificiale 2 I trend: outlook per il 2019 Page 13 Intelligenza Artificiale
Cos’è l’Intelligenza Artificiale 2
I trend: outlook per il 2019
Solo delle società utilizzano solo delle società utilizzano
attivamente AI in ‘molti processi acquisizioni come strumento per
4% e per abilitare task avanzati’ 10% includere skill in area AI
delle società si aspetta che AI delle società più mature si
avrà un forte impatto su
‘aree di business che oggi 57% aspetta che AI indurrà un
’empowerment sui dipenenti’
80%
sono completamente non
gestite’
la quota di società per le quali
la quota di società che sono AI è ‘argomento di interesse’ a
61% ancora in fase di 71% livello di executive
pianificazione o di piloting management
Page 14 Intelligenza ArtificialeCos’è l’Intelligenza Artificiale 2
I trend: outlook per il 2019
LE AZIENDE ITALIANE STANNO INIZIANDO A ESPLORARE LE POTENZIALITÀ DELL’AI
Le aziende italiane stanno attivamente
esplorando le opportunità offerte
dall’AI, tuttavia emerge un ritardo in
termini di grado di maturità: solo il
15% delle imprese nostrane ha
dichiarato di esser andata oltre lo
sviluppo di progetti pilota, rispetto
alla media europea del 32%.
Ciononostante, la maggior parte delle
aziende del campione dichiara che l’AI
è attualmente considerata un tema
chiave a livello di Executive e l’80%
delle realtà ritiene che nei temi
legati al digitale l’AI sia tra le top
priority. Inoltre l’Italia si distingue
come uno dei Paesi con le
aspettative più alte e i più sono
convinti che l’AI avrà un impatto
significativo sui diversi settori.
Page 15 Intelligenza ArtificialeCos’è l’Intelligenza Artificiale 2
I trend: outlook per il 2019
L’adozione dell’Artificial Intelligence è prevalente nella funzione IT/Technology (47%), seguita da R&D (36%) e
customer service (24%). Diverse funzioni stanno utilizzando poco o per nulla l’AI: la funzione Procurement (4%), HR (7%) e
product management (9%). Un aspetto che sorprende, vista la molteplicità di scenari d’uso e applicazioni possibili in queste
aree funzionali.
Page 16 Intelligenza ArtificialeCos’è l’Intelligenza Artificiale 2
I trend: outlook per il 2019
LO STATO DELL’ARTE
La qualità del dato e vincoli tecnologici sono gli ostacoli
TMT 2% 10% 40% 45% 2%
principali
Services 5%
6% 22% 27% 27% 18%
Le società che sono leader nello sviluppo di Finance 4% 22% 34% 36% 4%
soluzioni AI sono nel TMT, Services &
Hospitality, e Financial Services. Infrastructure 5%
9% 17% 32% 46% 28%
Industrial Products 4% 21%25% 44% 21%
Life Science 7%
4% 25% 49% 17% 4%
Infrastructure e Industrial Products hanno
relativemente molti progetti nella fase ‘piloting’ CPR 25% 29% 29% 9% 9%
0% 20% 40% 60% 80% 100%
None Planned Piloting Released Advanced
Page 17 Intelligenza ArtificialeCos’è l’Intelligenza Artificiale 2 Quale l’impatto atteso nei prossimi 5 anni da AI? Page 18 Intelligenza Artificiale
Cos’è l’Intelligenza Artificiale 2 Quale l’impatto atteso nei prossimi 5 anni da AI? PRINCIPALI USI DELL’AI: PREDIRE E AUTOMATIZZARE La maggior parte delle aziende italiane considera rilevante l’uso dell’AI per predire (60%) e automatizzare (50%). Tra gli scenari applicativi più frequenti la creazione di modelli predittivi per stimare la domanda e l’automazione di operazioni di back-office. BENEFICI: OTTIMIZZAZIONE DEI PROCESS IN PRIMIS Il 70% del campione si attende benefici in termini di ottimizzazione delle operations, per esempio semplificando processi integrati e applicando modelli predittivi. Il 50% si aspetta l’AI possa supportare i dipendenti, aiutandoli a prendere decisioni ragionate o a esplorare nuove possibilità. Il 50% si aspetta un beneficio in termini di customer engagement, per esempio personalizzando contenuti o migliorando il customer care. Infine il 45% delle aziende italiane si aspetta l’AI impatterà positivamente, trasformando prodotti/servizi. Page 19 Intelligenza Artificiale
Cos’è l’Intelligenza Artificiale 2 Quale l’impatto atteso nei prossimi 5 anni da AI? RISCHI PERCEPITI: PERDITA DI CONTROLLO, IMPATTO SUL PERSONALE E OVERLOAD INFORMATIVO Nel 40% dei casi ci si preoccupa di un eventuale perdita di controllo, legata alla possibilità di ottenere risultati autonomi per cui non si ha visibilità del processo, ma di cui si è tuttavia responsabili. A tal riguardo occorre un cambio di mindset e modelli di mitigazione del rischio. Nel 30% dei casi si teme l’impatto sul personale: l’AI richiede un adeguato change management, dal momento che, oltre a essere un fatto tecnologico, è un fatto culturale. Perciò occorre aiutare i dipendenti a prendere consapevolezza dell’opportunità di ottimizzare task routinari per concentrarsi su attività a valor aggiunto e al contempo della necessità di adeguare le competenze. Infine nel 30% dei casi si teme il sovraccarico di informazioni. COMPETENZE: INVESTIRE ANCORA IN SVILUPPO AGILE, ALLEANZE ESTERNE, CULTURA APERTA E TECNOLOGIE EMERGENTI Emergono 8 aree chiave di competenze necessarie per avere successo, alcune centrate su aspetti umani, altre su aspetti tecnologici: leadership, cultura aperta, sviluppo secondo modelli agile, intelligenza emotiva, capacità di creare alleanze esterne e abilità legate all’analisi, alla gestione dei dati, alle tecnologie emergenti. L’Italia deve fare un passo avanti su alcuni di questi fronti ove è leggermente indietro rispetto alla media europea: capacità relative allo sviluppo agile, alla creazione di alleanze esterne, alla cultura aperta, alle tecnologie emergenti. Il Bel Paese sembra invece performare meglio dell’Europa in fatto di analytics e gestione dei dati. Page 20 Intelligenza Artificiale
Digitalizzazione e Intelligenza Artificiale
1
Cos’è l’Intelligenza Artificiale?
2
3 Casi d’uso
Come “impara” l’AI?
4
Approccio ai progetti
5
Page 21 Intelligenza ArtificialeCasi d’uso 3
Mail Classifier
Organizations everyday spend huge manual efforts Inbound Mail
Text
on working with textual data, relying on Extraction English
Translation
routinal time consuming, repeatable actions.
Machine Learning Text Analyzer can Web Facebook
InferSent
cooperate with Artificial Intelligence and Service
Deep Neural
Robotic Process Automation to interpret texts Network
coming from various business units and handle
them
Mail
Classifier
How much time can you save if you automate even one of these tasks?
Find persons, names, codes in different records Group documents into meaningful
categories
Extract social security numbers and
Detect phone numbers, email address bank accounts
Identify any company-specific relevant object in Recognize dates and places and check
a text accordance
Page 22 Intelligenza ArtificialeCasi d’uso 3
Mail Classifier
Using the Machine Learning Text Analyzer means automate all
HELP DESK TECH SUPPORT INSURANCE CUSTOMER CARE
E-MAILS TICKETS E-MAILS KYC & SEARCH
Classification in complaint, Automatically extract Identify the type of claim and Classify & extract information
general inquiry, complaint or relevant information, such retrieve the corresponding from Contracts, client
change of address as account number or relevant information documents and build
people involved Knowledge graphs & Search
BANKING COMMUNICATIONBRIE HR DEPARTMENT FINANCE
E-MAILS F TICKETS INVOICES
Detect information about Classification of inquiries for Classification of questions Identify the invoice and
account or credit card, changes in master data, about staffing, recruiting, retrieve the corresponding
online banking or data termination of contract payroll, holiday or training relevant information
modification
Page 23 Intelligenza ArtificialeCasi d’uso 3 Break Captcha Page 24 Intelligenza Artificiale
Casi d’uso 3
Virtual Assistant
A virtual assistant is a smart assistant that interacts with people and machines, harnessing the power of Artificial
Intelligence to inform, support and advise, helping them with their tasks, challenges and goals
Learn
A virtual assistant Sense Comprehend Act
understands what you
write and hear what you say Semantic
Instant Messenger Send
model
information
Voice Natural
A virtual assistant got the Manipulate
Language
ability interact with other Image Processing data
machines and replicates Vision Interact with
E-mail
human agency processing software
Text
S2T and RPA
T2S
A virtual assistant can improve its
performance with its own usage.
More data provide more accurate Learn
analysis and better solutions
Page 25 Intelligenza ArtificialeCasi d’uso 3
Virtual Assistant
Virtual assistants are software built to mimic conversations with human users
programmed to follow dialogue flow and able to perform different tasks
Reduction of contact
center traffic
Increased service
hours
Easy implementation
and scalability
Virtual assistants are integrated Cost reduction thanks
with the IT system and are able to less human
interaction
to perform simple tasks,
assisting employee in their daily
routine and taking care of Agent escalation when
customer experience needed
Page 26 Intelligenza ArtificialeCasi d’uso 3
Knowledge Base Construction
Ź A Knowledge Graph is built starting
from a collection unstructured texts,
by recognizing entities, extracting
grammar, syntactic and morphological
information and creating semantic and
no-semantic triples. The entire pipeline
takes advantage from novel AI
applications, namely Natural Language
Processing (NLP) and Natural
Language Understanding (NLU)
algorithms, semantic learning and
information extraction.
Ź From the Knowledge Graph, it is
possible to reconstruct connections,
relations and interactions among
entities.
Ź KG can be also used as a knowledge
base for a virtual assistant.
Page 27 Intelligenza ArtificialeCasi d’uso 3
CV Mining
95,63% 89,77%
With the Resume Screening recruiters increase their job
matching speed and reduce reaction time, providing a quick
feeedback for the candidates
The Intelligent Agent extracts from the job position and resumes
the semantic content by taking advantage on Natural Language
Processing (NLP) techniques. 92,08%
Every CV you receive is converted into a
Benefits complete candidate profile
Showing Best Candidates per Job Description
Enabling Exploratory Analysis
The solution uses different models Intelligent
Making easier and faster access to contents Search Engine in order to filter and find best
candidate for job positions
Implementing Intelligent Search parameters to
reduce mismatch possibility
Calculating metrics as Cost-Per-Hire or Time-To-Hire Multiple analysis are executed on repository,
ensuring complete vision on talent acquisition
Page 28 Intelligenza ArtificialeCasi d’uso 3
Signature Recognition
This service allows, having an image of hand-written Ź One Shot Learning (only a few examples to teach
signature, to automatically understand whom belongs the the Neural Network)
signature. Ź Speed of use
Ź Automatically signature clustering
Moreover it’s not necessary to have a huge dataset for each
person’s signatures but only a few examples.
Page 29 Intelligenza ArtificialeCasi d’uso 3
Virtual Employee Assistant
The EY Virtual Employee Assistant is an innovative solution of
Artificial Intelligence that through the recognition of the voice and the
processing of natural language allows to acquire and execute commands
directly on your calendar.
What appointments do I have today?
It is currently designed as a support tool for managing business calendars:
it is able to provide information on upcoming events, allowing the
insertion, modification and cancellation of appointments. There is an appointment from 11 to
12 called «Project aligment meeting»
It is characterized by two components: a desktop software for user
identification and calendar management and a social web platform
(Telegram) for sending commands.
Enter an appointment tomorrow at 2pm
and call it "Personal commitment"
Ok, I entered the appointment in your
calendar
Page 30 Intelligenza ArtificialeCasi d’uso 3
Energy Consumption Forecast
This solution allows the use of different forecasting tools and methodologies compared to the problem of prediction of energy consumption.
It is possible to use both the most classic models of Time series (ARIMA) but also more advanced models such as Facebook Prophet and
Deep Neural Networks.
Facebook Prophet
Consumption
Recurrent Neural Network
ARIMA
Time
These models can also be used to predict series performance in many
other scenarios: market forecasts, anomaly detection, etc.
Page 31 Intelligenza ArtificialeDigitalizzazione e Intelligenza Artificiale
1
Cos’è l’Intelligenza Artificiale?
2
Casi d’uso
3
4 Come “impara” l’AI?
Approccio ai progetti
5
Page 32Come “impara” l’AI? 4
Descrittori
I Descrittori, chiamati anche attributi, sono utilizzati per
l’addestramento di qualsiasi sistema di Machine
Learning.
Corrispondono alle proprietà degli oggetti da e per cui
stiamo cercando di imparare qualcosa.
Peso: 320g Colore: Arancione
Peso
Quali caratteristiche devono avere?
Ź Descrivere in modo rilevante* l’ambito
Ź Non essere ridondanti
Ź Essere separabili (non avere valori troppo simili per
classi diverse)
* I descrittori devono essere attributi discreti degli oggetti che si sta
cercando di classificare e devono avere la minore numerosità possibile Colore
Page 33 Intelligenza ArtificialeCome “impara” l’AI? 4
Dataset
Descrittori
Il Dataset è la base dati che rappresenta l’esperienza
da cui il sistema di Machine Learning imparerà.
ID Peso Colore
Il Dataset conterrà, per ogni esempio, l’elenco dei
descrittori estratti.
1 320 g Arancione (19)
2 250 g Rosso (12)
Quali caratteristiche deve avere? 3 253 g Verde (7)
4 232 g Verde (3)
Esempi
Ź Numero bilanciato di esempi per ogni classe 5 229 g Rosso (8)
Ź Descrittori di tipo numerico o convertiti in numeri
6 350 g Arancione (15)
Ź Avere una numerosità di esempi più alta possibile
7 272 g Verde (6)
8 310 g Arancione (18)
9 244 g Rosso (10)
Page 34 Intelligenza ArtificialeCome “impara” l’AI? 4
Tipologie di apprendimento
Apprendimento Apprendimento Apprendimento
Supervisionato Non Supervisionato per Rinforzo
L’apprendimento è Supervisionato quando L’apprendimento è Non Supervisionato L’apprendimento è per Rinforzo quando i
i dati in input (Dataset) sono etichettati, cioè quando i dati in input (Dataset) NON sono dati che vengono utilizzati sono la risposta
per ogni esempio è associata una classe etichettati, cioè il dataset contiene dell’ambiente ad una determinata azione
solamente i descrittori senza l’informazione
Ad esempio: della classe a cui appartengono
Azione
320 g, Arancione -> Arancia
253 g, Rosso -> Mela
253 g, Verde -> Mela
Agente Ambiente
Ricompensa
Nuovo Stato
Dando all’algoritmo ciò che dovrà essere Quello che l’algoritmo cerca di fare è L’algoritmo funziona a ricompensa: in ogni
l’output atteso esso dovrà classificare (o clusterizzare gli esempi in input rispetto ai momento esegue l’azione che secondo lui è
predirre) gli esempi ed è più semplice capire descrittori che hanno più giusta e si riadatta rispetto a quello che
se funziona nel modo corretto l’ambiente risponde
Page 35 Intelligenza ArtificialeCome “impara” l’AI? 4
Tipologie di output
Classificazione Clustering
Capisce la classe a cui Raggruppa gli elementi più simili
appartiene un nuovo oggetto e permette di risolvere ad
dato in input esempio problemi di
raccomandazione (Netflix)
Regressione Predizione di Sequenze
Predice valori numerici dati Permette di capire cosa viene
descrittori aventi una forte dopo una determinata sequenza
relazione tra loro
Page 36 Intelligenza ArtificialeDigitalizzazione e Intelligenza Artificiale
1
Cos’è l’Intelligenza Artificiale?
2
Casi d’uso
3
Come “impara” l’AI?
4
5 Approccio ai progetti
Page 37 Intelligenza ArtificialeApproccio ai progetti 5
Industrializzare l’innovazione
Target Data
Identification acquisition &
Data Search
pre-
processing
As-Is White
Analysis Box
Training Analysis
and Test
KPI &
Reporting
LEARN
EVOLVE
Page 38 Intelligenza ArtificialeApproccio ai progetti 5
Assessment
Perceiving, reasoning and acting on customer
and network data patterns, predicting
and adapting demand and supply
Target Identification
Ź Quali sono i miei obiettivi?
Ź Quale mercato offre più vantaggio con la mia As-Is Analysis
organizzazione attuale?
Ź Qual’è il mio dominio della materia in esame?
Ź Quali sono gli orizzonti futuri di riutilizzo di questa
Ź Ho uniformato le metriche di valutazione degli
informazione?
analytics ad oggi presenti?
Ź Come impatta i processi decisionali interni?
Ź Ho messo a fattor comunque le conoscenze del
Ź So valutare la potenziale innovazione? team?
Ź Ho un benchmark per valutare il risultato?
Ź Quali sono le tempistiche da rispettare?
Page 39 Intelligenza ArtificialeApproccio ai progetti 5
Data Search
ABILITY
TO EXECUTE
La ricerca del dato avviene in base ai seguenti pillar:
Esperienza di settore
Readiness del dato
Presenza di una storicità del dato
meccanismo di causa effetto monovariabile
conoscenza fonti dati esterne
Page 40 Intelligenza ArtificialeApproccio ai progetti 5
«White-Box» analysis
INCREMENTAL
INNOVATION
Avanzamento della clusterizzazione
L’elemento fondamentale nella razionalizzazione del
meccanismo di causa effetto della mente umana è
la corrispondenza 1 a 1 tra input ed output
Esistono metodi che riducono la complessità di
gestione delle correlazioni permettendo di
apprezzare le potenziali correlazioni esistenti e
quindi la transizione tra approccio esperienziale ed
approccio numerico al problema ed aumenta la
fiducia nell’adozione
Page 41 Intelligenza ArtificialeApproccio ai progetti 5
AI Training & Test
Variabile target
7(67
75$,1
Tempo
Page 42 Intelligenza ArtificialeApproccio ai progetti 5
Data acquisition & KPI
Ź Robotizzazion Ź Robotizzazione pre- Ź Robotizzazione run Ź Robotizzazione push
e dei processing degli input algoritmi di previsione dei risultati
download Ź Filtri di check Ź Reporting sulle
Ź Chiamate API Ź Outliers detection performance
Ź Ricezione Ź Outlier cleaning Ź KPI
tramite ftp
Ź Etc.
Page 43 Intelligenza ArtificialeApproccio ai progetti 5
L’approccio OSEMN («Awesome»)
Definizione del problema di
Business Question business da risolvere:
Obtain data Che impatto voglio
raggiungere con tali dati?
Che tipo di soluzione di
Interpreting
business viene influenzata
results da tale approccio di
Scrubbing machine learning?
Cleaning Che cosa possiamo fare
per rendere il business
case più efficiente?
Modelling
Exploring
Page 44 Intelligenza ArtificialeApproccio ai progetti 5
L’approccio OSEMN («Awesome»)
Obtaining data:
Business Question Identificazione di dataset
Obtain data disponibili
Possibile estrazione
dataset tramite RPA
Interpreting
results
Scrubbing
Cleaning
Modelling
Exploring
Page 45 Intelligenza ArtificialeApproccio ai progetti 5
L’approccio OSEMN («Awesome»)
Scrubbing/Cleaning data:
Business Question Analisi dei dati
Obtain data
Comprensione dei
descrittori
Interpreting Identificazione di:
results Errori
Scrubbing Valori mancanti
Cleaning Rimpiazzare:
Errori
Modelling Valori mancanti
Exploring
Page 46 Intelligenza ArtificialeApproccio ai progetti 5
L’approccio OSEMN («Awesome»)
Exploring data:
Business Question Analisi di comportamenti
Obtain data all’interno dei dati
Estrazione di descrittori
aggiuntivi
Interpreting
results Visualizzazione del dato
attraverso:
Scrubbing
Cleaning Grafici
Dashboards
Modelling
Exploring
«Più discriminanti sono i descrittori,
più il modello di machine learning sarà
accurato»
Page 47 Intelligenza ArtificialeApproccio ai progetti 5
L’approccio OSEMN («Awesome»)
Modelling (Machine Learning):
Business Question Selezione di algoritmi per il
Obtain data business case identificato
Ottimizzazione degli
algoritmi
Interpreting
results
Scrubbing
Cleaning
Modelling
Exploring
Page 48 Intelligenza ArtificialeApproccio ai progetti 5
L’approccio OSEMN («Awesome»)
Interpreting results:
Business Question Identificazione di nuove
Obtain data azioni di business da
intraprendere
Visualizzazione dei risultati
Interpreting
results Descrizione di una breve e
chiara storia rappresentata
Scrubbing dai risultati ottenuti
Cleaning
Modelling
Exploring
Page 49 Intelligenza ArtificialePuoi anche leggere
