Articoli del meseArticoli del mese

Articoli del mese


Stampa articolo

Articolo del Mese - Novembre 2018

La nuova era dell’analisi predittiva - Le aziende alla prova del Machine Learning

Frank Greco by Frank Greco

Raccolta e analisi dei dati, costruzione dei modelli e previsioni di business. Che cos’è esattamente il machine learning? Quali problemi risolve e quale dovrebbe essere l’approccio giusto alla sua adozione da parte delle aziende?

In questi ultimi tempi, il machine learning (ML) sembra essere dappertutto. Indubbiamente le big company del cloud e di Internet hanno recentemente reso molto famoso l’apprendimento automatico, con storie di successo su come il ML ha notevolmente migliorato i loro prodotti e servizi. Molte aziende hanno notato questa tendenza e intravedono non pochi possibili vantaggi per le loro attività. Ma cos’è esattamente il ML, quali problemi risolve per le aziende e quale dovrebbe essere l’approccio giusto al ML? Si può partire dai motivi per i quali bisogna prevedere il futuro. Una previsione accurata è fondamentale per tutte le aziende. Senza un certo grado di fiducia nel business forecasting, le aziende avrebbero difficoltà a fornire prodotti e servizi di successo in modo economicamente vantaggioso. Negli ultimi decenni, molte aziende in un’ampia gamma di settori industriali hanno dovuto fare affidamento sull’analisi dei dati per le previsioni. Abbiamo tutti sentito parlare di business intelligence, data mining, big data, analisi predittive, e così via. Tutti questi strumenti e tecniche analizzano i dati aziendali storici e aiutano a fare previsioni sul futuro per aumentare i ricavi e le performance di business.

Le previsioni col machine learning - Il ML è un approccio radicalmente diverso rispetto al business forecasting svolto fino a oggi, ma non si tratta di un nuovo concetto. Il ML trae infatti le sue origini nell’intelligenza artificiale (AI) di molti decenni fa: la prima conferenza AI è stata nel 1955 a Dartmouth negli Stati Uniti, cioè molto prima che venissero inventate le schede perforate. Duplicare l’intelligenza umana usando una macchina per simulare la rete neurale del nostro cervello era un obiettivo ambizioso ed entusiasmante. Tuttavia, non c’erano abbastanza risorse di calcolo né algoritmi sufficientemente sofisticati per realizzare questa idea. L’AI e il suo sottoinsieme ML hanno visto qualche progresso minore alla fine degli anni 80 e 90, ma nel complesso, e nonostante le grandi possibilità, il successo è stato molto limitato. Circa dieci anni fa - però - ci sono stati alcuni passi avanti, con nuovi algoritmi scalabili di riconoscimento dei pattern che utilizzano nuovi tipi di reti neurali artificiali. E con l’avvento del cloud computing, in grado di fornire enormi risorse di computing on-demand, unitamente alla grande quantità di dati disponibili, la forza del machine learning è stata ampliata in modo esponenziale. Questa nuova forma di ML era originariamente chiamata “Belief networks” dai ricercatori di AI, ma veniva comunemente chiamata "Deep learning". Questa nuova forma più potente di ML stava fornendo previsioni accurate a livelli senza precedenti. Che si chiami deep learning o si continui a etichettarlo machine learning, questo tipo di analisi e previsione è un enorme trend tecnologico e di business per molte aziende e continuerà a esserlo nel prossimo futuro.

Il processo complessivo - Essenzialmente, visto da un alto livello, un sistema di machine learning è abbastanza semplice. All’inizio si analizzano grandi quantità di dati validi alla ricerca di pattern statistici. Questi pattern sono codificati in un modello e testati accuratamente. Una volta che l’azienda è soddisfatta, il modello può fornire risultati coerenti, viene messo in produzione e fa previsioni basate su nuovi input. E dal momento che viviamo in un mondo dinamico di modifica dei dati e di ambienti in evoluzione, i dati e i modelli di produzione sono continuamente ottimizzati dai data scientist per produrre risultati sempre imparziali. Il fulcro dell’ML consiste quindi nel riconoscere i pattern nei dati e fare previsioni su tali dati.

La qualità dei dati è essenziale - È importante assicurarsi che il sistema ML stia leggendo grandi serie di dati “puliti” e di alta qualità. Come nel data mining e in altri sistemi di analisi tradizionali, è fondamentale disporre di dati accurati e completi che rappresentino realmente il business. Più dati sono disponibili, più accurate sono le previsioni. E poiché le grandi imprese hanno proporzionalmente più dati rispetto alle organizzazioni più piccole, le grandi imprese sono perfettamente adatte a trarre il massimo beneficio dai sistemi di ML. Ricavare raccolte di regole complete da questa massa crescente di dati - provenienti da vendite, supporto utenti, analisi del sentiment, traffico Web, tracciamento delle risorse IoT, monitoraggio dei microservizi, attività di rete - diventa rapidamente ingestibile. Invece di sistemi di regole complesse, è necessario utilizzare metodi statistici per rilevare i modelli. In maniera simile alle analisi quantitative dei “quant”, con le quali si analizzano i dati in azienda utilizzando metodi statistici e creando modelli, anche i sistemi di machine learning creano modelli. Quando ero consulente senior per una banca d’investimento, ho collaborato regolarmente con un team di economisti. Sono sempre stato colpito dal modo in cui questi esperti di statistiche (e di eventi mondiali) analizzano grandi quantità di dati economici con strumenti come “S-Plus” e “R”, che tracciano i loro risultati con GNUplot, ricavandone modelli dettagliati di rischio finanziario. Tuttavia, le macchine odierne possono creare questi modelli in modo notevolmente più rapido e preciso. Un “quant” umano potrebbe probabilmente creare alcuni modelli a settimana, mentre un insieme di macchine nel cloud può probabilmente creare alcune centinaia di modelli in un giorno. Ma questi modelli costruiti al computer dovrebbero essere controllati e verificati con la guida umana.

Apprendimento supervisionato o no? – Attualmente, ci sono due tipi fondamentali di algoritmi di apprendimento automatico: supervisionati e non supervisionati. L’apprendimento supervisionato, come suggerisce il nome, è una raccolta di algoritmi che apprendono con l’aiuto della guida umana fornendo gli input e gli output attesi. Con l’apprendimento supervisionato, un modello viene creato da grandi volumi di dati e ripetutamente modificato e testato da esperti di statistiche o data scientist in modo da fornire risultati accurati. Negli ultimi dieci anni, vi sono stati significativi progressi nell’apprendimento supervisionato grazie a innovativi algoritmi di rete neurale. Questi nuovi algoritmi di ML utilizzano reti neurali più complesse e richiedono molte più risorse di calcolo. Grazie a ricercatori dell’AI di grandi aziende cloud come Google, Facebook, Amazon, Apple, Microsoft e di una serie di nuove startup, questo tipo di deep learning più intenso sta producendo risultati sorprendenti nell’analisi predittiva. L’altro tipo base di algoritmi di apprendimento è chiamato apprendimento non supervisionato. Questo tipo di apprendimento offre la promessa che le macchine scopriranno i modelli nei dati con una minima assistenza da parte dei data scientist. Con l’evoluzione e la maturazione del ML, l’apprendimento senza supervisione rappresenta una nuova entusiasmante area nella ricerca ML dall’enorme potenziale.

Ma le aziende dove possono utilizzare il ML? - Al momento di decidere dove utilizzare il ML in azienda, vi sono molti tipi di sistemi che potrebbero trarre vantaggio dal machine learning. Un sistema molto ripetitivo che richiede che le decisioni siano prese sulla base di dati passati sarebbe un ambito ovvio, ma vi sono molte aree che potrebbero potenzialmente utilizzare le soluzioni ML: vendite, assistenza clienti, tracciamento spese di back office, manutenzione predittiva, logistica, traduzioni, costi assicurativi, programmi fedeltà, intrusioni nelle reti, frodi, e tante altre aree. Alcuni casi d’uso devono ancora essere scoperti poiché la profondità dei problemi che il ML può risolvere aumenta in modo significativo insieme alle innovazioni negli algoritmi di apprendimento e nelle infrastrutture scalabili. Siamo all’inizio di una nuova entusiasmante era nell’analisi predittiva delle imprese con il machine learning.

La nuova era dell’analisi predittiva - Le aziende alla prova del Machine Learning - Technology Transfer

La nuova era dell’analisi predittiva - Le aziende alla prova del Machine Learning
Frank Greco

Uno sguardo Agile - Per capire il passato e progettare il futuro
Arie van Bennekum

Trasformazione Agile
Se il product owner diventa un collo di bottiglia

Sander Hoogendoorn

Una Fiat o una Ferrari?
Qual è la più adatta per il business digitale?

Barry Devlin

Vincere la complessità dei dati. È l’ora dello smart data management
Mike Ferguson

Big Data e Analytics - Se il machine learning accelera anche la data science
Mike Ferguson

I dati al centro del business
Christopher Bradley

I Big Data forniscono il contesto e la ricchezza predittiva attorno alle transazioni di business Avere dati coerenti e di qualità resta fondamentale per il processo decisionale
Barry Devlin

Cosa c’è dietro l’angolo? Cinque mosse per diventare un digital leader
Jeroen Derynck

Managing information technology Gestire l’IT come un business nel business
Mitchell Weisberg

Data integration self-service Miglioramento della produttività o caos totale?
Mike Ferguson

Project manager vecchi miti e nuove realtà
Aaron Shenhar

La catena alimentare dei requisiti
Suzanne Robertson

Come diventare un’azienda data-centric
Lindy Ryan

Enterprise analytical ecosystem - Come comprendere il comportamento online dei clienti e capitalizzare il valore dei dati nell’era Big Data
Mike Ferguson

Agilità? Basta Volere
Suzanne Robertson

Ma la vostra architettura è efficace?
Mike Rosen

Se il NoSQL diventa SQL
Rick van der Lans

La data quality e l’impatto sul business
Danette McGilvray

Business analysis e regole di business By Ronald G. Ross con Gladys S.W. Lam
Ronald Ross

Usare Scrum su larga scala: cosa cambia?
Craig Larman

Le architetture per ridurre il debito tecnico
Mike Rosen

Conversando con un marziano
Suzanne Robertson

Cosa c’è di nuovo nel project management?
Aaron Shenhar

Reinventare la Business Intelligence
Barry Devlin

Il nuovo volto della business intelligence
Shaku Atre

Alla ricerca del valore tra i pomodori nell'orto
John Favaro

I big data cambiano il mercato dei Database Server
Rick van der Lans

Un “superstorm” di informazioni
Barry Devlin

I dieci step per la qualità dei dati
Danette McGilvray

Perché è meglio evitare il private cloud?
Jason Bloomberg

Leonardo da Vinci aveva ragione!
Chris Date

Mobile user experience: Come adottare una strategia sostenibile
James Hobart

Cosa significa occuparsi di architettura?
Mike Rosen

Virtualizzazione dei dati e sistemi di Business Intelligence Agili
Rick van der Lans

Modelli e linguaggi naturali, quale il modo migliore per definire i requisiti?
James Robertson

Extreme Scoping: un approccio Agile all'Edw e alla BI
Larissa Moss

BI², la Business Intelligence al quadrato
Barry Devlin

I test di regressione in ambienti legacy
Randy Rice

Le conseguenze della consumerizzazione e del Cloud
Chris Potts

Come vanno gli affari? Chiedetelo al vostro cruscotto
Shaku Atre

Organizzare team di progetto efficienti in ambienti DW/BI
Larissa Moss

Big Data, come e perché
Colin White

Business Capabilities e l'allineamento del business all'IT
Mike Rosen

Il valore della tassonomia nella ricerca delle informazioni
Zach Wahl

BI, ma il Data Warehouse è ancora necessario?
Colin White

Reinventare la Business Intelligence
Barry Devlin

Il cruscotto delle prestazioni: il nuovo volto della Business Intelligence
Shaku Atre

Modelli e processi di User acceptance testing
Randy Rice

I limiti nel gestire l'IT come un Business
Chris Potts

Le componenti fondamentali del Cloud
George Reese

Metadati e DW 2.0
Derek Strauss

BI Open Source: basso costo e alto valore?
Jos van Dongen

Semplicità e requisiti
Suzanne Robertson

Business intelligence e analisi testuale
Bill Inmon

Extreme Scoping™: approcci agili al DW e alla BI
Larissa Moss

Dalla BI a un'architettura IT di livello Enterprise
Barry Devlin

Ambiente efficiente di ricerca di informazioni
James Hobart

Il Business deve trainare la Strategia IT
Chris Potts

Web database: la questione MapReduce (seconda parte)
Colin White

Web database: la questione MapReduce
Colin White

Misura delle prestazioni. I sette comandamenti
Harry Chapman

Le dieci cose che un architetto deve fare per creare valore
Mike Rosen

Sviluppare applicazioni a prova di sicurezza
Ken van Wyk

The ECM Landscape in 2008
Alan Pelz-Sharpe

Ma chi sono gli operatori dell’informazione?
Colin White

Qualità dell’informazione e trasformazione del management
Larry English

Classificazione sistematica delle informazioni
Zach Wahl

L’uso intensivo del Web nelle applicazioni di Bi
Colin White

Enterprise Search
Theresa Regli

La forza dell'astrazione
Steve Hoberman

La strada verso una BI pervasiva
Cindi Howson

Soa, una strategia di test
Randy Rice

Verso una BI più semplice e a minor costo
Colin White

I contenuti “Killer” del Web
Gerry McGovern

Sviluppo iterativo del software per i Dw
Larissa Moss

Qualità delle Informazioni e Datawarehousing
Larry English

Lo scenario Ecm 2008
Alan Pelz-Sharpe

La nascita del Web 3.0
John Kneiling

Documentazione: il dossier del crimine
Suzanne Robertson

L’impatto del Web 2.0 sui portali delle imprese
Colin White

Le tecniche vincenti di IT Management
Ken Rau

Web 2.0
Ed Yourdon

Web di successo se si conosce il cliente
Gerry McGovern

Un approccio alla BI incentrato sui processi
Colin White

Integrare Master Data Management e BI (Parte Seconda)
Mike Ferguson

Integrare Master Data Management e BI (Parte Prima)
Mike Ferguson

Il Project Manager è una Tata
Suzanne Robertson

Web di successo se si conosce il cliente
Gerry McGovern

L'informazione personalizzata
Colin White

La Tassonomia dell'Impresa
Zach Wahl

Managed Meta Data Environment (II parte)
David Marco

Managed Meta Data Environment
David Marco

Migliorare le applicazioni dell'impresa con Web 2.0
James Hobart

La Balanced Scorecard migliora la Performance dell'IT
Harry Chapman

La fusione dei processi dell'impresa grazie a Soa (II parte)
Max Dolgicer

La fusione dei processi dell'impresa grazie a SOA (I parte)
Max Dolgicer

Volere è Potere, in Ogni Senso
Suzanne Robertson

Dimostrate con i numeri il valore dei contenuti del web
Gerry McGovern

Il Back-end della pianificazione strategica dell'It
Ken Rau

L'audit delle prescrizioni di progetto (II parte)
Suzanne Robertson

L'audit delle prescrizioni di progetto (I parte)
Suzanne Robertson

Il Processo di gestione delle informazioni
Ted Lewis

I requisiti come strumento di gestione dei progetti
Suzanne Robertson

Il futuro è nel contenuto killer del web
Gerry McGovern

Alla ricerca del valore tra i pomodori nell'orto
John Favaro

Rilevare i costi sulla base delle attività
Ken Rau

Un percorso verso l'impresa intelligente (II parte)
Mike Ferguson

Un percorso verso l'impresa intelligente (I parte)
Mike Ferguson

Il Data Store Operativo: un lavoro di martello
Claudia Imhoff

Il data warehouse orientato all'impresa
Michael Schmitz

Dieci punti chiave per realizzare balanced scorecard di successo
Harry Chapman

Content management: i contenuti al primo posto
Gerry McGovern

Applicazioni Web ad alta disponibilità
John Kneiling

Il 2004, sarà l'anno in cui abbandoneremo html?
James Hobart

La tecnologia EII ripropone il data warehousing virtuale?
Colin White

Misurare per Gestire
Ken Rau

Volere è Potere, in Ogni Senso
Suzanne Robertson

Realizzare il CPM e l'integrazione della BI
Mike Ferguson

Tutti i punti della FPA
Koni Thompson

Requiem per il Portale?
Colin White

Business Intelligence: dalla teoria alla realtà (II parte)
Shaku Atre

Business Intelligence: dalla teoria alla realtà (I parte)
Shaku Atre

I portali Corporate e di E-business: la nuova generazione del posto di lavoro
Mike Ferguson

I 10 errori da evitare nella realizzazione di un Meta Data Repository (II Parte)
David Marco

I 10 errori da evitare nella realizzazione di un Meta Data Repository (I parte)
David Marco

Usare i modelli per acquisire l'esperienza di progettazione
James Hobart

Realizzare l'Impresa Intelligente
Colin White

.NET or J2EE - Choosing the Right Web Services Framework
John Kneiling

Progettare Applicazioni Mobili di Successo
James Hobart

La Sociologia del Progetto: Identificare e Coinvolgere tutti i Partecipanti
Suzanne Robertson

Integrare la Business Intelligence nell'Impresa (II parte)
Mike Ferguson

Integrare la Business Intelligence nell'Impresa (I parte)
Mike Ferguson

L'Evoluzione del Portale di e-Business (II parte)
Colin White

L'Evoluzione del Portale di e-Business (I parte)
Colin White

Il Consulente WebEAI: Servizi Web, XML e l'Impresa
John Kneiling

Data Mining: Come Gestire le Relazioni con i Clienti Secondo i Principi del CRM
Weaver James

Articoli del mese - Technology Transfer