Se i dati sono la linfa della moderna azienda digitale, l’analisi dei dati è ciò che permette di alimentare processi decisionali e automazione a vantaggio della flessibilità e competitività sui mercati.
Se i dati sono la linfa della moderna azienda digitale, l’analisi dei dati è ciò che permette di alimentare processi decisionali e automazione a vantaggio della flessibilità e competitività sui mercati.
Le tecnologie analitiche hanno fatto passi da gigante sul fronte computazionale grazie al cloud, alle capacità d’elaborazione big data, alla maturazione delle applicazioni d’intelligenza artificiale (AI) e machine learning (ML) nei processi di business. Dall’altra parte, nuovi sistemi di fabbrica intelligenti, sensori integrati nei prodotti, interazioni dei clienti su CRM, siti Web e social network rendono disponibili grandi moli di dati in cui cercare le tendenze, le correlazioni e altre informazioni utili.
È qui che l’analisi dei dati, AI/ML unitamente ai sistemi di natural language processing (NPL) possono entrare in gioco per trovare le risposte alle domande che la consultazione di report o di serie storiche lasciano pendenti; per scovare le relazioni non evidenti tra dati diversi, ottenere le informazioni per migliorare la qualità delle produzioni, correggere le strategie, differenziare l’offerta sul mercato, migliorare la sostenibilità ambientale.
Nei campi più avanzati dell’analisi dei dati e delle applicazioni di AI e ML latitano le soluzioni standardizzate e general purpose presenti in altri settori. La conseguenza è che occorre molta competenza per condurre progetti, fare scelte tecnologiche che siano in linea con il livello di maturità raggiunto dalle diverse piattaforme in ambiti e progetti specifici.
A seconda del caso, può aver senso fare l’analisi dei dati con piattaforme proprietarie come DataRobot, Trifacta, oppure utilizzare l’open source con Tensorflow e Pytorch. Per sfruttare ML e deep learning (DL) serve conoscere e sviluppare codice con linguaggi come Pyton, R, Julia, e scegliere le librerie di componenti più collaudate.
Per l’implementazione dei sistemi, la scelta è tra on-premise e cloud sulla base delle capacità IT dell’azienda, delle criticità dei dati, della scalabilità e presenza sul mercato di componenti as-a-service. Il POC della soluzione può essere costruito in un container Docker per essere installato nel data center aziendale senza pesare sulle prestazioni degli ambienti operativi, oppure facilmente spostato in cloud. In un contesto di sviluppo caratterizzato dalla cooperazione tra team diversi, il cloud permette di creare spazi virtuali per gestire e condividere in modo sicuro le grandi moli di dati in gioco.
Mentre i sistemi di riconoscimento del linguaggio naturale sono già entrati nell’uso comune per accendere luci e cercare informazioni e servizi in rete in rete, c’è ancora da fare per sfruttare le tecnologie NPL nelle applicazioni di business. Parliamo, in particolare, dell’impiego per l’analisi di documenti testuali, come i commenti in un forum o l’audio delle chiamate al customer care per capire l’umore delle persone (sentiment analysis). Senza assistenza umana, sistemi con capacità NPL e DL sono in grado di analizzare contesti, parole chiave e, in base ai criteri di assegnazione dei ticket, indirizzare il messaggio o la chiamata al corretto gruppo di lavoro.
Piattaforme cloud come AWS, Azure e Google Platform rendono oggi più economico sperimentare le applicazioni innovative di NPL. Mediante modelli pre-addestrati su enormi training data, quali BERT e GPT-3 di Google, per esempio, è possibile categorizzare dei testi sfruttando la vasta pre-categorizzazione resa disponibile attraverso application programming interface (API).
L’industria farmaceutica, tra le più sollecitate dalla pandemia che stiamo vivendo, sta ottenendo grandi vantaggi con l’impiego dell’analisi dei dati e AI/ML. Al di là dei controlli a campione e delle validazioni imposte dalla farmacovigilanza, i dati di produzione contengono i segreti per migliorare la qualità e la quantità del prodotto. Ad esempio le colture cellulari, come quelle utilizzate per produrre il vaccino di AstraZeneca, reagiscono in modo complesso ai valori variabili quali l’ossigenazione, la temperatura, il ph e l’agitazione durante il tempo necessario a produrre il principio attivo. Mediante modelli di AI è possibile ottenere prescrizioni operative utili per aumentare gli indici di produzione.
In altri campi, con NPL e DL, è possibile analizzare le recensioni su Amazon per conoscere vizi e virtù dei prodotti concorrenti, così come classificare automaticamente i documenti tecnici (come i database testuali dei trial clinici) per ricavarne abstract significativi e facilitare le ricerche.
Altre applicazioni di NPL e DL sulla messaggistica generata dai sensori di bordo dei sistemi di fabbrica permettono di rilevare in anticipo i problemi di qualità e di funzionamento a vantaggio della predictive maintenance.
Allo stesso modo è possibile prevenire i guasti e la saturazione degli apparati presso aziende telco e utility. Non mancano le applicazioni nell’ambito del retail per prevedere l’andamento degli ordini e in concerto, automatizzare gli approvvigionamenti.