Articoli del meseArticoli del mese

Articoli del mese


Stampa articolo

Articolo del Mese - Ottobre 2019

Il Machine Learning in azienda. Come migliorare performance e previsioni

Frank Greco by Frank Greco

Gli schemi sono modelli convenzionali e semplificati della realtà. Il mondo è una grande composizione di molti schemi diversi. Cercare le regolarità e capire le correlazioni tra dati e fenomeni può dare una buona idea su come anticipare e trarre vantaggio dagli eventi futuri

Il riconoscimento dei pattern, ovvero degli schemi, è utile in molti aspetti della vita. La musica è una collezione di pattern. Per esempio, la musica più popolare in generale segue uno schema di versi e cori. I musicisti jazz imparano il loro mestiere studiando un particolare pattern di accordi ripetuto. Allo stesso modo, i musicisti blues hanno un diverso e ripetuto schema di accordi. Riconoscendo queste convenzioni o schemi ben noti, un insieme di musicisti di questi generi può predire accordi futuri e suonare con successo per creare musica. Negli sport agonistici, riconoscere le tendenze o gli schemi dell’avversario può spesso fornire le tattiche per il successo. Un automobilista di Formula 1 può trarre vantaggio dalle tendenze di un altro pilota che prende curve molto ampie, magari infilandolo alla prima occasione. Un giocatore di tennis che nota come un avversario preferisce il diritto, può colpire la palla con il rovescio per segnare un punto. Rilevare queste inclinazioni o schemi consente a questi “player” di avere successo nel loro campo. In cucina, i migliori chef spesso non fanno affidamento su dosi precise o su tempi di cottura al minuto spaccato quando creano una cucina di livello internazionale. Un cuoco esperto può riconoscere i tipici segnali visivi quando una salsa o un sugo dovrebbe sobbollire e non bollire, nonostante la temperatura del forno dettata da una ricetta. Riconoscere gli schemi visivi o di gusto sono attributi chiave degli chef di successo. Allo stesso modo, il riconoscimento di pattern è molto importante per le aziende. Come la musica, lo sport, la cucina e certamente altri aspetti della nostra vita, il riconoscimento degli schemi può aiutare le organizzazioni a prevedere e anticipare gli eventi futuri per trarne vantaggi competitivi. L’essenza del machine learning consiste nel riconoscere i pattern nei dati, nell’anticipare il probabile comportamento di dati simili e nel prendere iniziative per massimizzare i vantaggi di business in base a tali previsioni.

Le previsioni di business - Una previsione accurata è fondamentale per tutte le aziende. Senza un certo grado di fiducia nelle previsioni di business, le aziende avrebbero difficoltà a fornire prodotti e servizi di successo in modo economicamente vantaggioso. Il machine learning dà la capacità di offrire un’approfondita intelligenza decisionale predittiva e prescrittiva. Questo tipo di analisi dei dati aziendali è di vitale importanza per tutte le imprese. Negli ultimi decenni, molte aziende in una vasta gamma di settori hanno dovuto fare affidamento sull’analisi dei dati per le previsioni. Abbiamo tutti sentito parlare di termini come business intelligence, data mining, big data, analisi predittiva, e così via. Tutti questi strumenti e tecniche analizzano i dati aziendali storici e aiutano a fare previsioni accurate sul futuro per aumentare il fatturato o i profitti.

Prevedere con il machine learning - Il machine learning è un approccio radicalmente diverso rispetto alle previsioni effettuate con gli strumenti tradizionali. Ma il machine learning non è certamente un concetto nuovo, dato che trae origine dall’intelligenza artificiale (AI) di molti decenni fa. La prima conferenza AI è stata nel 1956 al Dartmouth College negli Stati Uniti. Questo accadeva ancora prima che le schede perforate venissero inventate! 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 portare a compimento questa idea anni fa. L’AI e il suo sottoinsieme ML hanno visto successi minori dei tardi anni 80 e nei 90, ma nel complesso i progressi sono stati molto limitati a dispetto delle possibilità. Circa dieci anni fa, vi sono stati alcuni passi avanti in nuovi algoritmi scalabili di riconoscimento dei pattern, utilizzando nuovi tipi di reti neuronali artificiali (ANN, artificial neural networks). E con l’avvento del cloud computing, in grado di fornire on-demand enormi risorse di computing, e con le grandi quantità di dati disponibili, la forza del machine learning è cresciuta in modo esponenziale. Questa nuova forma di ML viene comunemente chiamata “deep learning”, e sta offrendo 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 business, oltre a essere un trend tecnologico che continuerà nel prossimo futuro.

Il processo complessivo - Visto dall’alto, un sistema di machine learning è abbastanza semplice. All’inizio, grandi quantità di dati “puliti” e validi vengono analizzati alla ricerca di schemi statistici. Questi schemi 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 in cui i dati cambiano, i dati e i modelli di produzione sono continuamente ottimizzati dai data scientist per riflettere risultati imparziali.

Il ML richiede dati di qualità elevata - 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 dal momento che le grandi aziende hanno proporzionalmente più dati rispetto a quelle di minori dimensioni, le grandi imprese sono perfettamente idonee a trarre il massimo beneficio dai sistemi ML. Ma derivare raccolte di regole complete da questa massa crescente di dati - raccolti da vendite, supporto utenti, analisi del sentiment, traffico del sito Web, tracciamento delle risorse IoT, monitoraggio dei microservizi, attività di rete - diventa rapidamente ingestibile. Invece di sistemi di regole complesse, i metodi statistici devono essere impiegati per rilevare i pattern.

I casi d’uso del machine learning - Quando si decide dove utilizzare il machine learning in azienda, esistono diverse caratteristiche tipiche dei sistemi che potrebbero essere utilizzate. Per esempio, un sistema molto ripetitivo, che richiede che le decisioni siano prese sulla base di dati passati, sarebbe una ovvia area target. Ma tra le aree che potenzialmente potrebbero utilizzare le soluzioni di machine learning vi sono anche: vendite; assistenza clienti; monitoraggio delle spese di back office; manutenzione predittiva; logistica; traduzioni; rischio di credito; premi assicurativi; programmi di fidelizzazione; intrusioni nelle reti; frodi. Ci sono molti altri possibili casi d’uso in cui può essere usato il machine learning: alcuni devono ancora essere scoperti, in quanto la profondità dei problemi che il machine learning 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 e prescrittiva con il machine learning. Si tratta di un enorme cambiamento e di un tipo fondamentalmente diverso di software che utilizza la statistica per risolvere problemi senza programmazione esplicita. Ma richiede una gestione organizzativa olistica poiché ci sono molte questioni riguardanti l’etica, la privacy dei dati, l’interpretabilità e la formazione di team adeguati.

Il machine learning per l’azienda - La conferenza internazionale “Machine Learning for The Enterprise” (Roma, 28-29 ottobre 2019) è incentrata sulle promesse, le sfide e le best practice di applicazione del machine learning nelle grandi aziende. Colossi come Google, Amazon, Netflix e Facebook hanno implementato da anni sistemi sofisticati di apprendimento automatico. Tuttavia, altre aziende stanno cercando di implementare le stesse tecniche di machine learning nei loro sistemi IT a vantaggio delle loro attività. La conferenza si concentrerà sulla definizione di queste tecnologie innovative, descrivendone in dettaglio casi specifici di utilizzo e spiegando come acquisire expertise in questo ambito, oltre a illustrare il panorama attuale dell’offerta attuale di machine learning.

Frank Greco sarà il chairman dell’evento di Technology Transfer “Machine Learning for the Enterprise International Conference” che si terrà a Roma il 28-29 ottobre 2019.

Il Machine Learning in azienda. Come migliorare performance e previsioni - Technology Transfer

E se il Design Sprint fosse il nuovo asso nella manica? Come risolvere grandi problemi e testare nuove idee
James Hobart

Come essere veramente data driven. L’importanza dell’architettura dati
Mike Ferguson

Il Machine Learning in azienda. Come migliorare performance e previsioni
Frank Greco

Portfolio management avanzato: Come trasformare gli investimenti in cambiamento
Chris Potts

L’imbuto e le biglie. Ovvero la metafora della produttività dei team
Sander Hoogendoorn

Dal Data Warehouse al digital business. Un’architettura di trent’anni ancora valida
Barry Devlin

Dai silos a un ecosistema analitico integrato. Un approccio per avere dati da usare su più sistemi
Mike Ferguson

Come accelerare l’innovazione in azienda. La nuova generazione dell’IT enterprise
Frank Greco

Tassonomie e ricerche. Ecco come ottenere migliori risultati
Heather Hedden

Viaggio verso il data warehouse logico
Il grande dilemma della business intelligence

Rick van der Lans

Enterprise information catalog. I requisiti per fare la scelta giusta
Mike Ferguson

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