Nel precedente post abbiamo visto la dedizione dell’Intelligent Business Agility Architecture (IBAA) e descritto il motore di analisi.
IBAA
In questo nuovo appuntamento andiamo ad esplorarne gli altri elementi costituenti, partendo dal Motore di Analisi (analytics engine), il cui scopo è quello di andare ad interrogare il data lake alla ricerca dei dati più significativi in relazione allo specifico obiettivo. Si avvale di tre componenti primari:
- Filter, che ha lo scopo di filtrare l’enorme quantità di dati disponibili, identificando quelli più attinenti all’obiettivo ricercato da chi sta utilizzando il sistema.
- Cleaning,i dati selezionati vengono puliti e resi consistenti per un uso aggregato.
- Dataset Creation, vengono creati gli aggregati che verranno utilizzati dal motore di apprendimento.
- In particolare, nella creazione dei dataset si tiene conto del tipo di utilizzo a cui saranno destinati, andando a strutturarli in funzione delle quattro tipologie di analisi più comuni:
- Analisi Descrittiva, che permette di rispondere alla domanda “cosa è successo?”. In pratica viene creato un riepilogo dei dati storici in ragione di ulteriori analisi.
- Analisi Diagnostica, che permette di rispondere alla domanda “perché è successo?”. L’obiettivo è quello di tentare di comprendere le cause deli eventi e dei comportamenti.
- Analisi Predittiva, che permette di rispondere alla domanda “cosa potrebbe accadere in futuro?”. In questo caso si va alla ricerca di relazioni significative tra le variabili e la rappresentazione di esse nei modelli disponibili.
- Analisi Prescrittiva, che permette di rispondere alla domanda “come dovremmo rispondere a potenziali eventi futuri?”. L’obiettivo è quello di supportare il processo decisionale mettendo l’azienda nella migliore condizione operativa.
Continuando, incontriamo il Motore di Apprendimento (learning engine) che si occupa di produrre una serie di opzioni potenziali da suggerire come risposta ai quesiti. Sfrutta algoritmi e tecnologie annesse al Machine Learning e Deep Learning per le proprie attività di apprendimento e deduzione, in particolare guardando alle più moderne tecniche di NLP, come: word2vec, paragraph2vec, Long Short-Term Memory (utilizzato in Google Translate) o le Convolutional Neural Networks (utilizzato nel motore DeepText di Facebook).
Questo motore è, inoltre, dotato del modulo di Similarity Check, che effettua azioni di comparazione con gli scenari noti che presentano un alto gradi di similitudine con quello in esame. L’obiettivo è di fornire delle ipotesi just-in-time che fanno leva su quelle che sono le “esperienze” immediatamente identificabili e comparabili.
Elemento successivo è il Motore Strategico (strategic engine), responsabile del raffinamento delle deduzioni effettuate dal motore di apprendimento. Ciò avviene operando una comparazione tra le opzioni individuate e i modelli di dominio afferenti.
La sua azione parte dalle opzioni generate dal motore di apprendimento, con una correlazione forte rispetto alle informazioni rese disponibili al motore di ottimizzazione. La conoscenza dedotta diventa, a sua volta, parte del patrimonio informativo del sistema stesso, e quindi disponibile per le future interrogazioni e per il miglioramento complessivo delle capacità di analisi e predizione complessive.
Il motore si avvale di due componenti primari:
- Domain match, che si occupa di calcolare l’insieme ottimale delle opzioni più attinenti allo specifico dominio in relazione ad una soglia minima di valutazione.
- Funnel, che effettua una classificazione delle opzioni candidate andando ad individuare la Gold Option, ovvero l’opzione che più di altre risponde alla domanda posta.
Il motore strategico è istruito per rispondere, in modo particolare rispetto a quattro aspetti strategici: strategy, refinement, planning e monitoring.
Il successivo componente è il Motore di Ottimizzazione (optimization engine) che si occupa di gestire le dinamiche caratterizzanti il contesto in analisi e gli specifici domini di afferenza. Si tratta di un aspetto cruciale se si considera come le possibili risposte, per smettere di essere “generiche” ed avere una reale risonanza operativa, debbano essere sempre in sintonia con il contesto specifico.
Questo motore si avvale di due componenti:
- Domains, che si occupa di gestire e fornire le informazioni inerenti ai diversi domini significativi per l’organizzazione.
- Models, che si occupa di modellare i domini in relazione all’interesse specifico, andando a restringere il campo di analisi (models boundary) e permettendo di diminuire il numero di opzioni che effettivamente sono significative da un punto di vista informativo.
I modelli sono persistiti nel data lake e aggiornati ogni qual volta il contesto evolve in modo significativo.
Infine incontriamo il Motore di Interazione (interaction engine) che si occupa di gestire il “dialogo” tra l’utente e il sistema di intelligenza artificiale, individuando la forma più opportuna per permettere all’utente di effettuare le proprie richieste nel modo più naturale possibile e ricevere, in modo altrettanto naturale, l’opzione (o le opzioni) individuate. Come visto, una delle forme di interazione più comune è quella degli assistenti digitali (chatbot in particolare) che permettono di porre domande in linguaggio naturale e ricevere risposte in modo altrettanto fluido.
Stay tuned
