Intelligenza artificiale machine learning

Poche tecnologie sono più di tendenza dell’intelligenza artificiale (AI) e del machine learning (ML), che imitano il comportamento della mente umana per aiutare le aziende a migliorare le loro attività. E per le aziende che stanno percorrendo la strada della trasformazione digitale, AI e ML sono considerate tecnologie fondamentali per attrarre i clienti con nuovi servizi.

Un marketing aggressivo ha scatenato grande interesse intorno a queste tecnologie emergenti. Ristoranti, rivenditori e compagnie aeree mettono a disposizione dei loro clienti chatbot che simulano conversazioni umane. IBM ha spinto Watson, la sua tecnologia core per l’intelligenza artificiale, come supporto per la cura del cancro. Il colosso statunitense John Deere ha recentemente investito 305 milioni di dollari per acquistare la startup Blue River Technology, che produce attrezzature per l’agricoltura che sfruttano il machine learning. Anche Uber, nonostante sia impegnato in diverse battaglie legali, ha trovato il tempo per presentare Michelangelo, una piattaforma interna di ML as-a-service che “democratizza l’apprendimento automatico e rende scalabile l’AI per soddisfare le esigenze di un’azienda in modo semplice come prenotare una corsa”.

Tuttavia, come spesso avviene, l’hype intorno a una tecnologia supera la realtà. Il divario tra l’ambizione di AI/ML e la loro reale applicazione è ancora grande secondo i dati recentemente diffusi da MIT Sloan Management Review e The Boston Consulting Group, che hanno intervistato più di 3.000 dirigenti, manager e analisti in tutto il mondo. Solo circa il 20% degli intervistati dice che la loro azienda ha integrato una qualche forma di AI e meno del 39 per cento ha una strategia AI in atto. Tuttavia, l’85 per cento è convinto che l’AI permetterà alla loro aziende di ottenere o sostenere un vantaggio competitivo.

Riconoscendo l’opportunità di spostare l’ago per le proprie aziende, alcuni CIO stanno sperimentando, costruendo e anche brevettando nuove tecnologie AI e ML. Tra questi ci sono Bill Hoffman della U.S. Bank, Ed McLaughlin di Mastercard e Cynthia Stoddard di Adobe Systems, che hanno raccontato a CIO la propria esperienza.

Conoscere meglio i propri clienti

Come molte grandi banche, la U.S. Bank ha raccolto numerosi dati sui clienti. E come la maggior parte delle banche, ha cercato di ricavare da questi dati insight utilizzabili. Bill Hoffman, chief analytics officer della U.S. Bank, negli ultimi mesi ha utilizzato la tecnologia Einstein AI/ML di Salesforce.com per aumentare la personalizzazione in alcune business unit, tra cui quelle dedicate alle piccole imprese e ai patrimoni commerciali.

Se un cliente ha cercato sul sito della banca informazioni sui prestiti ipotecari, un agente del costumer service clienti può fare il follow up del cliente la prossima volta che visiterà il sito. Einstein permette anche di riconoscere pattern che gli esseri umani potrebbero non vedere. Per esempio, il software può suggerire agli agenti di contattare un futuro cliente in un settore particolare il giovedì dalle 10.00 alle 12.00, perché è l’orario in cui è più probabile che risponda a una telefonata. Einstein può anche inserire un promemoria nel calendario dell’agente per ricordargli di chiamare il potenziale cliente il giovedì successivo.

Tali capacità vanno al cuore di ciò che molte società di servizi finanziari stanno cercando di fare: ottenere una visione a 360 gradi dei clienti per consigliare i servizi più adatti a loro in questo momento. “Ci stiamo spostando da un mondo che descriveva quello che era accaduto o che stava succedendo a un mondo focalizzato su ciò che succederà o potrebbe succedere”, dice Hoffman. “Il valore fondamentale è essere un passo avanti, anticipando le esigenze dei nostre clienti e il canale attraverso cui vogliono interagire con noi”.

Il consiglio: adottate un approccio di sperimentazione con AI e ML e siate pazienti. Ma siate anche pronti a scalare le cose che funzionano. “E’ importante mettere sempre al centro il cliente”, sottolinea Hoffman, “e chiedersi come potrà beneficiare di un nuovo servizio”.

Il machine learning rimuove la “fatica” e rende il lavoro più produttivo

Ed McLaughlin, presidente delle operazioni e della tecnologia di Mastercard, afferma che il ML “pervade tutto quello che facciamo”. Mastercard utilizza il ML per automatizzare ciò che definisce “fatica”, ovvero attività ripetitive e manuali, e liberare gli esseri umani per eseguire lavori che aumentano la produttività. “Abbiamo raggiunto uno stato dell’arte in cui esiste un chiaro caso di investimento per automatizzare i compiti sul posto di lavoro”, afferma McLaughlin.

Mastercard utilizza anche strumenti ML per aumentare il change management in tutto il suo ecosistema di prodotti e servizi. Per esempio, gli strumenti ML aiutano a determinare quali sono le modifiche meno rischiose e quelle che richiedono controlli supplementari. Inoltre Mastercard utilizza il ML per rilevare anomalie nel suo sistema che suggeriscono tentativi di intrusione da parte di hacker. McLaughlin mette anche una “rete di sicurezza” nella rete; quando vengono rilevati comportamenti sospetti si attivano interruttori che proteggono la rete. “Abbiamo sistemi che assegnano un punteggio alle truffe e osservano costantemente le transazioni per aggiornare tale punteggio e valutare le successive transazioni”, spiega il manager.

Il consiglio: secondo McLaughlin l’intelligenza artificiale e il machine learning sono solo strumenti all’interno di un ampio toolkit per i processi di pagamento. Nonostante tutti i nuovi brillanti strumenti disponibili sul mercato, il manager afferma che i CIO non dovrebbero affidarsi ad essi per risolvere magicamente i problemi aziendali.

L’intelligenza artificiale come prodotto e abilitatore del business

Cynthia Stoddard, CIO di Adobe Systems, sta ridisegnando il suo dipartimento con un “modello operativo basato sui dati“, affidandosi ad analisi basate su Hadoop per acquisire insight e migliorare sia l’IT che l’azienda. Nell’ambito di una strategia data-driven, Stoddard dice che sta sperimentando il machine learning per analizzare i ticket nel software di help-desk e cercare trend nei guasti del sistema. Se il sistema rileva eventi che suggeriscono un possibile guasto, il sistema può essere proattivo ed eliminare o mitigare tali eventi prima che si verifichino problemi.

Identificare pattern nei guasti del servizio IT”, spiega Stoddard, “potrà consentire ad Adobe di sviluppare delle capacità di ‘auto-correzione’ che eseguono i lavori attualmente svolti dallo staff IT”. Il CIO sta inoltre esaminando la tecnologia chatbot per gestire le richieste di supporto IT.

Anche l’unità commerciale di Adobe ha abbracciato l’AI. Lo scorso anno l’azienda ha introdotto Sensei, uno strato di tecnologia AI applicato al suo prodotto per la creazione e pubblicazione di documenti e per l’analisi e il monitoraggio delle prestazioni delle applicazioni web e mobile.

Il consiglio: l’utilizzo del ML per identificare modelli è la chiave per creare funzionalità di auto-correzione. “Se sai come hai risolto un problema, puoi inserire l’elemento di auto-correzione e portar fuori dall’equazione l’elemento umano“, conclude Stoddard.

 

WHITEPAPER GRATUITI