Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

TREND 2019

AI, cos’è l’intelligenza artificiale e come può aiutare le imprese

Cos’è e dove si applica l’intelligenza artificiale, quali soluzioni sono già disponibili e qual è il livello di diffusione nel mondo, come si utilizza nel business e quali vantaggi porta, dal marketing al recruiting, dalla predictive analytics alla Robotic Process Automation. Una guida per fare chiarezza sulle reali opportunità per il business e i trend per il 2019

18 Gen 2019

Nicoletta Boldrini

L’intelligenza Artificiale fa già parte della nostra vita quotidiana ed è ormai utilizzata in più della metà delle grandi aziende italiane. Tutti conoscono le auto senza guidatore o gli assistenti vocali come Siri di Apple, Cortana di Microsoft o Alexa di Google, ma gli esempi meno noti sono molteplici. Gli algoritmi intelligenti, in grado cioè di auto-apprendere, ci suggeriscono i prodotti da acquistare, i film o i brani musicali in linea con i nostri gusti, sanno rispondere a domande dei clienti via chat, possono riconoscere il volto di una persona per abilitare un accesso, smistare documenti in base al contenuto, supportare i medici nella lettura delle immagini radiografiche e nelle diagnosi, filtrare i curriculum per selezionare il candidato ideale. E così via.

Esistono già numerosi esempi di come l’introduzione dell’Intelligenza artificiale nei processi aziendali abbia portato impatti positivi, automatizzando parti ripetitive e a basso valore aggiunto dei processi stessi, in precedenza svolti dall’uomo, riducendo errori, permettendo lo sviluppo di nuovi prodotti e servizi. Siamo all’inizio, ma nei prossimi anni assisteremo a un salto quantico.

Le maggiori corporation a livello globale stanno compiendo i primi passi in tal senso: i primi ad arrivare a risultati concreti potranno beneficiare di un enorme vantaggio competitivo. Secondo stime di Accenture, il 2020 sarà l’anno in cui tali soluzioni esploderanno. Una previsione confermata da Forrester, che in un report scrive: «Negli ultimi due anni abbiamo visto molte aziende imparare a fallire velocemente nel realizzare iniziative di AI, ma nel 2019 ci aspettiamo che possano coglierne le opportunità, grazie ad approcci più maturi».

Che cos’è l’intelligenza artificiale: una definizione

Il Politecnico di Milano fornisce questa definizione di AI.

L’Artificial Intelligence è il ramo della computer science che studia lo sviluppo di sistemi hardware e software dotati di capacità tipiche dell’essere umano ed in grado di perseguire autonomamente una finalità definita prendendo delle decisioni che, fino a quel momento, erano solitamente affidate agli esseri umani. Le capacità tipiche dell’essere umano riguardano, nello specifico, la comprensione ed elaborazione del linguaggio naturale (Nlp – Natural Language Processing) e delle immagini (Image Processing), l’apprendimento, il ragionamento e la capacità di pianificazione e l’interazione con persone, macchine e ambiente. A differenza dei software tradizionali, un sistema IA non si basa sulla programmazione (cioè sul lavoro di sviluppatori che scrivono il codice di funzionamento del sistema) ma su tecniche di apprendimento: vengono cioè definiti degli algoritmi che elaborano un’enorme quantità di dati dai quali è il sistema stesso che deve derivare le proprie capacità di comprensione e ragionamento.

IA debole e IA forte

In realtà, non esiste una definizione univoca di IA e le interpretazioni possono variare a seconda della focalizzazione: da un lato, ci si può concentrare sui processi interni di ragionamento, dall’altro sul comportamento esterno dei sistemi, in linea di massima sempre prendendo come sorta di “misura di efficacia” la somiglianza o la vicinanza al comportamento umano.

Partendo da queste considerazioni, la comunità scientifica si è trovata d’accordo nel definire due differenti tipi di intelligenza artificiale, quella debole e quella forte:

Intelligenza Artificiale debole (weak AI): racchiude al suo interno sistemi in grado di simulare alcune funzionalità cognitive dell’uomo senza tuttavia raggiungere le capacità intellettuali tipiche dell’uomo; si tratta, a grandi linee, di programmi di problem-solving in grado di replicare alcuni ragionamenti logici umani per risolvere problemi, prendere decisioni, ecc. (come nel gioco degli scacchi);

Intelligenza Artificiale forte (strong AI): si fanno rientrare in questa categoria i sistemi in grado di diventare sapienti (o addirittura coscienti di sé); ci sono teorie che spingono alcuni scienziati ed esperti a ritenere che un giorno le macchine avranno una intelligenza propria (non emuleranno quindi quella dell’uomo), autonoma e probabilmente superiore a quella degli esseri umani (quel momento è chiamato Singularity).

I sistemi attualmente in uso rientrano dell’ambito dell’intelligenza debole, ma il progresso è costante.

Machine Learning e Deep Learning

Ciò che caratterizza l’Intelligenza Artificiale da un punto di vista tecnologico e metodologico è il metodo/modello di apprendimento con cui l’intelligenza diventa abile in un compito o azione. Questi modelli di apprendimento sono ciò che distinguono Machine Learning e Deep Learning.

Machine Learning: si tratta di sistemi che servono ad “allenare” il software in modo che correggendo gli errori possa apprendere a svolgere autonomamente un compito/attività.

Ad esempio, il braccio meccanico supportato dall’AI, e quindi intelligente, è in grado di montare un pezzo anche se questo non si trova dove dovrebbe perché l’algoritmo di controllo anziché fornire le coordinate attiva un riconoscimento visivo che cerca il pezzo in tutta l’area che il braccio può raggiungere. E se la macchina o l’uomo che porge i pezzi ripete più volte l’errore, il robot impara che quella è la nuova posizione e va subito a cercare il pezzo lì. Il Machine Learning si sta evolvendo lungo una linea di ricerca basata sull’uso di reti neurali organizzate in più livelli di profondità e per questo detta Deep Learning.

Deep Learning: si tratta di modelli di apprendimento di recente sviluppo (dal 2012) ispirati alla struttura ed al funzionamento del nostro cervello, che emulano cioè la mente umana. In questo caso, il modello matematico da solo non basta: il Deep Learning necessita di reti neurali artificiali progettate ad hoc (deep artificial neural networks) e di una capacità computazionale molto potente capace di “reggere” differenti strati di calcolo e analisi (che è quello che succede con le connessioni neurali del cervello umano). Può sembrare un livello tecnologico futuristico ma nella realtà questi sono sistemi già in uso nel riconoscimento di pattern, nel riconoscimento vocale o delle immagini e nei sistemi di Nlp – Natural Language Processing.

Una classificazione delle soluzioni di Intelligenza Artificiale: 8 classi

L’Osservatorio Artificial Intelligence della School of Management del Politecnico di Milano ha analizzato 721 imprese e mappato 469 casi di utilizzo di AI, riferibili a 337 imprese internazionali e italiane.

Per scattare la fotografia sono state identificate otto classi di soluzioni, fra loro molto eterogenee, all’interno delle quali sono stati collocati i casi analizzati, evidenziando che i progetti di cui più si parla non sono necessariamente quelli a cui le aziende rivolgono più investimenti.

Ecco le 8 classi e lo stato di avanzamento.

  1. Autonomous Vehicle: si riferisce a qualunque mezzo a guida autonoma adibito a qualunque tipo di trasporto su strada, acqua o aria, come la self-driving car o il veicolo per le consegne dei pacchi a domicilio.
  2. Autonomous Robot: robot, più o meno antropomorfi, in grado di muoversi, manipolare oggetti ed eseguire azioni senza intervento umano, traendo informazioni dall’ambiente circostante e adattandosi a eventi non previsti o codificati. I robot di Boston Dynamics sono fra i più noti: la loro abilità di movimento oggi è tale da aver dato di recente una dimostrazione di parcour.
  3. Intelligent Object: tutti quelli oggetti, dagli occhiali alla valigia, in grado di eseguire azioni e prendere decisioni senza richiedere l’intervento umano, interagendo con l’ambiente circostante tramite sensori (termometri, videocamere…) e attuatori e apprendendo dalle azioni delle persone che interagiscono con essi.
  4. Virtual Assistant e Chatbot: I sistemi più evoluti sono capaci di comprendere tono e contesto del dialogo, memorizzare e riutilizzare le informazioni raccolte e dimostrare intraprendenza nel corso della conversazione. Questi sistemi sono sempre più utilizzati come primo livello di contatto con il cliente nel per l’assistenza tramite il Customer Care aziendale.
  5. Recommendation: si tratta di soluzioni orientate a indirizzare le preferenze, gli interessi, le decisioni dell’utente, basandosi su informazioni da esso fornite, in maniera indiretta o diretta. Molto usate nell’eCommerce o nei servizi di video e musica (i suggerimenti di Amazon, Netflix e YouTube sono un esempio), possono collocarsi in punti differenti del customer journey o, più in generale, del processo decisionale.
  6. Image Processing: sistemi in grado di effettuare analisi di immagini o video per il riconoscimento di persone, animali e cose presenti nell’immagine, il riconoscimento biometrico e, in generale, l’estrazione di informazioni dall’immagine/video. Ad esempio, sono in uso applicazioni per il monitoraggio dei locali tecnici da parte delle utility, o per la valutazione dei danni auto negli incidenti nelle assicurazioni.
  7. Language Processing: prevede capacità di elaborazione del linguaggio, per la comprensione del contenuto, la traduzione, fino alla produzione di testi in modo autonomo, a partire da dati o documenti forniti in input.
  8. Intelligent Data Processing: in questa categoria ampia rientrano tutte quelle soluzioni che utilizzano algoritmi di intelligenza artificiale su dati strutturati e non per estrarre informazioni: ne sono esempio i sistemi per la rilevazione delle frodi finanziarie, la ricerca di pattern, i sistemi di monitoring e controllo, l’analisi predittiva (Predictive Analysis).Per la prevenzione dei rischi si effettuano analisi molto sofisticate che correlano dati, eventi, comportamenti ed abitudini per capire in anticipo eventuali attività fraudolente; questi sistemi possono trovare applicazione anche all’interno di altri contesti aziendali, per esempio per la protezione delle informazioni e dei dati nella lotta al cybercrime.

L’Intelligenza Artificiale nei processi di business

L’AI nasce negli anni 50, ma è solo oggi che i progressi tecnologici registrati nel campo della potenza di calcolo, della disponibilità dei dati e nella capacità della loro analisi per la risoluzione di problemi complessi hanno permesso alle applicazioni di nascere e diffondersi.

Le tecnologie di base sono mature, e attraverso le API e i servizi cloud sono disponibili a costi accessibili. Tuttavia, occorre un approccio progettuale per introdurre l’AI nei processi.

Se fino a 10 anni fa le barriere all’introduzione delle imprese erano legate alla mancanza di strumentazione, o di capacità analitiche inadeguate, il tema oggi non è tecnologico, ma principalmente culturale e di competenze specifiche. Secondo gli esperti, oggi il 70% dell’effort relativo a un progetto AI è per il ridisegno dei processi, il 10% alla scrittura degli algoritmi e solo il 10% alla parte tecnologica.

Attualmente i settori più avanzati nell’adozione di progetti di intelligenza artificiale sono banche, finanza e assicurazioni, automotive, energia, logistica e telco. 

Secondo i dati del Politecnico di Milano, in Italia il 56% delle grandi imprese ha già avviato progetti di Artificial Intelligence (AI) anche se ancora in fase embrionale. Confrontando il comportamento delle imprese italiane con quelle europee, si evidenzia che, nonostante sia inferiore il numero di progetti avviati (56% contro il 70% di Francia e Germania), si prediligono ambiti applicativi maturi, dove i benefici siano maggiormente documentati e più rapidamente realizzabili.

L’automazione di processo: Robotic Process Automation e AI

Le soluzioni RPA (Robotic Process Automation) sono da diversi anni utilizzate per snellire processi onerosi, automatizzando semplici operazioni ripetitive, in particolare sui sistemi informativi legacy (ad esempio, per estrarre dati da un sistema ERP e inserirli in un altro software). Il loro utilizzo è mirato all’efficienza: fanno risparmiare molto tempo e permettendo di dedicare le risorse ad attività a maggior valore aggiunto e alla risoluzione di scenari complessi che l’automazione non è in grado di gestire, valorizzando creatività e intraprendenza.

Integrando l’AI con la RPA, che sono di fatto complementari, è possibile fare un passo avanti: se prima venivano demandate all’uomo le parti più complesse del processo, ora è possibile automatizzarle, attraverso l’addestramento.

Si può dire, per esemplificare, che l’RPA agisce come un robot (infatti le soluzioni si chiamano anche bot) seduto davanti al pc e in grado di svolgere un numero limitato di attività, che per gestire scenari più complessi viene sostituito da un robot con una migliore preparazione.

Il mercato delle soluzioni RPA è in fermento: Forrester prevede che passerà da una spesa globale nel 2016 di 250 milioni di dollari a 2,9 miliardi nel 2021.

L’automazione di processo con l’RPA rientra nell’ambito del BPM (Business Process Management) e viene oggi attuata con metodologie Agile che permettono di ottenere risultati in modo rapido, procedendo per “sprint” di progetto con frequenze settimanali o comunque di breve periodo.

L’offerta di soluzioni RPA è ampia: fra i top vendor figurano Automation Anywhere, UI Path, Blue Prism e Nice, che sul mercato italiano sono presenti tramite una partnership con Avanade.

AI per l’HR: a caccia dei migliori talenti

La ricerca del candidato ideale è un’attività impegnativa e strategica, che prende molto tempo al team HR. Analizzare i CV è sempre più difficile e una rapida lettura dei dati non sempre garantisce effettiva corrispondenza alle  competenze e capacità  di cui l’azienda necessita. Occorre un’analisi approfondita, ad esempio confrontando le esperienze e background di un dipendente già presente in azienda, verificando l’effettivo livello di conoscenza di un software in base agli anni in cui è stato utilizzato. L’Intelligenza Artificiale viene in aiuto. Sul mercato sono in arrivo soluzioni as-a-service in grado di supportare l’attività di recruiting, come quella sviluppata da Avanade e basata su Cortana, utilizzata al momento internamente dalla stessa azienda.

Lo strumento supporta i responsabili Risorse Umane nella selezione di una rosa di candidati per le posizioni aperte in azienda, lasciando poi la decisione finale ai responsabili HR e ai manager di riferimento. È composto da un’interfaccia di dialogo integrata a RPA e database interni all’azienda che ricerca candidati in rete (in particolare su Linkedin) e ne abbina le skill a quelle presenti nel DB aziendale dipendenti, restituendo una lista di profili con valori percentuali di compatibilità.

La soluzione mantiene dunque un approccio human-centered ma è potenziata dalla capacità di automation e AI, ridisegnando così l’esperienza della ricerca  di talenti, riducendo drasticamente il tempo necessario alla ricerca e aumentando la qualità dei risultati.

«In Avanade abbiamo team di esperti dedicati  ai progetti di Intelligent Automation. Dalla robotica all’ Artificial Intelligence, proponiamo soluzioni integrate e customizzate sull’esigenza del cliente al fine di migliorare la user experience e il ritorno sull’investimento e sull’impatto sui processi derivante dall’adozione di queste nuove tecnologie» – commenta Antonio Savasta, AI e RPA Lead Manager di Avanade.

Antonio Savasta

AI & RPA Lead Manager, Avanade

Artificial Intelligence Marketing (AIM): i chatbot e l’analisi del sentiment

Nel Marketing si vedono ormai da tempo sistemi di IA impiegati in differenti attività e con svariati obiettivi; il più importante riguarda indubbiamente la gestione della relazione con gli utenti, da sempre “croce e delizia” di qualsiasi brand, anche nel mondo BtoB.

Le tecnologie di IA impiegate vanno dagli assistenti vocali/virtuali (chatbot e sistemi come Siri di Apple o Cortana di Microsoft) che sfruttano algoritmi di intelligenza artificiale sia per il riconoscimento del linguaggio naturale sia per l’apprendimento e l’analisi delle abitudini e dei comportamenti degli utenti, fino ai più sofisticati meccanismi di ingaggio che contemplano l’analisi in real-time di grandi moli di dati (in particolare sui social) per la comprensione del “sentiment” e delle esigenze delle persone con attività che si spingono fino alla previsione dei comportamenti di acquisto da cui derivare strategie di comunicazione e/o proposta di servizi.

Chatbot ed altri sistemi basati sul NLP sono ormai diffusamente impiegati anche all’interno dei reparti che si occupano di assistenza, servizio e supporto alla clientela (contact center, customer service, manutenzione e supporto, ecc.). Secondo Forrester, Marketing a Sales trainano gli investimenti in AI, seguiti dal Customer Care. Gli analisti nelle loro previsioni per il 2019, suggeriscono di non sottovalutare il fattore umano e di affiancare sempre a questi sistemi un esperto in carne e ossa pronto a intervenire in caso di problemi con il cliente, per evitare spiacevoli situazioni che potrebbero essere controproducenti.

AI e Supply Chain Management

Il tema della gestione del rischio è di fondamentale importanza anche per l’ottimizzazione e la gestione della catena di approvvigionamento e di distribuzione dove oltre ad analisi sofisticate servono anche “sistemi intelligenti” in grado di connettere e monitorare tutta la filiera e tutti gli attori coinvolti; uno dei più interessanti casi di utilizzo di IA, in quest’ambito, riguarda le attività di Order Management all’interno dei quali le tecnologie che sfruttano l’intelligenza artificiale non solo mirano alla semplificazione dei processi ma anche alla totale integrazione di essi, dagli acquisti fino all’inventario, dal magazzino alle vendite fino ad arrivare addirittura all’integrazione con il Marketing per la gestione preventiva delle forniture in funzione delle attività promozionali o della campagne di comunicazione.

La storia dell’Intelligenza Artificiale

Il primo vero progetto di ricerca riconducibile all’IA risale al 1943 quando Warren McCulloch e Walter Pitt progettarono una rete neurale cioè algoritmi matematici che cercano di riprodurre il funzionamento dei neuroni del nostro cervello per risolvere problemi. È però dalla fine dagli anni ’50 in poi che si crea il fermento maggiore, quando lo scienziato Alan Turing (datato 1950) inizia a teorizzare che un computer può comportarsi come un essere umano. Il termine Artificial Intelligence viene coniato dal matematico statunitense John McCarthy (1956) autore dei primi linguaggi di programmazione (Lisp nel 1958 e Prolog nel 1973) specifici per l’IA attraverso i quali inizia a sviluppare programmi generali per la soluzione di problemi. Dagli anni ’80 in poi si procede a fasi alterne, con grandi avanzate sul fronte dei modelli matematici, sempre più sofisticati ed in grado di imitare alcune funzionalità cerebrali come il riconoscimento di configurazioni, ma un interesse minore nei confronti delle reti neurali e, in generale dell’hardware, ricomparso poi negli anni ’90 con l’arrivo massivo delle Gpu dal mondo del gaming (graphics processing unit, chip di elaborazione molto più veloci delle Cpu in grado quindi di supportare workload complessi molto più rapidamente).

@RIPRODUZIONE RISERVATA
Manuela Gianni
Direttore, Digital4Executive

Giornalista, ingegnere, mi occupo da molti anni di innovazione, tecnologie digitali e management. Direttrice sin dalla nascita di Digital4Executive

Articolo 1 di 4