Dopo aver affrontato nei precedenti articoli la Business Agility e le sfide annesse, proviamo ora a proiettarci verso una nuova frontiera: l’utilizzo dell’intelligenza artificiale al servizio dei processi organizzativi.
La spinta al rinnovamento dei modelli organizzativi, come visto fondamentale per un approccio efficace al mercato, può sfruttare “intelligentemente” le innovazioni nell’ambito dell’intelligenza artificiale per un ulteriore boost implementativo. Il tutto passa attraverso una intensa automazione dei processi (ed attività), particolarmente efficace in tutti gli ambiti in cui le decisioni sono strettamente legate ai dati posseduti.
La tendenza, anche secondo uno studio del MIT Sloan Management Review (in collaborazione con The Boston Consulting Group), è quella della cooperazione tra uomo e macchina, valorizzando la capacità di quest’ultima di raccogliere ed analizzare grandi quantità di dati al fine di fornire “consigli” e “suggerimenti” sia operativi che strategici.
I principali vantaggi ottenibili da questo sodalizio riguardano: miglior posizionamento dell’impresa nel mercato, sviluppo di strategie di marketing personalizzate, valorizzazione della clientela, fidelizzazione, riduzione dei costi e valorizzazione dei dipendenti. Il livello dei risultati raggiungibili dipende dalla capacità dell’organizzazione di innovare e rinnovarsi, nonché dalla qualità dei dati posseduti.
Prima di addentrarci in questo mondo, è utile faro un breve approfondimento su cos’è l’intelligenza artificiale, senza voler entrare troppo nei dettagli tecnici o filosofici che siano, dividendola in:
- Intelligenza Artificiale Debole,che identifica quei sistemi in grado di simulare alcune funzionalità cognitive dell’uomo senza però raggiungere le reali capacità intellettuali tipiche di quest’ultimo.
- Intelligenza Artificiale Forte, che si riferisce ai cosiddetti “sistemi senzienti”, ovvero in grado di sviluppare una vera e propria intelligenza senza emulare processi di pensiero o capacità cognitive simili all’uomo.
Genericamente, si tende a parlare di Machine Learning quando si va ad affrontare la tematica di come far apprendere le macchine in relazione all’esecuzione di compiti, grazie ad una serie di algoritmi in grado di costruire modelli previsionali e ridurre il peso degli errori in conclusione di ogni processo d’apprendimento.
Relazione tra Intelligenza Artificiale, Machine Learning e Deep Learning
In base alle tecniche di apprendimento è poi possibile distinguere tra diverse tipologie di Machine Learning, che, utilizzando le reti neurali, permettono di affrontare specifiche. La più nota tra queste è sicuramente il Deep Learning, ma i volti del Machine Learning sono assai più sfaccettati:
- Deep Learning(Approfondimento Profondo): è uno degli ambiti più importanti del Machine Learning in cui i processi di apprendimento del cervello vengono simulati attraverso reti neurali artificiali stratificate, quindi dotate di più strati H (2 o più), che permettono di processare le informazioni in modonon-lineare in relazione alla particolare funzione di attivazione scelta.
- Model Prediction(Modellazione Predittiva): include una varietà di tecniche in grado di raccogliere dati e apprendere modelli da applicare ad essi. Particolarmente impiegato in materia di prevenzione frodi e analisi qualitativa.
- Online Learning(Apprendimento Attivo): si focalizza sui dati di tipo sequenziale(uno dopo l’altro), in cui, di conseguenza, le decisioni devono essere prese man mano che un dato diventa disponibile.
- Explainable regression & classification(Regressione e Pianificazione spiegabili): risolve problemi di regressione (predizione di quantità ordinali) e di classificazione, consentendo di dare una spiegazione dei risultati ottenuti.
- Information Retrieval (Recupero dell’Informazione): è l'insieme delle tecniche utilizzate per gestire la rappresentazione, la memorizzazione, l'organizzazione e l'accesso ad oggetti contenenti informazioni quali: documenti, pagine web, cataloghi online e oggetti multimediali.
- Reinforcement Learning(Apprendimento Rinforzato), il suo focus è quello di risolvere problemi decisionali sequenziali mediante l’interazione con l'ambiente in cui opera.
Se il Machine Learning può essere definito come il metodo che “allena” l’A.I., il Deep Learning è quello che permette di “emulare la mente umana”, anche se a causa dell’alto costo computazionale annesso, solo di recente le reti neurali sono diventate ragionevolmente approcciabili. Ciò, in particolare, grazie alle nuove architetture hardware (specialmente l’evoluzione delle Graphics Processing Unit - GPU), che permettono di elaborare training set molto grandi, tipici, come detto, dei Big Data.
Va sottolineato che il Deep Learning è molto sensibile ai cosiddetti “bias”: in un modello supervisionato, se le etichette (categorizzazioni) sono create erroneamente, il modello apprenderà in modo errato, e tali saranno anche le sue deduzioni.
In generale, quando gli obiettivi da raggiungere sono molto specifici e rigorosi, vanno necessariamente utilizzate tecniche di deep learning, mentre per compiti sufficientemente elementari, gestibili da reti neurali ad un solo strato nascosto, si possono utilizzare le altre declinazioni presentate.
Nel prossimo articolo cominceremo ad esplorare come l’intelligenza artificiale possa supportare efficacemente il processo di trasformazione organizzativo aziendale.
Stay tuned
