Report | Machine Learning in azienda: metodologie e tanta concretezza

10 novembre 2021, Bologna/Milano - Injenia ha partecipato come platinum sponsor all’evento AI & Digital Process Transformation, organizzato in esclusiva da Le Fonti. L’evento ha riunito i principali esperti italiani di Intelligenza Artificiale e Machine Learning per confrontarsi su come progettare soluzioni AI e ML che favoriscano una reale crescita del business.

Durante il suo intervento, Cristiano Boscato ha presentato un approccio che mira a integrare concretamente il Machine Learning in azienda. In questo articolo, ripercorriamo i punti chiave dell’intervento.

Il falso mito

In questi ultimi anni, il Machine Learning ha dimostrato le sue potenzialità all’interno di numerosi campi applicativi e settori: dall’elaborazione del linguaggio naturale, alla manutenzione predittiva degli stabilimenti, dal riconoscimento delle immagini fino alla creazione di algoritmi utili alla prevenzione in campo medico.

Oggi un gran numero di aziende ha in essere progetti di innovazione basati sul Machine Learning, ma quali sono i vantaggi acquisiti?

Quando si parla di Machine Learning si tende spesso a sottovalutare due fattori fondamentali, alimentando il falso mito della tecnologia come bacchetta magica per la crescita dell’azienda. È importante chiarire che il ML non può prescindere dalle persone e dal business, in quanto elementi fondamentali per realizzare progetti realmente utili per le aziende.

L’approccio che abilita il successo

Il successo di un progetto di Machine Learning parte innanzitutto dalla presenza di un approccio culturale all’interno delle aziende, che viene prima di qualsiasi ragionamento tecnologico e sui dati.

Come spiega Cristiano Boscato:

Il Machine Learning nella realtà si occupa di portare a termine processi e task precisi e definiti e il nuovo modo in cui vengono gestiti influisce direttamente sulle modalità operative e organizzative dell’azienda. Senza il giusto approccio e competenze, il rischio è fermarsi a ciò che si vede con gli occhi e non riuscire ad apprezzare al completo le possibilità offerte dal ML.

Partendo da questo, Injenia ha definito una metodologia che pone la conoscenza delle persone al centro dei processi di apprendimento automatico e mira a creare questa consapevolezza e competenze. La tecnologia più performante si unisce infatti a un percorso culturale sia di formazione che di implementazione pratica.

La metodologia in pratica

Per mettere in pratica la sua metodologia, Injenia propone due tipologie di workshop utili a individuare le fondamenta concrete da cui partire.

Il primo, il Discovery Machine Learning Workshop, comprende una sezione formativa sul tema per permettere ai futuri responsabili del progetto e a tutte le persone che ne beneficeranno di comprendere cos’è il ML e come funziona. Si tratta di abilitare un certo tipo di conoscenza anche per figure lontane da quella del data scientist. Si procede dunque alla ricerca delle aree di business dove il Machine Learning può fare la differenza. Troppo spesso le idee relative al contesto dove il progetto sarà implementato sono vaghe: attraverso questo workshop, Injenia aiuta l’impresa a individuare le aree specifiche su cui intervenire.

In seguito, il Single Process Machine Learning Workshop viene messo in atto quando l’azienda ha già in mente il tipo di progetto che vuole portare avanti. Subentrano quindi due fasi di assessment: una legata ai dati, nutrimento fondamentale per il Machine Learning, e l’altra focalizzata sul business, dove viene valutata la capacità della macchina organizzativa di supportare il progetto nel tempo.

L’importanza delle persone al centro

I progetti di Machine Learning partono da tre precise esigenze aziendali, che non hanno a che fare in modo diretto con la tecnologia:

- la crescita del business;

- l’aumento della marginalità e il risparmio di tempo e costi legati a specifiche attività;

- la strutturazione di nuovi servizi.

La metodologia sviluppata da Injenia parte da queste specifiche necessità del business e sottolinea l’importanza delle persone all’interno del processo. Mettere le persone al centro, spiega Cristiano Boscato, significa eliminare la dicotomia che si è sviluppata nelle aziende tra automazione e persone.

Per comprendere la centralità del pensiero umano basta tornare alle basi. Fare ML significa rendere la macchina in grado di imitare le azioni di una persona. Questo significa che, per allenare l’algoritmo e renderlo efficiente, tutto deve partire dall’esperienza e conoscenza delle persone.

Know-how ed esperienza

Quando Injenia parla di esperienza e conoscenza invita a coinvolgere l’ultimo miglio, ossia le persone che sono in contatto diretto con il cliente. In particolare, è importante individuare gli SME (Subject-matter expert): si tratta di figure aziendali riconosciute come autorità in una particolare area e la cui expertise diventa l’elemento chiave per istruire la macchina. L’obiettivo è di business quindi le competenze delle persone che contribuiscono allo sviluppo dell’azienda sono imprescindibili per realizzare un algoritmo in grado di raggiungerlo.

Proprio per questo un altro concetto importante è quello di Human-in-the-Loop. Due sono gli elementi da tenere a mente per comprenderlo e metterlo in pratica:

1. Il Machine Learning si esprime in numeri, in accuratezza, precisione e recupero. Esistono progetti che possono portare vantaggi concreti per il business con il 70% di accuratezza, altri che non potranno mai vedere la luce pur raggiungendo il 99,9% di precisione. Indicare fin dal principio cosa l’azienda si aspetta dal progetto è compito delle persone.

2. La tecnologia non può sostituire le persone, semplicemente aumenta la loro creatività e capacità che sono fondamentali per progettare e accelerare l’innovazione. È quasi come se donasse superpoteri, commenta Cristiano Boscato, posso usarla per arrivare più lontano in modo più veloce. Questo rapporto continua in azienda: se ottengo un algoritmo in grado di automattizzare il 70% del lavoro come posso integrare il restante 30% in modo intelligente? Si tratta di cambiare punto di vista e vedere le persone e il Machine Learning come alleati.

Come scegliere i giusti KPI

I KPI di un progetto di Machine Learning nascono dall’unione di indicatori tipicamente business ad alcuni più specifici che riguardano la tecnologia stessa.Ogni progetto ML in azienda è vivo, può evolvere al mutare dei dati. Anche per questo è importante ragionare end-to-end attraverso quattro domande specifiche:

1. Che problema di business risolve e che benefici porterà?
   Molte iniziano progetti ML senza prima aver analizzato i vantaggi che la nuova soluzione porterà nel futuro, di conseguenza faranno fatica a misurarne il successo.
   

2. A proposito di successo, come valutare quello di una soluzione ML?
   Non tutti i progetti sono uguali e sono le persone che, a monte, definiscono quando ritenersi soddisfatte o meno dei risultati raggiunti.
   

3. Qual è l’impatto della soluzione?
   Vale sempre la pena chiedersi, soprattutto se si tratta del primo investimento, se il ML sarà implementato in processi core del business o solo in aspetti secondari. In questo modo sarà più facile valutare il ritorno dell’investimento.
   

4. Come si può risolvere il problema senza il Machine Learning?
   La risposta in questo caso, dice Cristiano Boscato, risiede nella stessa domanda.

Due storie di successo e innovazione

L’esperienza nello sviluppo di soluzioni Machine Learning realmente utili alle aziende ha reso Injenia un punto di riferimento nel settore. Nella parte conclusiva del suo intervento, Cristiano Boscato ha presentato due casi di successo di realtà molto diverse tra loro.

Il primo progetto, che nel 2020 ha vinto i Digital Awards come progetto ML più innovativo, è quello realizzato per Heratech in relazione alla clorazione dell’acqua nella rete idrica. L’azienda dispone di 6700 impianti sul territorio in cui i livelli di cloro vengono monitorati attraverso specifici sensori. L’esigenza di business in questo caso era ridurre i casi di falsi allarme che costringevano le squadre specializzate a recarsi inutilmente sul posto.

Injenia ha realizzato un progetto unendo reti neurali convoluzionali, tipiche dell’image recognition, alla mole di dati raccolti quotidianamente dall’azienda con risultati incredibili.

Heratech è stata così in grado di ridurre di oltre l’85% i falsi allarmi, ottimizzare al meglio l’impiego delle risorse in azienda e aumentare la propria capacità predittiva di eventuali guasti.

La seconda storia di successo riguarda il virtual assistant di Credito Cooperativo Romagnolo (CCR) e Injenia che quest’anno ha vinto il Premio Innovazione Smau. La soluzione è in grado di raccogliere contatti di tipo commerciale dal sito, facilitare le attività di customer service e dare supporto ai clienti durante la navigazione sul sito. Non solo il linguaggio del chatbot è stato programmato per rispondere alle domande degli utenti, ma è stato costruito l’intero percorso di backend. L’algoritmo è in grado di capire quando, per le richieste di consulenza più complesse, è necessario far intervenire l’umano. Non si è trattato quindi solo di automatizzare le risposte alle domande più comuni ma di migliorare nel complesso le attività di comunicazione, marketing e consulenza della banca.