News & Media

Intelligenza artificiale: quali utilizzi nelle organizzazioni aziendali?

Rendere più semplice ciò che in realtà è sempre più complesso

Artificial Intelligence & Big Data sono oggi elementi con cui un'impresa non può non confrontarsi: ma quali sono i possibili utilizzi nelle organizzazioni aziendali? Come ha ricordato Piero Poccianti, Vice Presidente dell'Associazione Italiana Intelligenza Artificiale nel corso di un intervento a Utility Day 2017, occore prestare attenzione ai desideri che esprimiamo, perché il ruolo / valore delle macchina è quello di aiutare l'uomo a cambiare l'economia e a migliorare l'impatto sull'ambiente.

Come gestire reti complesse di dati e come rilevare i dati utili al business? E' meglio un algoritmo che funziona benissimo ma che non si conosce, o uno che si conosce bene ma cha ha una percentuale di funzionalità minore?

Morad Giacomelli, Responsabile Marketing - ENEGAN
“È un tema molto complesso e il problema essenziale deriva dal fatto che per l’utilizzo sensato del dato è fondamentale conoscerne la genesi: avere la percezione di come nasce un dato è fondamentale per prendere decisioni e, se questa manca, rischiamo di essere fuorviati. Noi utilizziamo un software di ricerca semantica online per censire tutte le informazioni. I dati devono essere prima di tutto dati qualitativi, per andare oltre al semplice numero: la sfida da affrontare per il marketing è quella di esprimere emozioni  grazie al dato. Rispetto alla domanda: prediligo sicuramente la seconda opzione; se conosco meglio l’algoritmo prendo decisioni migliori. Inoltre, sicuramente è molto meglio avere pochi dati a disposizione ma sapere da dove arrivano.”

 

Luca Serravalli, CIO - DUFERCO ENERGIA
“Noi non sappiamo fare Data Governance. Sarà un problema gestire i dati perchè se manca un’adeguata governance l’analisi dati è compromessa”

 

Francesca Cercone, Customer Loyalty Manager - EDISON ENERGIA
“Il tema del churn è fondamentale per capire perchè il cliente si sposta da una società all’altra. Sono fondamentali i dati di fatturazione. Il churn deve essere utilizzato per predire l’uscita del cliente, deve essere continuamente integrato / aggiornato.”

 

Bruno Lepri, Head of Mobile and Social Computing Lab at FBK and Visiting Researcher - MIT Media Lab Fondazione Bruno Kessler
“Per me la risposta alla domanda è ovvia: bisogna sempre fidarsi dell’algoritmo che ha una percentuale di precisione del 99% piuttosto che una precisione del 30% (gli esseri umani). Nello studio del Machine Learning per comprendere il comportamento umano, un algoritmo sarà in grado di decidere se un uomo dovrà andare in galera o meno”

 

Danilo Piatti, Chief Sales and Operations - ALMAWAVE
“La domanda essenziale è: ma tutti i dati sono realmente utili? No. Ci deve essere un’attività di selezione per capire quali sono validi. La nuova sfida è quella di trasformare la comprensione del dato in AZIONE: leggere i comportamenti e intercettarli. Le azioni devono essere tempestive. La risposta è CHATBOT. Le domande principali che vengono fatte sono: 1. Ma il bot impara da solo? 2. In che modo si differenzia dal fattore umano? Oltre all’algoritmo che funziona è necessario creare un sistema che deve essere adeguato al contesto”.

 

Paola Scarabotto, Head of Business Intelligence and Product Engineering - GROUPAMA Assicurazioni
“La risposta alla domanda è solo una: fare investimenti! Noi stiamo implementando strumenti di Artificial Intelligence e la questione è come rendere l’AI fruibile per sviluppare la conoscenza del contesto personale del cliente, in particolare la ricostruzione del ‘customer identikit’ e le ‘customer relationships’ (ad es. famiglia) per impostare il business a livello di contesto familiare. Ci stiamo muovendo, inoltre, nella definizione del comportamento tramite studio di dati con la scatola nera, e questo rappresenta sia un’opportunità sia un rischio: è importante, infatti, non sopravvalutare il “Data Power” a discapito del ‘Senso Critico’ / Expert Judgment nell’analisi dei fenomeni. Si pone infine la questione della gestione della Data Performance, per ottimizzare gli investimenti solo sui dati con un alto contributo informativo.”

 

Stefano Varasi, Marketing Cloud EMEA Senior Sales Executive - ORACLE
“Il business si sta trasformando. D’altra parte vale l’equivalenza ‘Dati = Costi’; se l’algoritmo ha un’alta percentuale di errore, il rischio che si corre è quello di perdere un’alta somma dell’investimento. La risposta migliore, quindi, è quella di fidarsi dell’algoritmo che ha un minor margine di errore”