In questo blog post proponiamo una serie di approfondimenti e casi pratici di come l’utilizzo di AI e algoritmi di machine learning, siano stati determinanti per aggiungere alle nostre soluzioni nuove possibilità, speed-up nei processi di digitalizzazione e funzionalità sorprendenti per i nostri utenti.
Nel farlo, offriremo anche una rapida panoramica sulle sfide che le moderne applicazioni devono superare quando approcciano funzionalità innovative e come l'utilizzo di servizi gestiti porti vantaggi chiave per il successo di queste soluzioni.
Il passaggio dalla fase di test a quella di produzione, come riportato anche da Forbes in questo articolo, è estremamente delicato e anche i migliori e più accurati modelli molto spesso falliscono quando si scontrano con casi reali.
Le cause sono molteplici.
In primo luogo, a differenza delle applicazioni software tradizionali per le quali dopo l'effettivo rilascio si tende tipicamente a passare al progetto successivo, per le applicazioni AI è necessario che gli specialisti rimangano connessi alla soluzione.
La natura di queste applicazioni richiede, infatti, il continuo monitoraggio delle performance e dell'accuratezza delle predizioni per successivi processi di reinforcement learning.
Tali sistemi necessitano di rimanere allenati e accurati per evitare il deteriamento dei modelli col tempo e un calo di precisione. In molti casi, il fallimento è determinato da un cambio dei dati di produzione rispetto a quelli utilizzati per il training. Ad esempio, il target di un applicazione si rivela essere diverso rispetto a quello ipotizzato in progettazione, rendendo il modello allenato inutilizzabile o poco efficace.
La necessità per questi modelli di essere funzionali in ambiente di produzione spinge anche professionisti del Machine Learning a utilizzare servizi e tool gestiti. Nel mondo degli Amazon Web Services è il caso di Amazon Sagemaker.
Uno dei fattori per cui preferire un servizio gestito è la straordinaria possibilità di accedere a modelli pre-allenati con un numero esponenzialmente maggiore di dati raccolti in fase di training. Questo processo determina modelli più resistenti rispetto all'incertezza dei dati di produzione e consente di fare inferenza su un numero più ampio di esempi rispetto a quelli che porteremo con i nostri semplici dati.
Vediamo ora alcuni casi di applicazioni di AI all'interno delle soluzioni ITER IDEA e come queste ci consentando di superare nuovi limiti.
In uno scorso blog post avevamo mostrato come Scarlett sia in grado di "ascoltare" e trascrivere in maniera accurata i report di intervento dei tecnici in mobilità, tramite l’integrazione con interfaccia vocali.
Guidati dalle esigenze dei nostri clienti impegnati in interventi all'estero, abbiamo aggiunto anche la capacità di parlare diverse lingue, facendo uso di servizi basati su reti neurali. Scarlett è quindi in grado di fornire traduzioni precise nella lingua del nostro cliente, il quale potrà confermare il report di intervento comprendendo i dettagli dell'attività svolta. Inoltre, tecniche di reinforcement learning, consentono al dizionario tecnico di perfezionarsi con il tempo, producento risultati sempre più accurati.
Oggi la nostra piattaforma traduce oltre 3000 report di intervento ogni anno, tramite i diversi team impegnati in interventi all'estero.
La volontà di stupire i nostri clienti e partner risolvendo reali sfide di business ci ha spinto a muovere importanti passi nel mondo dell'analisi dei contenuti testuali, introducendo nelle app CRM di mobilità nuove funzionalità di Sentiment Analysis.
Il Sentiment Analysis è caratterizzato da una serie di tecniche e algoritmi di analisi di testi. Il procedimento prevede diverse fasi che semplifichiamo di seguito: tokenizzazione delle parole per suddividerle in "borse di parole" (Bag-of-words), eliminazione delle stop-word e termini che non portano valore aggiunto e, infine, analisi semantiche per categorizzare le informazioni più rilevanti per la polarizzazione del sentimento espresso dalla frase all'interno del contesto.
L'integrazione di questa forma di intelligenza all'interno dell'app mobile per la rete commerciale e il girovisite, consente di analizzare il contenuto testuale fornito dagli agenti in seguito alle attività commerciali e di definire automaticamente, e senza sforzo, una mappatura dell'umore clienti e dello stato delle trattative, sulla base delle recenti visite.
Questo dato, per una società data-driven, risulta in un vantaggio strategico importante, soprattutto perchè intrecciabile con altre informazioni commerciali, come fatturato, numero di visite, periodicità degli appuntamenti, prodotti coinvolti e altri indicatori definiti da tool di Business Intelligence aziendali.
L'ultimo caso di business di questo blog è per noi estremamente attuale e riguarda le possibilità derivanti dall'utilizzo di algoritmi di Deep Learning per l'analisi delle immagini.
L'obiettivo è quello di fornire nuove possibilità, prima semplicemente impossibili, di digitalizzazione dei processi aziendali.
Gli algoritmi di Deep Learning impiegati nel riconoscimento di immagini utilizzano tipicamente CNN (Convolutional Neural Network). Queste reti neurali possono includere centinaia e anche migliaia di layer, sono appositamente progettate (e allenate) per fornire uno prestazioni eccezionali nel recepire dati da immagini e riconoscere le caratteristiche dai singoli pixel: posizione degli oggetti, riconoscimento del contenuto per la moderazione automatica di contenuti espliciti, ecc.
Investigando le potenzialità degli algoritmi di Deep Learning abbiamo deciso di realizzare un primo POC (Proof-of-Concept). Un'applicazione in grado di analizzare documenti cartacei e digitalizzarli. Oltre a estendere le capacità dei sistemi OCR (Optical Character Recognition), il servizio consente di riconoscere una vasta tipologia di documenti in maniera strutturata attraverso modelli solidi, resistenti e adeguatamente pre-allenati.
In questo caso, la tagline non poteva che essere questa.
La tagline rappresenta come intendiamo AI applicato a casi reali di business, ovvero una straordinaria opportunità per superare i limiti di precedenti sistemi e abilitare nuove prospettive.
Come per tutti i post, l'invito è quello di investigare gli obiettivi che le migliori tecnologie consentono di raggiungere. La capacità di dotarsi delle competenze e delle potenzialità necessarie per superare i limiti attuali, rappresenta una caratteristica importante per realizzare un business resiliente, pronto per le sfide del domani.
