IA e machine learning come leve per la business intelligence
L’AI sta progredendo rapidamente: big data e machine learning sono elementi fondamentali per l’evoluzione della Business Intelligence in sistemi di Advanced Analytics.
Gli advanced analytics
Gli advanced analytics sono sistemi e strumenti che consentono di analizzare, oltre ai dati storici, anche le possibili correlazioni in ottica predittiva e addirittura prescrittiva.
Il fine ultimo è quello di estrarre da una grande mole di dati le informazioni che giocano un ruolo fondamentale in termini decisionali.
Prima dell’utilizzo degli advanced analytics, per esempio, non venivano effettuate analisi in real-time, ma solo basate su dati storici che fornivano una fotografia attuale o passata sulla tematica oggetto d’indagine.
Sono poi state sviluppate nuove metodologie per analizzare i big data, grandi moli di dati in diversi formati, non solo strutturati/tabellari, come avveniva con la business intelligence tradizionale.
I vantaggi del machine learning
In questo scenario si colloca il machine learning, che è un metodo di analisi dati che automatizza la costruzione di modelli analitici. Combinato alle nuove potenzialità nell’analisi dei dati ha portato a due grandi vantaggi.
Il primo è stato un ribaltamento di paradigma. Da un’analisi dei dati del passato che permetteva la definizione di una fotografia attuale all’analisi degli stessi dati, integrati con quelli real-time, per predire uno scenario futuro basandosi su pattern di associazioni e correlazioni di dati, invisibili all’occhio umano. In sostanza, mentre prima le decisioni aziendali venivano prese su dati storici, con il machine learning è possibile sviluppare un sistema predittivo.
Il secondo vantaggio è quello dell’automatismo: nel sistema tradizionale la catena di elaborazione del dato, che culminava con la visualizzazione di KPI, aveva un tempo di realizzazione notevole. L’intelligenza artificiale ha ridotto il time-to-market e diminuito l’intervento umano.
In questa ottica GFT sta cercando di unire due concetti: quello di user interface e quello di explainable AI, comprendere, cioè, il ragionamento alla base delle decisioni o delle previsioni fatte dall’IA. Si cerca di unire la rappresentazione del processo decisionale dell’algoritmo con l’interpretazione del risultato che un modello di machine learning produce, cercando quindi di spiegare in che modo funzionano algoritmi complessi.
GFT leader nei settori data analytics e machine learning
Nel 2019 GFT è stato riconosciuto come Google Cloud Breakthrough Partner of the Year per l’area EMEA. E nel 2022 il rapporto ISG Provider Lens™ Google Cloud Partner Ecosystem 2022 ha identificato GFT tra i leader nei settori Data Analytics e Machine Learning.
GFT è specializzata in particolare nelle tecnologie di visione artificiale, offrendo un’ampia gamma di strumenti avanzati per l’ispezione visiva per i processi produttivi.
Queste soluzioni comprendono il monitoraggio dei processi (tra cui l’acquisizione dei dati sulla temperatura); l’impiego della visione con intelligenza artificiale per identificare i difetti del prodotto; la previsione della qualità per ridurre la necessità di rilavorazioni e collaudi finali; l’analisi dei filmati del confezionamento finale.
Utilizzando le telecamere sulla catena di montaggio, la soluzione intelligente rileva immediatamente le anomalie, aiutando i produttori a velocizzare e automatizzare i loro processi di assicurazione della qualità.
Applicazioni in ambito banking
Importanti applicazioni del machine learning in ambito bancario si possono avere nella valutazione del processo di erogazione del credito.
Ad oggi si sfruttano già i modelli di machine learning per creare delle analitiche avanzate, per esempio per calcolare la classe di rischio di credito di un soggetto. La sfida è quella di spiegare il procedimento con cui è stata definita la classe. Come anticipato il tema dell’explainability entra in gioco in modo preponderante: è necessario rendere più decifrabili le regole di questi algoritmi avanzati.
La parte visuale è un empowerement, permette non solo di fare un elenco delle regole dedotte dall’interpretazione dell’algoritmo, ma le stesse vengono visualizzate in modo più efficace a livello grafico.
Le tecnologie di machine learning possono essere utilizzate dalle società di soluzioni informatiche per creare strumenti al fine di aumentare la solidità del processo di monitoraggio delle transazioni o il rilevamento di attività finanziarie insolite.
Questi sistemi sono progettati per segnalare transazioni potenzialmente sospette e produrre avvisi in base a soglie stabilite. L’analisi degli avvisi può richiedere molto tempo: i falsi positivi, che probabilmente rappresentano la sfida maggiore, devono essere identificati e rimossi il più rapidamente possibile.
Il machine learning può garantire l’apprendimento dai cicli precedenti e l’identificazione dei falsi positivi prima che venga generato un avviso.
Ridurre i costi per i team di compliance e di monitoraggio delle transazioni, aumentando al contempo la solidità della sorveglianza e della reportistica, sono quindi obiettivi chiari per qualsiasi organizzazione; che possono essere raggiunti aumentando l’intelligenza della soluzione tecnica e semplificando al contempo i processi e i dati.
Applicazioni in ambito retail
Il mondo retail ha una peculiarità: è stato uno dei primi settori a sfruttare l’analisi dei dati per creare valore, soprattutto per conoscere in modo più approfondito il cliente. Le applicazioni più diffuse sono nell’ambito del customer 360: il machine learning permette, con la creazione di algoritmi che analizzano i dati, una migliore conoscenza delle specificità dei consumatori, la creazione di sistemi di raccomandazione più efficienti per offrire consigli personalizzati e la creazione di campagne di marketing ad hoc con una migliore segmentazione della clientela, grazie ad algoritmi di clustering e classificazione avanzati.
