Cloud AI e ML as a Service: i vantaggi di un’infrastruttura scalabile
20 ottobre 2018
FacebookTwitterLinkedIn

Cloud AI e Machine Learning as a Service: tutti i vantaggi di un’infrastruttura scalabile

Annalisa Casali

Cloud AI, Intelligenza Artificiale, Machine Learning e Deep Learning: dal supporto alle funzioni marketing e HR allo sviluppo prodotti. Il valore dell’infrastruttura abilitante.

 

AI e Machine Learning. Cosa sono e perché sono così importanti per il business? Si tratta di tecnologie che rendono macchinari e computer capaci di imparare ed evolvere sulla base dell’esperienza, alla stregua di quanto fanno gli uomini. Le due definizioni spesso sono utilizzate (impropriamente) come sinonimi. In realtà, si parla di intelligenza artificiale quando una macchina o un software simulano funzioni cognitive proprie dell’essere umano. L’auto apprendimento, invece, fa riferimento all’insieme di algoritmi e modelli di analisi che permette ai computer di imparare dai dati e migliorare la propria capacità di rispondere a bisogni o eseguire compiti attraverso l’esperienza. Una distinzione ulteriore è, poi, quella del Deep Learning, in cui l’uso di algoritmi statistici all’interno di reti di computer permette di migliorare la capacità delle macchine di “comprendere” la lingua parlata o le immagini.

 

Le principali applicazioni di AI, Machine e Deep Learning

Intelligenza artificiale e auto apprendimento sono destinati a impattare in modo deciso sul business nel prossimo quinquennio, come dimostra una ricerca recente (“Reshaping Business With Artificial Intelligence”) realizzata su un campione mondiale di 3mila business executive da The Boston Consulting Group e MITSloan Management Review. Al momento, solo il 14% degli interpellati ritiene che queste tecnologie avranno un impatto più o meno significativo sul proprio business. Percentuale che sale in modo sensibile se si amplia l’orizzonte temporale al prossimo quinquennio: per il 63% degli intervistati, infatti, AI e Machine Learning avranno un impatto grande o grandissimo sull’offerta di prodotti e servizi, in particolare nei comparti tecnologia, TLC e media, servizi finanziari, servizi professionali, sanità, manifatturiero e utility. Le proiezioni di IDC, poi, ci dicono che già entro la fine del prossimo anno il 40% delle iniziative di trasformazione digitale impiegherà i servizi AI e che entro il 2021 il 75% delle App enterprise incorporerà l’intelligenza artificiale.

 

AI e Machine Learning nella produzione

L’apprendimento automatico è spesso integrato alle tecnologie IoT (Internet of Things) nell’ambito delle strategie di Industria 4.0. Gli algoritmi di auto apprendimento permettono di far tesoro dei dati provenienti dai sensori posizionati lungo la linea di produzione per incrementare la resa dei processi industriali e ridurre gli scarti. Altro fronte di applicazione è quello che riguarda la manutenzione predittiva: l’integrazione dei database di Machine Learning con gli algoritmi di AI (specie se fruiti in Cloud, quella che ormai si chiama comunemente Cloud AI) nelle piattaforme di Cloud Manufacturing sta diventando sempre più pervasiva. La possibilità di prevedere, sulla base dell’andamento della produzione, quando si dovrà intervenire per sostituire un pezzo soggetto a usura o cambiare un componente permette di ridurre al minimo i fermi non pianificati e aumentare l’efficienza complessiva degli impianti (OEE, Overall Equipment Effectiveness).

 

Bot e chatbot per migliorare il customer care

Il cliente digitale, sempre connesso, richiede risposte in tempo reale. Nessun servizio di assistenza gestito attraverso metodi tradizionali – personale di contatto, e-mail – permette di soddisfare queste esigenze in modo puntuale. Oggi, però, è possibile attivare strategie di customer service automation che fanno perno sui bot. Queste applicazioni integrano algoritmi di intelligenza artificiale e autoapprendimento con tecnologie di elaborazione del linguaggio naturale (NPL) e, nel caso dei chatbot, con le applicazioni di instant messaging. Permettono di interagire con il cliente dandogli la sensazione di parlare con un operatore vero, non con un robot. Questi moderni concierge scansionano e rielaborano tutto lo storico delle azioni compiute dall’interlocutore in passato – cosa ha acquistato, come ha pagato, quali servizi ha utilizzato – e gli offrono risposte immediate e personalizzate. Se correttamente integrati con il CRM, poi, i bot sono in grado anche di suggerire l’acquisto di prodotti o la sottoscrizione di servizi aggiuntivi come assistenza post-vendita e assicurazione. Anche in questo caso, è il Cloud AI (soluzioni e servizi di intelligenza artificiale fruiti in Cloud) a dare una forte impulso di accelerazione all’adozione tecnologica.

 

Autoapprendimento a sostegno delle attività di marketing

Le tecnologie basate sull’AI sono già ampiamente utilizzate all’interno dei sistemi di recommendation, i suggerimenti del tipo “chi ha acquistato questo ha acquistato anche…” forniti a chiunque ricerchi informazioni su un prodotto, un servizio, una meta turistica su Internet. Ma l’aspetto forse più promettente di queste tecnologie è quello legato alla cosiddetta “vista unica” del cliente, utile per migliorare l’engagement e la fidelizzazione. Quello che si profila all’orizzonte è un nuovo CRM multistrutturato, che fa leva sulle analitiche avanzate e gli insight per rendere più efficaci le strategie di cross e upselling, migliorare la retention (abbattendo, quindi, il famigerato churn rate, il tasso di abbandono), gestire in modo più oculato la fedeltà al brand e ottimizzare le campagne di marketing.

 

Un aiuto concreto per le HR

Le funzionalità di “intelligenza” trovano applicazioni concrete e utili nelle attività di matchmaking e gestione dei talenti. L’AI semplifica la vita dei selezionatori: permette, infatti, di scansionare grosse quantità di curriculum e incrociare i dati in essi contenuti con le caratteristiche del candidato ideale. Compiti ripetitivi e time-consuming potranno, quindi, essere delegati a un software e il team delle risorse umane potrà dedicarsi ad attività a maggior valore aggiunto. Anche i primi colloqui conoscitivi potranno essere sostenuti da chatbot reclutatori appositamente programmati. Nelle grandi aziende, poi, questi nuovi approcci tecnologici permettono di attuare una gestione più efficiente dei talenti. Gli algoritmi di AI sapranno anticipare gli organigrammi ideali per gli anni a venire. L’azienda sarà, così, in grado, di pianificare in modo più accurato i percorsi di carriera, quelli di formazione e acquisizione di nuovi talenti cautelandosi contro il rischio di skill shortage.

 

Anche la supply chain è più efficiente

L’applicazione degli algoritmi di intelligenza artificiale ai dati provenienti dalla produzione, dalle vendite, dagli acquisti e dal magazzino e la loro integrazione con quelli macroeconomici relativi per esempio all’andamento del costo delle materie prime sui mercati internazionali permettono all’azienda di migliorare la gestione della catena della fornitura. Sarà possibile, quindi, prevedere sempre la quantità ottimale di giacenze, quella che permette di minimizzare il capitale investito nelle scorte di magazzino, utile a supportare la produzione in modo efficiente e, soprattutto, economico.

 

Deep Learning e robot advisor per banche e assicurazioni

L’intelligenza analitica è utilizzata anche dalle istituzioni finanziarie per ridurre il rischio di credito. In questo caso il modello più diffuso è quello del Deep Learning, che permette di unificare tutti i possibili fronti di esposizione al rischio di inadempienza (mutui, prestiti al consumo…) di uno stesso cliente. Le analisi predittive permetteranno alla banca di avviare tutte le possibili azioni di recupero. La stessa ottica di contenimento dei rischi è quella che spinge anche molte assicurazioni a implementare strumenti di AI che permettono di personalizzare le polizze sulla base del possibile stile di vita futuro del titolare. Altri interessanti ambiti applicativi sono i robot advisor, consulenti finanziari sotto forma di software intelligenti che propongono portafogli di investimento ottimizzati. Di fatto applicano algoritmi di AI agli indici di andamento dei mercati finanziari, per suggerire il mix di investimenti ideale in relazione al rapporto tra rendimento atteso e rischio.

 

Intelligenza artificiale per migliorare la qualità dei prodotti

Le attività di sviluppo potranno essere indirizzate nell’ottica di migliorare l’usabilità, l’intuitività, il design e le funzionalità tecniche di un prodotto o di un macchinario complesso grazie all’AI. I cicli di go-to-market sono sempre più accelerati ed è fondamentale, quindi, abbandonare il tradizionale approccio sequenziale per abbracciare un modello di sviluppo più fluido. Le funzionalità sviluppate potranno essere riviste in modo dinamico e istantaneo sulla base dei problemi di sicurezza o delle difficoltà d’uso ipotizzate dai modelli di AI, senza dover attendere l’esito di test o prove pratiche.

 

Qual è l’infrastruttura ideale per l’AI?

Le costrizioni e i vincoli infrastrutturali sono in cima alle preoccupazioni dei CIO che stanno valutando un progetto di AI. Lo dimostrano le evidenze della ricerca “State of Artificial Intelligence for Enterprises” condotta lo scorso anno da Vanson Bourne su un campione di 260 decisori IT di grandi e grandissime aziende globali. L’80% degli intervistati ha già implementato l’AI e il 30% intende aumentare gli investimenti in queste tecnologie nei prossimi 3 anni. Tuttavia, per ben 4 aziende su 10 l’infrastruttura inadeguata rappresenta il principale ostacolo ai progetti di intelligenza artificiale. A seguire (34%), la difficoltà di reperire i giusti talenti (leggasi data scientist), l’immaturità delle tecnologie (33%) e le limitazioni di budget (30%).

AI e machine learning non esisterebbero senza il Cloud. L’accesso a questi servizi unito alla disponibilità di risorse di calcolo e memorizzazione scalabili abilita modelli di business più intelligenti e innovativi. L’infrastruttura abilitante è una componente essenziale, uno dei pilastri fondamentali di una strategia inclusiva dell’AI. A tendere, l’obiettivo per tutti è di garantire che queste capacità siano supportate in tempo reale. Obiettivo impossibile da raggiungere senza il Cloud.

 

Più valore per i data scientist

Piattaforme di Cloud machine learning (come Oracle Machine Learning) e servizi di Cloud AI (come Oracle AI Platform Cloud Services) mettono a disposizione dell’azienda, e in particolare dei suoi data scientist, potenti ambienti di simulazione, intelligenza artificiale e autoapprendimento nella nuvola utilizzabili a consumo, grazie a modelli di offerta pay-per-use. I data scientist hanno a disposizione strumenti pre-configurati e già testati di machine learning, oltre ai più comuni framework e librerie utili per sperimentare gli algoritmi di intelligenza artificiale da applicare alle fonti dati aziendali per creare applicazioni che poggiano sul PaaS di Oracle.

Fondamentale nello sviluppo di questi progetti, è la consulenza di un partner fidato, che permetta all’azienda di mettere a terra da subito i benefici di AI e machine learning. Red Reply è la società del gruppo Reply specializzata in consulenza e servizi di design, implementazione e gestione di soluzioni basate su Oracle IaaS (Infrastructure as a Service) e PaaS (Platform as a Service). I clienti di Red Reply e Oracle Cloud possono contare sulla potenza di fuoco di centinaia o migliaia di CPU disponibili in pochi minuti per creare ambienti di simulazione e auto apprendimento sostenuti da un’infrastruttura performante e sicura.

 

FacebookTwitterLinkedIn
FacebookTwitterLinkedIn

Questo sito 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

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi