Intelligenza Artificiale – la soluzione per i problemi “intelligenti”

Apr 6, 2021

Imbarcarsi in un progetto di Artificial Intelligence significa per prima cosa individuare un campo di applicazione; la tecnologia viene dopo infatti, il primo passo è sempre la comprensione dello scope del problema e lo studio attento di una soluzione, che può essere di natura tecnologica, ma può anche essere più semplice e diretta.

In questo approfondimento esploreremo i due momenti di analisi del dominio e di studio della soluzione, identificando i casi in cui l’Intelligenza Artificiale può portare ad un beneficio autentico.

Come identificare il problema da risolvere?


Il primo passo è senza dubbio lo studio attento dello scenario di riferimento.

Una conoscenza approfondita dei processi e degli attori coinvolti infatti è indispensabile per identificare ambiti di miglioramento. Questa conoscenza può derivare dall’esperienza diretta, oppure può essere “assorbita” dalle persone quotidianamente coinvolte nei processi in esame.

Per la creazione di un prodotto innovativo però la conoscenza dei processi non basta, la chiave è sapere quali sono le potenzialità, ma anche i limiti, della tecnologia e quindi fino a che punto può rappresentare una soluzione. Non dimentichiamo inoltre di considerare anche quale sia la audience target del progetto – più o meno “Tech Savvy” – e il contesto normativo che regola l’applicazione di queste tecnologie per esempio in termini di protezione dei dati sensibili.

Una volta raggiunto un buon livello di conoscenza iniziale si può passare allo step successivo, scomporre i processi nelle loro componenti fondamentali, i “mattoncini” che permettono di identificare più chiaramente eventuali inefficienze o problemi. Perché questo avvenga, è indispensabile che la conoscenza del campo di applicazione non sia solo teorica, ma abbia un chiaro fondamento pratico. L’esperienza infatti è fondamentale per individuare le problematiche collegate ad un processo, che possono essere difficili da cogliere dall’esterno ma diventano evidenti con la pratica.

In questi termini, è importante ricordare che l’esperienza di settore non è mai univoca, ma dipende profondamente dall’interlocutore e deve essere per questo ricercata a tutti i livelli all’interno dell’organizzazione. Nel concreto, infatti, il personale operativo aziendale ha accesso a processi e annesse problematiche con cui il top management difficilmente entra in contatto e i middle manager a loro volta hanno esperienze ancora differenti. E’ importante includere tutte queste considerazioni nel disegno della soluzione finale.

Problema tecnologico, di processo o entrambi?


Una volta identificato quindi il processo che si vuole migliorare e raccolta la necessaria conoscenza ed esperienza in merito, lo step successivo è valutarne attentamente la
natura. Le inefficienze sono associate agli strumenti utilizzati nel processo o è il processo in sé a rappresentare un problema? Questa è una domanda molto importante e non banale – soprattutto oggi che la stragrande maggioranza del lavoro quotidiano avviene in digitale.

É comune che la prima azione considerata sia la possibilità di riscrivere il flusso di lavoro. Questo è un tipo di progettualità che tipicamente ha importanti conseguenze sull’organizzazione in termini di tempi e costi e che comporta importanti benefici in termini di prestazioni e performance.

Anche in questo caso però bisogna tenere conto che oggi la digitalizzazione è il cuore della grande maggioranza dei processi e delle operazioni. Per questo è sempre possibile che le inefficienze e i problemi siano almeno in parte di natura tecnologica: errata adozione, cattiva manutenzione e utilizzo poco o male informato hanno spesso creato sistemi informatici definibili “mostri”. E’ proprio per evitare che questo accada che è importantissimo osservare i processi con coscienza delle potenzialità, ma anche i limiti delle soluzioni tecnologiche, anche in termini di target audience e ambiente informatico.

L’Intelligenza Artificiale è sempre la risposta?


Chiaramente no. Le potenzialità di questa tecnologia sono incredibili, ma questo non significa che ogni processo possa beneficiare di un software intelligente di questo tipo.

I tempi in cui viviamo e la diffusione sempre maggiore di tematiche tecnologiche hanno fatto sì che l’Intelligenza Artificiale venga citata in ogni iniziativa minimamente tecnologica, ma la realtà è che in molti casi non si tratta di vera A.I. In effetti, mediamente, la realtà è che della totalità del progetto software solo una piccola percentuale è effettivamente composta da algoritmi complessi associabili all’A.I. Attenzione: questo non è un male, anzi. Prima di correre bisogna camminare e nella vita vera si incrociano normative, processi, utenti, budget, tempo, abitudini e altri problemi che sono spesso risolvibili con tecnologie meno sofisticate ma non meno importanti. L’A.I. esiste e va utilizzata dove e quando serve – in cherry bit la utilizziamo in diversi flussi di lavorazione insieme a quintali di software engineering e confronto con gli operatori di mercato.

Astraendo il concetto, a seconda della maturità del dominio di mercato ha più o meno senso cimentarsi in iniziative A.I. più o meno spinte. E’ anche vero che dove ha senso, l’applicazione di algoritmi di A.I. è incredibile e il suo impatto sulla vita – anche lavorativa – di tutti i giorni è veramente molto positivo. 

E’ importante considerare  inoltre che le soluzioni di A.I. non sono quasi mai un prodotto “ready-made”, ma richiedono un complesso sviluppo in termini di tempo e di risorse.

E’ proprio per questo motivo che è molto importante concentrare l’applicazione sui pochi passaggi chiave che possono trarne il massimo valore.

Un’altra cosa da considerare con attenzione è “l’ambiente tecnico” in cui ci si trova: l’implementazione di A.I. infatti richiede un’architettura informatica ben strutturata e di un certo spessore per poter dialogare con gli utenti del sistema e presentare l’elaborazione dei dati forniti in maniera chiara e accessibile.

Come si è applicato questo processo a Cherry Bit?


In Cherry Bit abbiamo per prima cosa studiato in profondità il mercato del credito deteriorato, e identificato una serie di processi manuali (due diligence, onboarding, valutazione di portafoglio, et al.) che presentavano un largo margine di miglioramento.

In seguito a questa analisi abbiamo identificato l’obiettivo: costruire un sistema informatico in grado di eseguire in maniera più autonoma e veloce ciò che richiede ore di impegno umano.

Una volta stabilita la portata del progetto abbiamo osservato nel dettaglio i processi di valutazione e analisi esistenti e abbiamo identificato la prima sfida nella creazione di un modello strutturato per la raccolta dei dati, in grado di interrogare fonti diverse ed estrarre le informazioni chiave dal materiale ricevuto.

La raccolta dati infatti è un punto di partenza fondamentale per un sistema informatico: proprio come un medico si basa sulla sua esperienza (i dati che ha immagazzinato ed elaborato nella sua vita) per fare una diagnosi, così un computer necessita di un’immensa mole di dati per essere in grado di prendere decisioni – o suggerire valutazioni – in maniera autonoma.

Così abbiamo creato un sistema di scraping, che richiede le informazioni necessarie dalle fonti migliori e lo fa molto molto velocemente.

I dati così ottenuti però – provenienti da sorgenti diverse – devono essere riorganizzati e riconciliati in quanto le informazioni sono riportate in formati diversi e non sono confrontabili direttamente.

Per risolvere questo problema abbiamo utilizzato un mix di data modeling e algoritmi statistici avanzati in grado di riconciliare i dati ad un’unica rappresentazione – quella di cherry bit.

L’A.I. in Cherry Bit


La Data Quality è un ambito di applicazione ideale per un software intelligente, che supera molte volte l’umano quando si tratta di mole di dati e di velocità di elaborazione, anche se i risultati così ottenuti devono sempre essere interpretati a mano.

Nello specifico abbiamo implementato un sistema molto sofisticato, che oggi usiamo quotidianamente, che è in grado di esplorare i documenti raccolti estrapolando i dati di interesse e riconducendoli al nostro Data Model, un registro comune di formato e stile che garantisce la confrontabilità e la facile consultazione da parte dell’umano.

Il lavoro del software però non si conclude con la pulizia dei dati, ma sul database pulito viene effettuato un processo di analisi che ricerca dati “outliers”, eventuali anomalie rispetto ai casi medi “noti” e li evidenzia per un controllo umano.

Questi modelli e algoritmi, completamente proprietari, sono gli stessi che usiamo anche per fare statistiche e ottenere dati non immediatamente evidenti (come, ad esempio, le informazioni statistiche sui tribunali presentate su Cherry Sea).

La tecnologia è un mezzo, non un fine.


In conclusione, l’importante
takeaway è di non “forzare” una soluzione tecnologica in una situazione in cui non è necessaria o compatibile: l’obiettivo è sempre il risultato finale e se questo è ottenibile con un’operazione più semplice conviene seguire questa strada.

La tecnologia è un mezzo, non un fine!

Articoli correlati