Machine Learning: 5 domande (e risposte) per adottarlo nelle PMI

0
Apr 16, 2024/ 0 Comments / in Digital marketing, Innovazione / by
Machine Learning: 5 domande (e risposte) per adottarlo nelle PMI

Dopo l’articolo dedicato all’evoluzione dei motori di ricerca e a quello su come si trasforma la SEO, nella terza puntata di questa serie di articoli dedicati all’applicazione dell’Intelligenza Artificiale per migliorare i processi e la competitività delle PMI, parliamo di Machine Learning e di come applicarlo alla trasformazione digitale e al miglioramento delle prestazioni di business.

Nella sfera aziendale, l’Intelligenza Artificiale è destinata ad avere un impatto trasformativo paragonabile a quello di tecnologie come l’elettricità o il motore a combustione interna.

Così come queste aprirono la possibilità di realizzare altre innovazioni, l’IA darà vita a una serie di altre applicazioni che trasformeranno processi e modelli di business nell’industria manifatturiera, nel commercio, nei trasporti, nella finanza, nell’assistenza sanitaria e, praticamente, in ogni altro settore.


Intelligenza Artificiale e PMI: quali benefici può portare?

Secondo McKinsey, l’intelligenza artificiale generativa generà tra 2,6 e 4,4 trilioni (o miliardi di miliardi) di dollari in valore annuo a livello globale e l’impatto economico dell’AI crescerà, complessivamente, dal 15 al 40%. Goldman Sachs prevede un aumento del PIL globale del 7%, pari a quasi 7 trilioni di dollari e che, negli USA, oltre due terzi dei posti di lavoro saranno influenzati in qualche misura dall’automazione basata sull’intelligenza artificiale.

Un valore enorme, che può essere accessibile anche per le PMI, garantendo un’ottimizzazione dei processi e aprendo nuove opportunità di business.

Vediamo come:

  • L’intelligenza artificiale generativa e i modelli linguistici come Chat GPT  stanno democratizzando l’accesso all’AI, rendendone possibile l’utilizzo a tutte le aziende e a tutti i dipartimenti. Il potenziale dell’intelligenza artificiale sta rapidamente transitando dalla fase pilota, legata a progetti e “isole di eccellenza” a una capacità che può essere integrata nel tessuto organizzativo e nei flussi di lavoro. Questo non significa che sia già ampiamente adottata, soprattutto dalle PMI, molte delle quali sono ancora impegnate nella transizione 4.0, ma che sta diventando uno strumento potente e flessibile, in grado di apportare numerosi benefici.

  • Una miniera di dati non strutturati è ora leggibile e permette di sbloccare un grande valore aziendale. L’Intelligenza Artificiale, abbinata al Machine Learning, è oggi in grado di raccogliere, valutare e analizzare set di dati eterogenei per ottimizzare processi, individuare anomalie, evidenziare modalità comportamentali, consentendo ampie opportunità di ottimizzazione e crescita.

  • Le applicazioni dell’Intelligenza Artificiale Generativa sono estremamente diversificate e coprono approcci strategici e operativi che spaziano dal marketing al commerciale, dal servizio clienti alla supply chain. Nell’immagine qui sotto trovate un riassunto, redatto dal Massachussetts Institute of Technology, sulle principali applicazioni aziendali dell’AI Generativa.

A quali attività aziendali si può applicare l'Intelligenza Artificiale. La visione del MIT












• L’Intelligenza Artificiale si interseca con la digitalizzazione e la Transizione 4.0, soprattutto quando si parla della creazione di un’infrastruttura di dati che sia flessibile, scalabile ed efficiente. Per esempio, raccogliere tutti i dati di funzionamento delle macchine di produzione interconnesse in un data lake, può migliorare l’accesso, semplificare i processi di analisi e aumentare la sicurezza.

• L’utilizzo dell’Intelliogenza Artificiale Generativa può comportare rischi che vanno dalla protezione della proprietà intellettuale commercialmente sensibile alla violazione del copyright, da risultati inaffidabili fino a veri e propri contenuti tossici. Occorre esserne consapevoli e dotarsi di una propria governance, che definisca modalità di utilizzo e processi di controllo all’interno delle aziende.


Le applicazioni del Machine Learning: a che punto siamo?

Prima di procedere, serve forse fare qualche distinzione semantica tra termini che, a volte, vengono utilizzati in modo interscambiabile:

Con Intelligenza Artificiale (AI o IA) si intende lo sviluppo di sistemi informatici in grado di simulare compiti svolti dall’intelligenza umana – come la percezione visiva, il riconoscimento vocale, il processo decisionale e la traduzione tra lingue – attraverso l’ottimizzazione di funzioni matematiche.

Il Machine learning (ML), o apprendimento automatico, è un sottoinsieme dell’intelligenza artificiale in cui gli algoritmi vengono addestrati su set di dati per diventare modelli di apprendimento automatico in grado di eseguire compiti specifici. Attraverso il ML, la macchina continua a migliorare le proprie prestazioni senza che sia necessario un costante intervento umano.

Il Deep Learning, o apprendimento profondo, è un sottoinsieme del Machine Learning, in cui le reti neurali artificiali che imitano il cervello umano vengono utilizzate per eseguire attività di ragionamento più complesse senza l’intervento umano.

Il Natural Language Processing (NLP) rappresenta l’unione di informatica, intelligenza artificiale, linguistica e ML, per creare software in grado di interpretare la comunicazione umana attraverso l’elaborazione del linguaggio naturale .

Concentriamoci ora sul Machine Learning e l’NLP e vediamo come si possono applicare alla gestione aziendale e quali vantaggi possono portare.

Le due principali aree di sviluppo sono attualmente la percezione e la cognizione.

Nella prima categoria, i progressi più rilevanti sono stati compiuti nel riconoscimento vocale e nel riconoscimento delle immagini.  Quando parliamo con Alexa, Siri o con Google Assistant diamo abbastanza per scontato che siano in grado di comprenderci correttamente.  Certo, il riconoscimento vocale è ancora lungi dall’essere perfetto, ma, dal 2016 a oggi, il tasso di errore è sceso dall’8,5% al 4,9% e la dettatura trascrive a una velocità tre volte superiore alla digitazione sul cellulare.

Anche il riconoscimento delle immagini ha compiuto passi da gigante. La guida autonoma diventa sempre più vicina alla realtà. Fino a pochi anni fa, i sistemi di visione commettevano un errore nell’identificare un pedone anche una volta ogni 30 fotogrammi, ovvero una volta al secondo, mentre ora sbagliano meno di una volta su 30 milioni di fotogrammi, cioè una volta ogni 11,5 giorni. Facebook è in grado, da tempo, di riconoscere i volti dei tuoi amici e ti chiede di taggarli. Allo stesso modo il riconoscimento facciale è sempre più usato per accedere al computer o in azienda. La velocità del miglioramento è accelerata rapidamente negli ultimi anni con l’adozione di un nuovo approccio, basato su reti neurali molto grandi.

Il secondo tipo di miglioramento importante ha riguardato l’area cognitiva e della risoluzione dei problemi. Le applicazioni in cui i computer hanno ormai superato gli umani sono moltissime, e vanno dal gaming (poker) all’efficientamento dei sistemi di raffreddamento dei data center (quelli di Google sono stati migliorati del 15% dal Machine Learning dopo essere stati ottimizzati dagli ingegneri), dalla sicurezza informatica (per rilevare malware) a quella finanziaria (PayPal lo usa per monitorare il riciclaggio di denaro). Nella finanza, il ML è un compagno fidato degli analisti che decidono operazioni in Borsa; Spotify, invece, affina la playlist musicale sui vostri gusti, come Netflix lo f per i film o le serie; Amazon ottimizza l’inventario e migliora i consigli sui prodotti simili; Nike offre esperienze di shopping personalizzate e Airbnb ottimizza la proposta di alloggi sui gusti della persona. Google prevede la probabilità che un utente faccia clic su un annuncio per migliorare il posizionamento delle pubblicità e, grazie a questo sistema, ha triplicato il ROI pubblicitario dell’investitore. E la lista potrebbe continuare.

I sistemi di apprendimento automatico non solo stanno sostituendo i vecchi algoritmi in molte applicazioni, ma sono ora superiori in molti compiti che un tempo venivano svolti meglio dagli esseri umani.

Il tasso di errore delle applicazioni basate sul machine learning, circa il 5% per le immagini e la voce, è ormai pari o migliore di quello umano.

Una volta raggiunta la parità con le prestazioni umane in un determinato compito, è molto più probabile che i sistemi basati sull’Intelligenza Artificiale si diffondano rapidamente. Ma non sono solo le grandi aziende a sviluppare applicazioni di Machine Learning. Sono già numerosi i casi di startup o piccole e medie imprese che utilizzano sistemi di visione: chi automatizza gran parte del lavoro delle guardie di sicurezza attraverso droni o robot, o chi li usa per riconoscere emozioni come gioia, sorpresa e rabbia nei focus group o, ancora, per scansionare immagini mediche per aiutare a diagnosticare il cancro.

Si tratta di risultati impressionanti, ma i campi di applicazione dei sistemi basati sull’intelligenza artificiale sono ancora abbastanza limitati.

Ciò che occorre comprendere è che il Machine Learning può raggiungere prestazioni molto elevate ma su compiti estremamente specifici. In altre parole, la sua conoscenza non è generalizzabile.

L’aspetto fondamentale del Machine Learning è che rappresenta un approccio fondamentalmente diverso alla creazione di software: anziché essere programmata in modo rigido per svolgere un determinato compito, la macchina impara dagli esempi. Si tratta di una svolta importante rispetto alla pratica precedente, che permette di superare uno dei limiti principali del trasferimento della conoscenza da uomini a macchine, ovvero il fatto che gran parte delle cose che sappiamo sono tacite, cioé non possiamo spiegarle completamente. Basti pensare al riconoscimento del volto degli amici.

Il Machine Learning sta superando questi limiti, noti come il Paradosso di Polanyi. In questa nuova ondata di innovazione tecnologica, le macchine costruite dagli esseri umani imparano da esempi e costruiscono una propria mappa della conoscenza in modo simile a quello umano, senza la necessità di codifiche.

Il Machine Learning è a portata delle PMI?

L’approccio alle nuove tecnologie può generare timori, soprattutto in organizzazioni di dimensioni più ridotte, come le PMI, in cui, spesso, le competenze non sono eccessivamente differenziate o stratificate. Ci sono, tuttavia, alcune buone notizie che possono aiutare queste organizzazioni a sfruttare il potenziale del Machine Learning.

Forse l’aspetto più importante è che gli algoritmi e l’hardware necessari per l’intelligenza artificiale moderna possono essere acquistati o noleggiati sulla base delle necessità. Grandi player come Google, Amazon, Microsoft rendono disponibile una potente infrastruttura ML tramite il cloud. Altri player incorporano in misura crescente AI e ML all’interno dei propri prodotti commerciali, come il CRM Hubspot o applicativi SAP o Zucchetti per la gestione della logistica o quelli Oracle per il retail. L’adozione di questi sistemi passa quindi per rivenditori o system integrator in grado di personalizzare le soluzioni sulle esigenze dell’azienda.

Il secondo aspetto è che, per fare un uso produttivo del machine learning, potrebbe non essere necessario disporre  di così tanti dati. Se è vero che le prestazioni della maggior parte dei sistemi di machine learning migliorano all’aumentare della mole di dati con cui lavorare, occorre anche porre questa mole nel contesto corretto. Se l’obiettivo è quello di dominare un mercato globale, sicuramente la quantità di dati necessari è enorme, ma se si vuole ottenere un miglioramento significativo delle prestazioni, allora è spesso sorprendentemente facile ottenere dati sufficienti.

Il terzo aspetto è legato alle competenze. Se persiste la carenza di data scientist e di esperti di machine learning, non è sempre necessario avere queste risorse in azienda, ma possono essere acquistate da fornitori esterni.

Un aspetto chiave da tenere presente, è che i sistemi di apprendimento automatico non sostituiscono quasi mai le attività umane. Più spesso integrano processi o modelli di business rendendoli più efficienti. Per esempio, se un processo richiede 10 passaggi, uno o due di essi potrebbero essere automatizzati liberando esseri umani da una parte del carico di lavoro. Questo approccio è solitamente molto più fattibile rispetto al tentativo di progettare macchine in grado di fare tutto ciò che può fare l’uomo. Spesso porta a un lavoro migliore e più soddisfacente per le persone coinvolte e, in definitiva, a un risultato migliore per i clienti.

È ancora molto difficile che l’Intelligenza Artificiale rimpiazzi integralmente gli umani. Tuttavia gli umani che collaborano con l’AI rimpiazzeranno gli umani che non fanno uso dell’AI.

Questo è tanto più vero se pensiamo che progettare e implementare nuove combinazioni di tecnologie, competenze umane, capitali e processi per soddisfare le esigenze dei clienti, richiede un grande apporto di creatività e pianificazione e questi sono compiti in cui le macchine non sono molto brave. Essere un imprenditore o un manager aziendale continuerà a restare uno dei lavori più gratificanti della società anche nell’era del machine learning.


Quali sono i campi di applicazione del Machine Learning?

I settori di applicazione sono vasti e coinvolgono praticamente ogni ambito in cui sia necessario analizzare grandi quantità di dati per ricavare informazioni analitiche o predittive.

Profilazione dei clienti

La potenza e la flessibilità di analisi del Machine Learning permette di applicare algoritmi di clustering e classificazione per suddividere i clienti in gruppi in base a caratteristiche, abitudini, interazioni. Diventa possibile valutare diverse dimensioni socio demografiche – come sesso, età, professione, status familiare, ecc. – e non solo, come il comportamento di navigazione, interessi come hobby o viaggi, affinità di consumo. Queste caratteristiche possono essere collegate ai comportamenti di acquisto per costruire campagne di marketing personalizzate che portano a ritorni più elevati in termini di conversioni in acquisto.


Motori di raccomandazione

Ampiamente utilizzati da provider come Netflix o Amazon per proporre prodotti in linea con i gusti dei consumatori, i motori di raccomandazione utilizzano algoritmi di Machine Learning per analizzare e comparare grandi quantità di dati e predire la probabilità di acquisto di un determinato articolo da parte di un cliente. L’esperienza viene, così, personalizzata con proposte più in linea con i gusti di ogni utente per migliorare il coinvolgimento e aumentare la conversione di acquisto.

Non è però necessario essere una multinazionale per utilizzarli. Applicarli all’eCommerce di una PMI, anche B2B, può migliorare di molto le prestazioni di cross-selling e up-selling e offrire una migliore Customer Experience.


Riduzione del tasso di abbandono dei clienti

Prima di cambiare un fornitore di servizi – che sia una banca, un’assicurazione o il provider telefonico – o un prodotto i clienti adottano spesso comportamenti molto simili, come la richiesta di preventivi o la visita di altri siti. Il Machine Learning aiuta a modellare questi comportamenti per identificare i clienti che probabilmente smetteranno di interagire con loro e i motivi dell’abbandono. Per esempio, può creare punteggi relativi al rischio di disdetta dei singoli clienti o classificare i fattori principali di abbandono, permettendo di sviluppare strategie di retention più efficaci. Grazie a queste informazioni è possibile ottimizzare le offerte di sconto o creare campagne e-mail e altre iniziative di marketing mirate per ridurre il tasso di abbandono.


Aumento del valore del ciclo di vita

Il ciclo di vita del cliente è alla base dei modelli di fidelizzazione. Costruire modelli per il calcolo del valore del ciclo di vita del cliente è particolarmente utile per prevedere le entrate future da un determinato cliente in un arco di tempo e sviluppare strategie di marketing idonee a migliorare l’interazione e le conversioni dei propri clienti. Non solo: possono anche aiutare a indirizzare gli investimenti di acquisizione di nuovi clienti verso quelli con profili simili ai clienti di alto valore.

Gli algoritmi di machine learning vengono quindi utilizzati per identificare, conoscere e fidelizzare i clienti più importanti attraverso l’analisi del valore degli acquisti, della frequenza e periodicità, delle motivazioni e altri indicatori. Sebbene questi algoritmi siano molto utilizzati nell’ambito dell’eCommerce, possono trovare applicazioni in tutti quei settori in cui vi possano essere acquisti ripetuti.


Analisi e interpretazione delle immagini

Una delle aree di maggior progresso del Machine Learning è quella dell’analisi delle immagini. I metodi di Deep learning come le reti neurali possono identificare in modo più efficace le caratteristiche più rilevanti, anche in presenza di potenziali interferenze, come la variazione dell’illuminazione o della visuale.

L’analisi delle immagini può essere utilizzata per il controllo qualità automatizzato di prodotti in uscita da una linea, oppure per monitorare intrusioni in un ambiente, o ancora per leggere esami diagnostici comparando i risultati con quelli di un enorme data base di casi, taggare foto o, ancora, trovare prodotti simili a quello che vorremmo riacquistare. Oggi, più che mai, un’immagine vale più di mille parole.


Sviluppo di analisi predittive

La possibilità di analizzare grandi quantità di dati e di correlarli agli esiti, fornisce al Machine Learning una straordinaria capacità predittiva. Un fattore che permette alle organizzazioni possono prendere decisioni più informate, basate su un’analisi più completa e approfondita di quanto possa fare un essere umano.

Un ambito di grande applicazione è la manutenzione predittiva. Attraverso l’analisi dei dati di funzionamento, è possibile anticipare malfunzionamenti e rotture e intervenire prima che si verifichino effetti più gravi. Non si tratta solo di ottenere risparmi sulla riparazione, ma anche di evitare fermi impianto o danni per consegne mancate o ritardate.

Questo approccio non solo ottimizza la produttività, ma aumenta le prestazioni dei macchinari, dei loro tempi di attività e della durata e può anche aumentare la sicurezza dei lavoratori. Riducendo i fermi di produzione, può avere impatti positivi anche sul controllo e la gestione dell’inventario e aiuta a prevedere in modo più accurato la necessità di parti di ricambio e riparazioni, riducendo in modo significativo i costi operativi e di capitale.

Sebbene l’Intelligenza Artificiale sembri molto diversa dall’Intelligenza Umana, sono in realtà complementari e, nel contesto delle organizzazioni, offrono ciascuna una gamma di talenti specifici. Gli esempi di applicazioni sopra elencati mostrano come sia la combinazione dei due talenti a creare il futuro del lavoro intelligente, consentendo alle organizzazioni di essere più efficienti e precise, ma allo stesso tempo anche creative e proattive. Diamo il benvenuto all’Intelligenza Aumentata.

Quali sono i rischi e limiti del Machine Learning?

Come per ogni tecnologia, anche il ricorso al Machine Learning comporta rischi. Vediamo quali sono e come limitarli.

Il primo dipende da pregiudizi nascosti che non derivano dall’algoritmo, ma dalla base dati su cui viene addestrato. Per esempio se si addestra un sistema per effettuare una preselezione di candidati utilizzando un database di report di selezionatori che hanno teso a escludere, per esempio, le donne incinta, il sistema lo interpreterà come un fattore da imitare, imparando, così, anche pregiudizi di genere o etnici. Anche una casistica troppo ristretta potrebbe portare il Machine Learning ad assegnare un’importanza eccessiva a fattori poco impattanti ma che presentano un’incidenza rilevante nel database modello.

I sistemi di apprendimento automatico hanno spesso una bassa interpretabilità, ovvero può essere difficile capire come i sistemi abbiano raggiunto le decisioni. Le reti neurali profonde possono avere centinaia di milioni di connessioni, ognuna delle quali contribuisce in piccola parte alla decisione finale. Di conseguenza, le previsioni di questi sistemi tendono a resistere a una spiegazione semplice e chiara.

A differenza dei sistemi tradizionali costruiti su regole logiche esplicite, i sistemi di reti neurali si occupano di verità statistiche e ciò può rendere difficile, se non impossibile, dimostrare con assoluta certezza che il sistema funzionerà in tutti i casi, soprattutto in situazioni che non erano rappresentate nei dati di addestramento. La mancanza di verificabilità può essere un problema nelle applicazioni mission-critical, come il controllo di una centrale nucleare, o quando sono coinvolte decisioni di vita o di morte.

Infine, quando il sistema di Machine Learning commette errori, fatto statisticamente possibile, diagnosticare e correggere esattamente ciò che non va può essere difficile. La struttura sottostante che ha portato alla soluzione può essere inimmaginabilmente complessa e la soluzione potrebbe essere lontana dall’essere ottimale se cambiano le condizioni in cui il sistema è stato addestrato.

Questi rischi sono indubbiamente molto reali. Significa allora che il Machine Learning può essere troppo rischioso per essere adottato su larga scala nelle aziende? In realtà, come avviene per gli essere umani che commettono errori, hanno pregiudizi e possono non riuscire a spiegare razionalmente decisioni dettate dall’istinto o dall’esperienza, la chiave di lettura non è la ricerca della perfezione, ma della migliore alternativa possibile.

Il vantaggio dei sistemi basati su macchine è che possono essere migliorati nel tempo e forniranno risposte coerenti se presentati con gli stessi dati. Inoltre non sono sottoposti a stress, non si stancano e la loro efficienza resta costante appena accesi come dopo giorni di funzionamento continuo.

Per l’intelligenza Artificiale si potrebbe parafrasare quello che Picasso diceva dei computer:
“Sono inutili. Possono solo darti risposte”

L’intelligenza Artificiale, come i computer è ben lungi dall’essere inutile, ma è progettata per rispondere alle domande, non per porle. L’apporto di imprenditori, innovatori, scienziati, creatori e altri tipi di persone che basano la propria attività sull’affrontare campi inesplorati e individuare quali nuove opportunità affrontare successivamente continueranno ad essere essenziali.












Leave a Reply

Your email address will not be published. Required fields are marked *