Yufeng Guo di Google descrive la tecnologia del machine learning come l’utilizzo di Dati per rispondere a domande. Yufeng identifica queste due realtà che insieme costituiscono la tecnologia dell’apprendimento automatico: l’allenamento, ovvero l’utilizzo dei dati, e l’inferenza, la risposta alle domande.
Per allenamento si intende il processo di utilizzo di informazioni (o data) allo scopo di informare la creazione di un modello matematico capace di fare inferenza. E per inferenza si intende il processo tramite il quale questo modello può estrapolare risposte da informazioni ad esso del tutto nuove.
È chiaro dunque che la chiave di questo processo sono i data – o le informazioni, ed è per questo che oggi l’umanità ne è così assetata.
I data come asset
Ogni impresa a prescindere dal proprio modello di business prende decisioni sulla base di informazioni che ha sul mondo esterno, sul mercato in cui opera, e sulle persone con cui lavora. Allo stesso modo la tecnologia del machine learning può essere utile alle imprese soltanto con informazioni ben strutturate in merito agli affari dell’impresa.
Queste informazioni devono essere strutturate in quelle che si definiscono features, ovvero valori misurabili a rappresentare un particolare aspetto dell’informazione che si intende elaborare. Molte delle decisioni prese da un’impresa all’interno di un mercato, specialmente quelle inerenti alle vendite, al marketing o alle risorse umane, sono di carattere sociale, nel senso che tali decisioni sono sensibili al rapporto dell’impresa con altre persone o gruppi di persone.
È quindi chiaro come ogni impresa, a prescindere dal settore in cui opera, debba semantizzare le informazioni che ha a disposizione in merito agli individui che influiscono sui propri affari, se vuole incorporare l’intelligenza artificiale nel proprio processo decisionale. Questo significa tenere un database dove si raccolgono i dettagli demografici, i dettagli comportamentali e lo storico delle transazioni di ogni attore che ha impatto sul proprio business, questi siano i clienti, i dipendenti, i partner e via discorrendo.
Queste informazioni vengono raccolte e tenute a prescindere dalle inferenze che si intendono fare, come materiale per allenare qualsiasi modello di intelligenza artificiale ci si troverà a dover utilizzare per prendere decisioni in futuro.
Da leggere: 5 motivi per cui la tua azienda dovrebbe digitalizzarsi
I data in pratica
In concreto, i ‘data’ prendono spesso la forma di un database. Esistono diverse forme che i database possono assumere, da un semplice foglio excel a un database MySQL. Per le aziende fuori dal settore tecnologico, esistono una serie di soluzioni ‘no-code’ a disposizione di tutti come per esempio Airtable, il servizio che consente agli utenti di creare un database flessibile che unifichi sotto un unico tetto informazioni da varie fonti come Salesforce, Slack, Hootsuite, e molti altri.
Con strumenti del genere, le aziende possono tenere traccia di tutte le informazioni necessarie per poter utilizzare l’intelligenza artificiale nei propri processi decisionali.
Da leggere: Database sul glossario di Studio Samo
Il machine learning in pratica
Una volta che si ha un database ben curato, l’effettivo processo di implementazione del machine learning può sembrare a primo impatto inarrivabile senza un esercito di sviluppatori e data scientist, questo, se si ignora il machine learning automatizzato.
Il machine learning automatizzato sottrae allo sviluppatore il compito di preparazione dei data, di scelta del modello di apprendimento più adatto e di valutazione dell’efficienza del modello finale. Esistono numerose piattaforme dove è possibile caricare il proprio dataset e in un paio di click ottenere un modello in grado di eseguire inferenza su nuove informazioni strutturate analogamente.
Chiaramente questa tecnologia può risultare limitata se si ha intenzione di utilizzare il machine learning in maniera del tutto originale e innovativa – nel quale caso è invece meglio avere un team di sviluppatori – ma per la grande maggioranza di processi di decision-making aziendale, il machine learning automatico ha una soluzione. Di seguito, alcune delle piattaforme più conosciute che forniscono servizi di machine learning automatizzato:
Caso Studio
Prendiamo in esame un’impresa che fornisce servizi B2B e ottiene lead da una strategia di marketing multi-canale. Il processo di marketing finisce all’acquisizione di un lead, dove comincia un processo di sales con un consulente che, grazie all’infrastruttura software aziendale, conosce sia i dati demografici del potenziale cliente, che il canale tramite il quale è stato convertito in prospetto e lo stadio all’interno del funnel di vendita dove è stato convertito in lead.
Se l’azienda ha una serie storica delle informazioni di tutti i passati lead, corredata con il successo o meno del processo di vendita di ognuno, il manager delle vendite potrebbe utilizzare tale serie storica per allenare un modello di intelligenza artificiale che scovi le relazioni nascoste tra le diverse informazioni, e sia in grado di prevedere la probabilità di conversione di ogni nuovo lead.
Con una piattaforma come Obviously.ai, il manager delle vendite potrà procurare a tutti i consulenti un software generato automaticamente che consenta a ognuno di valutare al volo ogni nuovo lead per capire a quale rivolgere maggiore attenzione o meno, ottimizzando il processo di vendita e riducendo gli sprechi del capitale umano.
Allo stesso modo una impresa B2C potrà far uso dell’API fornito dalla piattaforma per implementare un processo di vendita completamente automatico con poche righe di codice e perché no, magari anche utilizzare AWS Lex o Google DialogFlow per interagire con ogni lead tramite un chatbot.
Conclusioni
In conclusione, oggi l’intelligenza artificiale può essere facilmente integrata nei processi di marketing, vendita, risorse umane, logistica, operazioni e via discorrendo senza bisogno di un team di sviluppatori in-house. Occorre però pianificare una buona strategia di data intelligence sul lungo termine prima di poter utilizzare l’intelligenza artificiale a proprio favore.
