Intelligenza artificiale (IA) e Machine Learning (ML) sono due tra le tecnologie più di tendenza utilizzate per la creazione di sistemi intelligenti

Sebbene queste siano tecnologie correlate e talvolta siano usate come sinonimo l’una per l’altra, entrambe descrivono aspetti e settori applicativi diversi

L’Intelligenza artificiale è un ambito di ricerca indirizzato a realizzare sistemi informatici intelligenti in grado di simulare la capacità e il comportamento del pensiero umano, mentre il Machine Learning, o apprendimento automatico, è un sottoinsieme dell’Intelligenza Artificiale che consente ai sistemi informatici di apprendere dai dati senza essere programmati in modo esplicito. Dunque potremmo dire che tutto ciò che riguarda il machine learning rientra nell’intelligenza artificiale, mentre l’intelligenza artificiale non include solo il Machine Learning.

Intelligenza Artificiale vs Machine Learning 

Intelligenza artificiale e machine learning

Foto di Pavel Danilyuk

.

Intelligenza Artificiale è una parola composta dai termini “Artificiale” e “Intelligenza”, per esprimere il concetto di “potere di pensiero creato dall’uomo”. Una tecnologia con cui possiamo creare sistemi intelligenti in grado di simulare l’intelligenza umana.
Un sistema dotato di intelligenza artificiale non richiede di essere pre-programmato, ma utilizza algoritmi che possono funzionare autonomamente. Coinvolge algoritmi di apprendimento automatico come quello di apprendimento di rinforzo (che gli permette di apprendere e adattarsi alle mutazioni dell’ambiente) e le reti neurali di apprendimento profondo. L’intelligenza artificiale viene utilizzata da molti prodotti già attualmente in commercio nelle nostre case, come Siri, AlphaGo di Google, l’intelligenza artificiale nel gioco degli scacchi, ecc.

Il Machine Learning invece riguarda l’estrazione di conoscenza dai dati. È un sottocampo dell’intelligenza artificiale e consente a un sistema informatico di fare previsioni o prendere alcune decisioni utilizzando dati storici senza essere programmato in modo esplicito. L’apprendimento automatico utilizza un’enorme quantità di dati strutturati e semi-strutturati in modo che un modello di apprendimento automatico possa generare risultati accurati o fornire previsioni basate su tali dati.

Il Machine Learning funziona su algoritmi che apprendono da soli utilizzando dati storici.  L’apprendimento automatico viene utilizzato in vari luoghi come il sistema di raccomandazione online, gli algoritmi di ricerca di Google, il filtro antispam e-mail, il suggerimento di tag amico automatico di Facebook, ecc.

Alcune delle promesse più interessanti del Machine Learning per l’impresa

Sono molte le applicazioni dell’apprendimento automatico. Possiamo ricordarne alcune particolarmente interessanti in applicazioni commerciali:

  • Ottimizzazione del prezzo. Che si ottiene come trade off tra obiettivi aziendali, prezzi dei concorrenti, stagionalità, richiesta locale, quantità ventute, costi operativi)
  • Previsione della domanda. Il sistema fa previsioni in anticipo su cosa gli utenti compreranno in un determinato periodo dell’anno, evitando le attese sulle consegne e perdita in competitività
  • Ricerche intelligenti. Migliora l’esperienza di acquisto del cliente dove il matching esatto non è il solo obiettivo. Per esempio i prodotti devono essere trovati nonostante eventuali errori ortografici. Ecommerce come Zalando o Amazon ad esempio fanno un uso importante della tecnologia di cui parliamo.
  • Sistemi di Cross-Selling e Up-Selling (o di raccomandazione).  Vi sarete sicuramente imbattuti in quei siti ecommerce in cui oltre all’articolo che vorreste acquistare vi propongono, come se foste un vecchio ed affezionato cliente, articoli simili o scontati ma con maggiore margine di guadagno. Il Cross Selling consiste infatti nel proporre al cliente che ha già compiuto l’acquisto di prodotti o servizi aggiuntivi. Lo fanno tipicamente le compagnie aeree che propongono – insieme al volo – anche il noleggio di un mezzo, la prenotazione dell’Albergo o l’acquisto di un’escursione. L’Up Selling, invece è una tecnica di vendita in cui il cliente viene incentivato ad acquistare un numero maggiore dello stesso prodotto.  Come? Con degli incentivi economici: lo sconto sull’acquisto di più prodotti o la possibilità di avere una estensione della garanzia.  Amazon su attribuisce più del 35% dei suoi ricavi alle tecniche di Cross-selling.

Intelligenza artificiale e machine learning

Foto di Pavel Danilyuk

 

Tra gli scopi del Machine Learning, creare un modello per il valore del ciclo di vita del cliente

Trovare un modello che si adatti a fare previsioni sul valore del ciclo di vita del cliente è fondamentale per le aziende. Specialmente negli e-commerce, anche se è comunque applicabile anche in molti altri settori.  Il machine learning elabora modelli per riconoscere e fidelizzare i proprio clienti. Sistemi che elaborano una quantità enorme di dati, come tracce di navigazione (quante volte mi sono recato a…), o di preferenza di acquisto, o di hobby personali, con il fine di prevedere gli acquisti più frequenti e migliorare la customer satisfaction.

Questi modelli elaborano valori nel ciclo di vita del cliente utili per prevedere acquisti futuri in ogni singolo cliente in un determinato periodo. Sono informazioni utilissime per le aziende che possono così indirizzare strategie di marketing migliori per stimolare i propri clienti ad interagire più spesso con i brand aziendali. Modelli come questi aiutano inoltre le imprese a investire in operazioni promozionali verso clienti che presentino comportamenti o profili simili ai clienti già acquisiti.

Il video seguente fa parte del progetto DigiMood del Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB) del Politecnico di Milano, istituzione scientifica di livello mondiale pienamente impegnata nella ricerca all’avanguardia, nella formazione e nel trasferimento tecnologico in informatica, elettronica, automatica, telecomunicazioni e bioingegneria. Il Prof. Marco Brambilla qui spiega come qualsiasi necessità dovuta a una motivazione reale (ad es. se la  vendita dei miei prodotti o servizi in un certo periodo avrà successo) richieda la raccolta di dati grezzi (come le analisi delle vendite in periodi precedenti e/o dei miei  competitor) che devono poi essere compresi per essere trasformati in informazioni significative. Da lì abbiamo bisogno di estrarre ulteriormente schemi ripetitivi per costruire una conoscenza preziosa che a sua volta ci servirà probabilmente per pianificare la nostra strategia a lungo termine per il successo (ad es. quanto e quanto tempo prima devo investire in pubblicità). Per fare questo elaboriamo dei modelli predittivi che sono si una semplificazione della realtà ma anche un ingrediente fondamentale del processo decisionale basato sui dati, e si trovano all’intersezione tra machine learning e intelligenza artificale.

Sottotili in italiano attivabili.

Accetta i cookie statistiche, marketing per visualizzare questo video.

 

Marco Brambilla è professore ordinario presso il Politecnico di Milano e si occupa di progetti di ricerca e innovazione relativamente a data science, big data, crowdsourcing, social media analytics e model-driven engineering.
È docente dei corsi “Enterprise ICT architectures” e “Systems and methods for big and unstructured data”. Gestisce progetti didattici multidisciplinari internazionali, in particolare con università americane (Harvard, MIT, NYU).
Co-fondatore di startup e spinoff, tra cui WebRatio, Fluxedo e Quantia, che si occupano di soluzioni IoT, Web e mobile, big data analytics e integration e progetti di behaviour analysis basata su dati provenienti da multiple sorgenti.
Ha gestito numerosi progetti di ricerca internazionali, tra cui vari progetti EU FP7 e H2020. Svolge inoltre progetti di innovazione, consulenze e corsi di formazione presso università, enti pubblici e grandi imprese.
È coautore dei libri Designing Data-Intensive Web Applications (Morgan-Kauffman, 2002), Model-Driven Software Development in Practice (II edizione, Morgan-Claypool, 2017, adottato in oltre 100 università in tutto il mondo), Web Information Retrieval (Springer, 2013), Interaction Flow Modeling Language (Morgan-Kauffman, 2014) e di vari testi didattici.

 

Il ruolo della Business Intelligence

La business intelligence fornisce dati e insight che dirigenti, manager e analisti possono utilizzare per prendere decisioni orientate al raggiungimento degli obiettivi aziendali e alla crescita. È quindi un ruolo chiave nel processo decisionale e strategico delle organizzazioni aziendali.

Business Intelligence Group è in grado di analizzare analizzare il comportamento dei vostri clienti con l’utilizzo di sistemi di rilevazione intelligenti come i dati biometrici  utili per raccogliere in modo spontaneo comportamenti, percezioni e valutazioni da parte dei clienti o utenti on line che difficilmente possono essere rilevati con altre tecniche di ricerca.

 

Un clic qui per maggiori informazioni sui nostri Sistemi di Rilevazione Intelligente