Le aziende adottano l’Intelligenza Artificiale

Ascolta “Le aziende adottano l'Intelligenza Artificiale” su Spreaker.

1       AI: La storia

Per circa tre secoli i principali driver della crescita economica sono stati le innovazioni tecnologiche. Le più importanti sono quelle che gli economisti chiamano le tecnologie multiuso o general purpose technologies (GPT), ovvero una categoria di tecnologie che possono essere implementate per diversi scopi, come ad esempio il motore a vapore, l’elettricità e il motore a combustione. Ognuna di queste invenzioni ha successivamente stimolato un’ondata di innovazioni complementari e di opportunità. Una delle più importanti general purpose technologies della nostra era è proprio l’IA, in particolare la machine learning.

Tornando indietro nel tempo, precisamente nei primi anni del XXI secolo, l’IA trova il suo primo impiego in campo industriale e fu proprio quello l’istante in cui il sistema economico iniziò ad esserne sempre più influenzato. In particolare, l’IA ha impattato e continua a farlo sulla gran parte degli operatori e dei soggetti economici impiegati nelle attività di consumo, lavoro e produzione.

Prima dell’introduzione di questa tecnologia, a costituire le fondamenta del settore industriale, c’è stato prevalentemente il lavoro dell’uomo inteso come manodopera e genio. Nel XXI secolo però è subentrata una forza completamente nuovache ha spostato gli equilibri e portato cambiamenti radicali all’intero sistema, si tratta del’Intelligenza Artificiale. Sebbenesia già in uso in migliaia di imprese, non è stata ancora sfruttata la maggior parte delle opportunità offerte dall’AI.

Gli effetti dell’AI saranno maggiori nel prossimo decennio, in quanto le imprese appartenenti al settore manifatturiero, del retail, dei trasporti, finanziario, sanitario, legale, pubblicitario e assicurativo trasformeranno i loro processi principali e il loro business model per ottenere vantaggi dalla machine learning.

2       AI: Oggi

A settembre 2024 quasi diecimila imprese italiane hanno utilizzato, o integrato, l’intelligenza artificiale nelle proprie linee di prodotto o servizio, con una crescita di circa il 30% rispetto ai 12 mesi precedenti. Non sorprende quindi la richiesta esponenziale di professionisti competenti in materia di AI, passati da 40.000 a inizio 2024 agli attuali oltre 300.000 (+650%). Uno sviluppo accompagnato da un forte aumento della partecipazione femminile nel settore, che è salita dal 30 a oltre il 40 per cento. Tuttavia, non mancano gli ostacoli poiché la diffusione dell’intelligenza artificiale nelle aziende rivela una chiara disomogeneità tra le grandi realtà e le PMI. Inoltre, come sempre sosteniamo in ambito innovazione, sono necessari investimenti non solo in tecnologie, ma anche nelle competenze manageriali indispensabili per guidare l’innovazione.

Secondo il VI rapporto dell’Osservatorio di 4.Manager “Intelligenza Artificiale. Cambiamento culturale e organizzativo per imprese e manager: nuove traiettorie della managerialità”, molte imprese (48,1%) integrano l’AI per migliorare i processi, mentre il 40% sottolinea l’importanza della collaborazione interdisciplinare per sfruttarne al meglio i benefici. Le realtà più grandi adottano l’intelligenza artificiale al 24% contro il 5% di piccole e medie. Milano, Roma, Torino, Bologna e Napoli sono i principali centri di adozione nei settori IT, ICT, sviluppo software e servizi di ricerca.

L’adozione dell’AI nelle aziende italiane è però ancora agli inizi: il 35% la utilizza in maniera limitata o sperimentale, mentre solo l’1,9% la considera una priorità strategica. La maggior parte delle aziende è ancora in una fase di esplorazione, cercando di capire come l’intelligenza possa essere applicata in modo efficace ai loro modelli di business.

Tutti sono d’accordo su un punto: la leadership aziendale gioca un ruolo centrale in questo processo ma, anche qui, solo il 23,8% delle imprese dichiara di avere una leadership fortemente proattiva nell’implementazione dell’AI.

Come riportato nel bell’articolo di Claudio Tucci “Intelligenza artificiale nei prodotti o servizi di 10mila imprese” de Il Sole 24 Ore del 15 ottobre 2024, Stefano Cuzzilla, presidente di 4.Manager e Federmanager afferma che «Sebbene l’intelligenza artificiale stia rivoluzionando il mondo dell’impresa il vero valore continua a risiedere nell’intelligenza umana. I nostri sistemi produttivi sono miniere di saperi e abilità, in gran parte ancora inesplorate dall’Ia, che aspettano di essere valorizzate. Purtroppo ad oggi, l’investimento in formazione è ancora insufficiente rispetto alla portata delle trasformazione in atto. Serve un concreto cambio di passo».

Ancora nel medesimo articolo Alberto Tripi, special advisor di Confindustria per l’Intelligenza artificiale afferma che «L’innovazione tecnologica è un motore dello sviluppo del Paese ed è fondamentale la capacità di guidare il cambiamento per assicurare alle nostre imprese la disponibilità di competenze e di know-how adeguatamente formato, per aiutarle a massimizzare le opportunità di investimenti in nuove tecnologie ed essere più competitive sui mercati nazionali ed internazionali. Insomma, l’Ia apre nuove e ampie opportunità, cambia, trasforma ma non distrugge il lavoro, elevandone il livello qualitativo e aumentando i benefici non soltanto per le imprese ma per gli stessi lavoratori».

3       Casi d’uso dell’AI rivolti ai clienti

3.1     Offerta di un servizio clienti di qualità superiore

Le interazioni con i clienti possono essere assistite in tempo reale con l’AI conversazionale. Le query vocali utilizzano l’elaborazione del linguaggio naturale (NLP) e l’analisi del sentiment per il riconoscimento vocale, in modo che le conversazioni possano iniziare immediatamente con il mood giusto.

Utilizzando algoritmi di apprendimento automatico, l’AI è in grado di comprendere cosa dicono i clienti e il tono in cui parlano e può indirizzarli agli operatori del servizio clienti solo quando necessario.

Con il Text To Speech e l’NLP[1], l’AI può rispondere immediatamente alle domande e alle istruzioni via SMS. Non è necessario far attendere i clienti le risposte alle domande frequenti (FAQ) o passare alla fase successiva per l’acquisto. Gli agenti digitali del servizio clienti possono aumentare la soddisfazione degli acquirenti, offrendo consigli e indicazioni agli operatori umani del servizio clienti.

3.2     Personalizzazione dell’esperienza del cliente

L’uso dell’intelligenza artificiale è efficace per creare esperienze personalizzate su larga scala attraverso il ricorso a chatbot, assistenti digitali e interfacce cliente, offrendo esperienze su misura e pubblicità mirate per clienti e utenti finali.

Ad esempio, Amazon ricorda ai clienti di riordinare i prodotti che hanno acquistato più spesso e mostra loro prodotti o suggerimenti correlati. McDonald’s sta sviluppando soluzioni di intelligenza artificiale per l’assistenza clienti con la tecnologia AI per accelerare lo sviluppo della sua tecnologia per gli ordini automatizzati AOT (Automated Order Taking). Questo non solo aiuterà a scalare la tecnologia AOT in tutti i mercati, ma aiuterà anche ad affrontare le integrazioni che includono lingue, dialetti e varianti di menu aggiuntivi. Spotify offrirà suggerimenti di nuovi artisti ai clienti. YouTube fornirà un feed curato di contenuti adatti agli interessi dei clienti.

3.3     Promozione del cross-selling e dell’up-selling

I motori di raccomandazione utilizzano i dati sul comportamento dei consumatori e gli algoritmi di AI per aiutare a scoprire le tendenze dei dati da utilizzare per creare strategie di up-selling e cross-selling più efficaci, con il risultato di fornire ai rivenditori online consigli utili sui componenti aggiuntivi durante la fase di checkout dei clienti.

Alcuni esempi sono Netflix che offre raccomandazioni di visione alimentate da modelli che elaborano serie di dati raccolti dalla cronologia di visione, LinkedIn che utilizza l’apprendimento automatico (ML) per filtrare gli elementi in un newsfeed fornendo raccomandazioni di lavori e suggerimenti sui profili a cui connettersi, o Spotify che utilizza modelli di ML per generare le sue raccomandazioni di brani.

3.4     Realizzazione di smartphone più intelligenti

Il riconoscimento facciale attiva smartphone e assistenti vocali, alimentati dal machine learning, mentre Siri di Apple, Alexa di Amazon, Google Assistant e Copilot di Microsoft utilizzano l’NLP per riconoscere ciò che diciamo e quindi rispondere in modo appropriato.

Le aziende sfruttano l’apprendimento automatico (ML) anche nelle fotocamere degli smartphone per analizzare e migliorare le foto utilizzando classificatori di immagini, rilevare oggetti o volti nelle immagini e utilizzano perfino reti neurali artificiali per migliorare o espandere una foto prevedendo cosa si trova oltre i suoi bordi.

3.5     Assistenti personali

Gli assistenti virtuali o assistenti vocali, come Alexa di Amazon e Siri di Apple, si basano sull’AI. Quando qualcuno pone una domanda tramite voce o testo, il ML cerca la risposta o ricorda domande simili che l’utente ha posto in precedenza.

La stessa tecnologia può potenziare i bot di messaggistica, come quelli utilizzati da Facebook Messenger e Slack, mentre Google Assistant, Cortana e IBM watsonx Assistant combinano l’NLP per comprendere domande e richieste, eseguire le azioni appropriate e comporre le risposte.

3.6     Umanizzare le risorse umane

L’AI può attrarre, sviluppare e mantenere una forza lavoro incentrata sulle competenze. Consente di esaminare, smistare e passare al team HR una marea di candidature con estrema precisione. Le attività manuali di valutazione delle promozioni possono essere automatizzate, semplificando l’acquisizione di importanti insight sulle risorse umane con una visione più chiara, ad esempio, dei dipendenti in attesa di promozione e della valutazione del rispetto dei parametri di riferimento chiave. Grazie all’AI è inoltre possibile rispondere rapidamente alle domande di routine del personale.

4       Casi d’uso creativi dell’AI

4.1     Creare con l’AI generativa

Gli strumenti di AI generativa come ChatGPT, Bard e DeepAI si basano su funzionalità di AI a memoria limitata per prevedere la parola, la frase o l’elemento visivo successivi all’interno del contenuto che sta generando. L’AI generativa può produrre testo, immagini e altri contenuti di alta qualità in base ai dati utilizzati per l’addestramento.

L’AI ricorre a modelli generativi per scrivere codice software di alta qualità più velocemente, scoprire nuove molecole e addestrare chatbot conversazionali affidabili basati sui dati aziendali.

L’AI generativa può, di converso, aiutare le case editrici e discografiche nell’individuazione dei dati del mondo reale protetti dalle leggi sulla privacy e sul copyright.

4.2     Fornire nuovi insight

I sistemi esperti possono essere addestrati su un corpus, ovvero i metadati utilizzati per addestrare un modello di machine learning, per emulare il processo decisionale umano e applicare questa esperienza per risolvere problemi complessi. Questi sistemi possono elaborare grandi quantità di dati per scoprire tendenze e modelli e prendere decisioni. Possono anche aiutare le aziende a prevedere eventi futuri e capire perché si sono verificati eventi passati.

4.3     Migliorare la computer vision

La computer vision basata su AI consente la segmentazione delle immagini, che ha un’ampia varietà di casi d’uso, tra cui il supporto alla diagnosi nell’imaging medico, l’automazione della locomozione per la robotica e le auto a guida autonoma, l’identificazione di oggetti di interesse nelle immagini satellitari e la codifica delle foto nei social media.

Operando su reti neurali, la computer vision consente ai sistemi di estrarre informazioni significative da immagini digitali, video e altri input visivi.

5       Casi d’uso tecnici dell’AI

5.1     Velocizzare le operazioni con AIOps

L’Artificial Intelligence for IT Operations (AIOps) è una pratica che utilizza l’intelligenza artificiale e l’apprendimento automatico per migliorare e automatizzare vari aspetti delle operazioni IT. È progettata per ottimizzare gli ambienti IT analizzando grandi volumi di dati generati da sistemi IT complessi, tra cui log di sistema, metriche delle prestazioni e dati di rete. L’AIOps mira a semplificare i flussi di lavoro IT, a prevedere potenziali problemi, ad automatizzare la risposta agli incidenti e, in definitiva, a migliorare le prestazioni e l’efficienza degli ambienti IT aziendali.

I vantaggi dell’utilizzo dell’AI per le operazioni IT (AIOps) sono molteplici. Integrando l’AI nelle operazioni IT, le aziende possono sfruttare la notevole potenza dei modelli NLP, Big Data e ML per automatizzare e semplificare i workflow operativi e monitorare la correlazione degli eventi e la determinazione della causalità.

AIOps è uno dei modi più rapidi per aumentare il ROI degli investimenti nella trasformazione digitale. L’automazione dei processi è infatti spesso incentrata sugli sforzi per ottimizzare la spesa, ottenere una maggiore efficienza operativa e incorporare tecnologie nuove e innovative.

Altri vantaggi dell’AI includono la creazione di un sistema IT più sostenibile e il miglioramento delle pipeline continuous integration/continuous (CI/CD) delivery.

5.2     Automatizzare la codifica e la modernizzazione delle app

Le aziende leader stanno utilizzando l’AI generativa per la modernizzazione delle applicazioni e le operazioni IT aziendali, inclusa l’automazione della codifica, dell’implementazione e della scalabilità.

Per la codifica, gli sviluppatori possono inserire un comando di codifica come una semplice frase attraverso un’interfaccia in linguaggio naturale e ottenere codice generato automaticamente. Abbiamo spesso riscontrato un aumento del tempo libero degli sviluppatori nelle società nelle quali abbiamo operato: il ricorso all’AI è anche questo!

L’utilizzo dell’AI generativa con capacità di generazione di codice può inoltre consentire agli sviluppatori hybrid cloud con qualsiasi livello di esperienza di migrare e modernizzare il codice delle applicazioni legacy su larga scala verso le nuove piattaforme di destinazione con coerenza del codice, meno errori e una maggiore velocità.

5.3     Migliorare le prestazioni delle applicazioni

Garantire che le applicazioni funzionino in modo coerente e costante nel rispettto della Quality of Service (QoS) concordata, senza provisioning e spese eccessivi, è un caso d’uso critico delle operazioni AI (AIOps).

L’automazione è fondamentale per ottimizzare i costi del cloud e i team IT, indipendentemente dalle loro competenze, non sempre sono nelle condizioni di stabilire tempestivamente e h24 le esatte configurazioni di elaborazione, storage e database necessarie per offrire le prestazioni migliori al minor costo. Il software AI è in grado di identificare quando e come vengono utilizzate le risorse e di soddisfare la domanda effettiva in tempo reale.

5.4     Rafforzare la resilienza end-to-end dei sistemi

Per contribuire a garantire la disponibilità ininterrotta del servizio, le principali organizzazioni utilizzano funzionalità di analisi della causa principale in tempo reale basate sull’intelligenza artificiale e sull’automazione intelligente. AIOps può consentire ai team ITOps di identificare rapidamente le cause alla base degli incidenti e agire immediatamente per ridurre sia il tempo medio tra i guasti (MTBF) che il tempo medio di riparazione (MTTR).

Le soluzioni AIOps consolidano i dati provenienti da più fonti e correlano gli eventi in incidenti, garantendo una chiara visibilità dell’intero ambiente IT attraverso visualizzazioni dinamiche dell’infrastruttura, funzionalità di AI integrate e azioni correttive suggerite.

Utilizzando la gestione predittiva dell’IT, i team IT possono utilizzare l’AI per automatizzare le operazioni IT e di rete per risolvere gli incidenti in modo rapido ed efficiente e prevenire in modo proattivo i problemi prima che si verifichino, migliorare l’esperienza utente e ridurre i costi e le attività amministrative. Per aiutare a limitare la proliferazione degli strumenti, una piattaforma AIOps di livello aziendale può fornire una visione olistica delle operazioni IT su un pannello di controllo centrale che consente il monitoraggio e la gestione.

5.5     Ottimizzare la cybersecurity

Esistono molti modi in cui l’AI può utilizzare l’apprendimento automatico (ML) per migliorare la cybersecurity. Citiamo ad esempio il riconoscimento facciale per l’autenticazione, rilevamento delle frodi, programmi antivirus per rilevare e bloccare il malware, apprendimento per rinforzo per addestrare modelli che identificano e rispondono agli attacchi informatici e rilevare intrusioni e algoritmi di classificazione che etichettano gli eventi come anomalie o attacchi di phishing. In un mondo nel quale gli attacchi sono sempre più spesso figli del lavoro di una AI, la difesa non può che essere affidata all’AI!

5.6     Attrezzare la robotica

I robot maneggiano e spostano oggetti fisici. In ambienti industriali, l’AI ristretta può eseguire attività di routine e ripetitive che coinvolgono la movimentazione dei materiali, l’assemblaggio e le ispezioni di qualità.

L’AI può assistere i chirurghi monitorando i parametri vitali e rilevando potenziali problemi durante gli interventi. Le macchine agricole possono effettuare la potatura, lo spostamento, il diradamento, la semina e l’irrorazione in autonomia. I dispositivi domestici intelligenti come iRobot Roomba possono navigare all’interno di una casa utilizzando la visione artificiale e utilizzare i dati archiviati in memoria per comprenderne i progressi. E se l’AI può guidare un Roomba, può anche dirigere le auto a guida autonoma sull’autostrada e i robot che spostano la merce in un centro di distribuzione o in pattuglia per i protocolli di sicurezza e protezione.

5.7     Manutenzione predittiva

L’AI può trovare impiego nella manutenzione predittiva, analizzando i dati direttamente dai macchinari per identificare i problemi e segnalare la manutenzione richiesta. L’AI è stata utilizzata anche per migliorare l’efficienza meccanica e ridurre le emissioni di carbonio nei motori. I programmi di manutenzione possono utilizzare l’analisi predittiva basata su AI per creare maggiore efficienza.

5.8     Forecasting

L’AI può essere di ausilio al forecasting. Ad esempio, una funzione della supply chain può utilizzare algoritmi per prevedere le esigenze future e i tempi di spedizione dei prodotti in modo da garantire un arrivo tempestivo.

Questo può contribuire a creare nuove efficienze, ridurre le scorte in eccesso e compensare problemi di riordino.

6       AI: Casi d’uso per settori

Quando si pensa ai casi d’uso dell’intelligenza artificiale (AI), ci si potrebbe porre la domanda: cosa non sarà in grado di fare l’AI? La risposta più facile è il lavoro manuale, anche se potrebbe arrivare il giorno in cui gran parte di ciò che oggi è lavoro manuale sarà svolto da dispositivi robotici controllati dall’intelligenza artificiale. Per ora, il vostro pranzo al ristorante viene ancora preparato da un cuoco ed è ancora un loquace barbiere a tagliarvi i capelli!

In questo momento, l’AI pura può essere programmata per molte attività che richiedono pensiero e intelligenza, purché tale intelligenza possa essere raccolta digitalmente e utilizzata per addestrare un sistema di intelligenza artificiale. L’intelligenza artificiale non riesce ancora a caricare la lavastoviglie dopo cena, ma può aiutare a creare un brief legale, un nuovo design del prodotto o una lettera alla nonna.

Siamo tutti stupiti da ciò che l’intelligenza artificiale può fare. Ma la domanda per chi lavora nel mondo degli affari è: quali sono i suoi migliori utilizzi per il business? Creare una versione della Gioconda nello stile di Vincent van Gough è divertente, ma in che modo potrà aumenterà i profitti? Ecco alcuni modi altamente produttivi in cui i casi d’uso dell’AI possono aiutare le aziende a migliorare i profitti.

L’AI può potenziare attività e strumenti per quasi tutti i settori per aumentare l’efficienza e la produttività. L’AI può fornire un’automazione intelligente per semplificare i processi aziendali che erano attività manuali o eseguiti su sistemi legacy, il che può essere dispendioso in termini di risorse, costoso e soggetto a errori umani. Ecco alcuni dei settori che stanno beneficiando della potenza aggiuntiva dell’AI.

6.1     Manifatturiero

L’AI avanzata può aiutare i produttori a creare insight predittivi sulle tendenze del mercato. L’AI generativa può accelerare e ottimizzare la progettazione dei prodotti, aiutando le aziende a creare più opzioni di design. L’AI può anche contribuire a fornire suggerimenti per aumentare l’efficienza della produzione. Utilizzando i dati storici della produzione, l’AI generativa è in grado di prevedere o localizzare i guasti delle apparecchiature in tempo reale e quindi suggerire le regolazioni delle apparecchiature, le possibilità di riparazione o i pezzi di ricambio necessari.

È alquanto ovvio che il settore manifatturiero è uno dei più impattati dalle tecnologie IA, in particolare la progettazione e la produzione personalizzata sono due dei possibili ambiti di applicazione delle tecnologie IA per quanto riguarda il settore manifatturiero. In particolare, l’IA potrebbe fornire gli strumenti per una progettazione interattiva e personalizzabile di moltissime tipologie di accessori, tra cui anche l’abbigliamento.

Ad esempio, relativamente a quest’ultimo caso, l’azienda tessile Unspun, utilizza un elaboratore 3D e la realtà aumentata al fine di produrre abiti su misura e inviare tramite e-mail i modelli ai propri clienti così che possano confermare l’ordine o suggerire modifiche.

È quindi abbastanza chiaro che un giorno non molto lontano i fornitori stessi saranno in grado di anticipare le richieste dei consumatori attraverso la previsione degli ordini supportata da tecnologie come la machine learning.

6.2     Retail

Tra i settori maggiormente impattati dall’IA, è possibile individuare anche quello del retail. Infatti, alcuni retailer stanno sperimentando l’utilizzo di tecnologie per il riconoscimento facciale e dati biometrici al fine di studiare e prevedere i comportamenti di acquisto dei vari consumatori. Questo tipo di tecnologia potrebbe essere molto utile per migliorare ilservizio fornito ai clienti e, cosa più interessante, per migliorare il modo in cui i retailer si approcciano ai clienti attraverso, ad esempio, un’organizzazione più efficacie dei messaggi pubblicitari sugli schermi dei dispositivi elettronici.

L’AI sta diventando l’arma segreta dei rivenditori per comprendere meglio e soddisfare le crescenti richieste dei consumatori. Con lo shopping online altamente personalizzato, i modelli direct-to-consumer e i servizi di consegna che competono con la vendita al dettaglio, l’AI generativa può aiutare i rivenditori e le aziende di e-commerce a migliorare l’assistenza clienti, a pianificare campagne di marketing e a trasformare le capacità dei loro talenti e delle loro applicazioni. L’AI può persino aiutare a ottimizzare la gestione dell’inventario.

L’AI generativa eccelle nella gestione di diverse fonti di dati come e-mail, immagini, video, file audio e contenuti sui social. Questi dati non strutturati costituiscono la spina dorsale per la creazione di modelli e l’addestramento continuo dell’AI generativa, in modo che possa rimanere utile nel tempo. I benefici dell’utilizzo di questi dati non strutturati possono raggiungere vari aspetti delle operazioni di retail, tra cui il miglioramento del servizio clienti attraverso i chatbot e un instradamento più efficace delle e-mail. In pratica, ciò potrebbe significare indirizzare gli utenti verso le risorse appropriate, che si tratti di metterli in contatto con l’agente giusto o indirizzarli alle guide utente e alle domande frequenti.

Un esempio tangibile di tecnologie in grado di supportare i retailer nelle loro attività è ad esempio l’applicazione Virtual Artist di Sephora. Questa applicazione è in grado, attraverso la realtà aumentata, di mostrare ai clienti come determinati prodotti di bellezza starebbero sul loro viso e consigliare loro i look da provare. Anche IKEA possiede un’applicazione AI-based che, sempre con il supporto della realtà aumentata, consente ai propri clienti di vedere in anteprima, attraverso schermo del proprio dispositivo mobile, l’arredamento e il design all’interno della propria abitazione.

In sostanza, nei negozi e nei magazzini, l’IA sta creando nuove possibilità di crescita del servizio offerto ai clienti e, in aggiunta, permette di sviluppare processi automatizzati incrementando l’efficienza operativa dell’attività commerciale.

Ad esempio, la catena di negozi al dettaglio Walmart sta sperimentando l’impiego di alcuni robot sviluppati da Bossa Nova Robotics capaci di scannerizzare gli scaffali dei propri centri commerciali. L’impiego di questa tecnologia permette l’efficientamento dell’attività fornendo un risparmio di ore di lavoro attraverso il riconoscimento delle scorte. Infatti, tali robot, attraverso l’utilizzo di immagini 3D, si spostano tra gli scaffali del negozio o del magazzino controllando i livelli discorte e gli errori nel posizionamento dei prodotti. Queste informazioni vengono poi usate da alcuni addetti alle vendite per riorganizzare gli scaffali o rifornire il centro.

Pertanto, essendo il costo del personale una delle voci più rilevanti per i retailer, il controllo sull’inventario e la progettazione interattiva supportati dall’IA potrebbero modificare alcuni aspetti della struttura del settore. È quindi corretto aspettarsi una crescita delle funzionalità e dell’utilizzo di queste applicazioni da parte dei retailer.

6.3     Trasporti

L’AI fornisce numerose informazioni per nostri spostamenti. Ad esempio, Google Maps utilizza algoritmi di machine learning per verificare le condizioni attuali del traffico, determinare il percorso più veloce, suggerire luoghi da “esplorare nelle vicinanze” e stimare gli orari di arrivo.

Le applicazioni di ride-sharing come Uber e Lyft utilizzano l’apprendimento automatico (ML) per abbinare utenti e conducenti, impostare i prezzi, esaminare il traffico e, come Google Maps, analizzare le condizioni del traffico in tempo reale per ottimizzare l’itinerario e prevedere un orario di arrivo stimato.

La computer vision supporta le auto a guida autonoma. Un algoritmo di ML non supervisionato permette alle auto a guida autonoma di raccogliere dati da telecamere e sensori per capire cosa sta succedendo intorno a loro e di prendere decisioni in tempo reale.

Come è facile immaginarsi, l’IA sta influenzando profondamente anche il settore dei trasporti. Infatti, le applicazioni AI-based relative ai trasporti forniscono un rimedio concreto al problema degli incidenti stradali riducendone il numero e, diconseguenza, il costo sostenuto per porvi rimedio. In aggiunta, l’IA aiuterebbe anche a ridurre il traffico portando anche ad una riduzione dell’inquinamento dovuto a quest’ultimo. È quindi chiaro come questa tipologia di progresso tecnologico favorirebbe il commercio e renderebbe più accessibili molte aree geografiche portando a un aumento della crescita economica aggregata.

Tra le innovazioni principali un ruolo importante lo svolge sicuramente la self-driving car o veicolo a conduzione autonoma. Sono molte le imprese che stanno investendo in questa direzione e tra queste è possibile trovare Argo AI. In particolare, Argo AI sta lavorando insieme a Ford per sviluppare un software basato sull’IA che permetta di supportare unvirtual driver system in grado di rendere autonomo un veicolo. Anche Nvidia, società leader nel campo delle GPU, è oggi una delle aziende tecnologiche leader nel settore della guida autonoma. Infatti, Nvidia ha sviluppato Pegasus, un computer AI-based in grado di eseguire 320 trilioni di operazioni di machine larning al secondo che, montato suun’automobile, permetterebbe di raggiungere la completa automazione della guida. In particolare, Pegasus elabora i dati provenienti dalle telecamere, dal lidar (uno strumento di telerilevamento che permette di determinare la distanza di unoggetto attraverso un impulso laser), dal radar e da altri tipi di sensori montati sull’automobile e, grazie alla machine learning, prende decisioni in completa autonomia e sceglie il percorso migliore da seguire.

Il settore dei trasporti sta affrontando anche un periodo di innovazione grazie all’IA e alla nascita di nuove start-up intenzionate a sviluppare un business su questa nuova tecnologia. Tra queste start-up un ruolo fondamentale lo sta svolgendo Drive.ai, una società fondata nel 2015 da alcuni colleghi del laboratorio di IA dell’Università di Stanford. Nel dettaglio, Drive.ai sta provando a sviluppare un vero e proprio cervello da montare sulle nuove self-driving car. Questo hardware, utilizzato su una flotta di prova costituita da quattro veicoli, è composto da una serie di sensori, telecamere elidar montati sulla parte superiore. Questo complesso sistema sfrutta anche i sensori integrati dell’automobile, come il radar e le telecamere posteriori. Quindi, ogni veicolo acquisisce continuamente dati da questi dispositivi e, attraverso la machine learning, genera delle mappe. Una volta che il sistema è stato “addestrato”, vengono inseriti i dati e il processo di decision making del veicolo produce una soluzione.

In conclusione, questo processo di automatizzazione dei trasporti è un momento affascinante per l’industria automobilistica, e il panorama in continua evoluzione delle tecnologie AI-based rende difficile prevedere chi saranno ivincitori e i perdenti. Tuttavia, una cosa che sembra essere certa è sicuramente che l’IA giocherà un ruolo fondamentale nello sviluppo delle self-driving car.

6.4     Finanza

Relativamente al settore finanziario, una delle innovazioni principali apportate dall’IA è costituita dal robo-advisor. A dispetto del nome, questa tecnologia non coinvolge alcun robot, ma questa tecnologia ha profondamente cambiato ilconcetto di portfolio management. Infatti, i robo-advisor sono algoritmi costruiti appositamente per calibrare un portafoglio finanziario basandosi sugli obiettivi e sull’avversione al rischio dell’utente. Gli utenti inseriscono a sistema iloro obiettivi (ad esempio, il pensionamento a 65 anni con 250.000 euro di risparmi), l’età, il reddito e le attività finanziariecorrenti e il robo-advisor distribuisce gli investimenti tra attività e strumenti finanziari al fine di raggiungere gli obiettivi prestabiliti dall’utente.

Un’altra interessante applicazione dell’IA nel settore finance è relativa al trading algoritmico spesso chiamato anche “Automated Trading Systems”. Tale attività implica l’uso di complessi sistemi di IA al fine di prendere decisionicommerciali sempre più accurate.

Anche per quanto riguarda la sicurezza finanziaria l’IA sta supportando, attraverso una potenza di calcolo maggiore e unaquantità crescente di dati, la rilevazione delle frodi finanziare. Infatti, utilizzando la machine learning, i sistemi possono rilevare attività o comportamenti anomali e comunicarli ai team addetti alla sicurezza.

Le operazioni FinOps (Finance + DevOps ) basate su AI aiutano gli istituti finanziari a rendere operative le decisioni di spesa per il cloud basate sui dati per bilanciare in modo sicuro costi e prestazioni allo scopo di ridurre al minimo lo stress da avvisi e lo spreco di budget. Le piattaforme AI possono utilizzare il machine learning e il deep learning per individuare transazioni sospette o anomale. Le banche e altri istituti di credito possono utilizzare algoritmi di classificazione e modelli predittivi di apprendimento automatico (ML) per suggerire decisioni sui prestiti.

Molte transazioni del mercato azionario utilizzano l’apprendimento automatico (ML) con decenni di dati sul mercato azionario per prevedere le tendenze e, in ultima analisi, suggerire se e quando acquistare o vendere. L’apprendimento automatico (ML) può anche effettuare trading algoritmico senza l’intervento umano. Gli algoritmi di ML possono prevedere modelli, migliorare la precisione, ridurre i costi e ridurre il rischio di errore umano.

Infine, come in altri settori, anche nel finance i chat-bot e le interfacce di conversazione sono un’area in rapida espansione nel campo dell’assistenza clienti. Infatti, società come Kasisto stanno già costruendo chat-bot specifici peraiutare i clienti a trovare risposte alle loro domande, come ad esempio “quanto ho speso per la spesa il mese scorso?” oppure “qual era il saldo del mio conto 60 giorni fa?”. Sviluppare questa tecnologia rappresenta una grande opportunità per le banche e le istituzioni finanziarie, in quanto la facilità d’uso e la tempestività di questo servizio, potrebbe attirare un gran numero di clienti.

6.5     Assistenza sanitaria

Con un valore stimato di 40 miliardi di dollari per l’assistenza sanitaria, l’IA può analizzare i dati delle cartelle clinichepreoperatorie al fine di guidare lo strumento di un chirurgo durante l’intervento, portando a una riduzione di circa il 21% nel periodo di ricovero di un paziente. La chirurgia assistita dall’IA permette ai robot di utilizzare i dati delle operazioni precedenti per migliorare l’operatività dei chirurghi. Infatti, una ricerca che ha coinvolto 379 pazienti ortopedici ha rilevato che la chirurgia assistita dall’IA ha comportato un numero di problematiche cinque volte inferiore rispetto ai casi ordinari.

Anche gli assistenti virtuali basati sull’IA potrebbero far risparmiare al settore sanitario circa 20 miliardi di dollari all’anno. Inoltre, anche il guadagno in termini di efficacia ed efficienza del servizio non è da sottovalutare. Infatti, essendo gli infermieri virtuali disponibili 24 ore su 24 e 7 giorni su 7, questi possono rispondere a domande e monitorare i pazienti senza sosta.

Il settore sanitario utilizza l’automazione intelligente con NLP per fornire un approccio coerente all’analisi, alla diagnosi e al trattamento dei dati. L’uso dei chatbot nelle prenotazioni sanitarie da remoto richiede un minore intervento umano e spesso tempi più brevi per la diagnosi.

L’apprendimento automatico (ML) può essere utilizzato nell’imaging radiologico, con la visione computerizzata basata su AI spesso utilizzata per analizzare le mammografie e per lo screening precoce del cancro ai polmoni. L’apprendimento automatico (ML) può anche essere addestrato per creare piani di trattamento, classificare i tumori, trovare fratture ossee e rilevare disturbi neurologici.

Nella ricerca genetica, nella modificazione genica e nel sequenziamento del genoma, il ML viene utilizzato per identificare l’impatto dei geni sulla salute. Il ML può identificare marcatori genetici e geni che risponderanno o meno a un trattamento o a un farmaco specifico e potrebbero causare effetti collaterali significativi in alcune persone.

Relativamente alla diagnostica, una società danese sviluppatrice di software AI-based ha testato il suo programma dimachine learning, in grado di ascoltare le telefonate, sulle chiamate di emergenza ricevute da un ospedale. Questo algoritmo ha analizzato l’intera conversazione captando il tono della voce, il rumore di fondo e gli arresti cardiaci con unapercentuale di successo del 93% rispetto al 73% degli esseri umani. Anche Baidu Research, una compagnia multinazionale cinese esperta in tecnologie AI-based e servizi internet, ha recentemente annunciato che i risultati dei primi test sul suo algoritmo di machine learning indicano che la tecnologia è in grado di superare l’uomo nell’identificazione delle metastasi del cancro al seno.

Nel mondo estremamente complesso dell’assistenza sanitaria, gli strumenti di IA possono supportare gli umani al fine di fornire servizi più rapidi, diagnosticare problemi e analizzare dati utili a raccogliere informazioni genetiche che potrebbero mostrare una predisposizione a una particolare malattia. In particolare, quando risparmiare minuti può significare salvare vite umane, l’IA e la machine learning possono essere utili non solo per l’assistenza sanitaria, ma anche per ogni singolo paziente.

6.6     Legale

Sorprendentemente l’IA ha trovato applicazione anche nel settore dei servizi legali. Infatti, Ross è un avvocato robot ingrado di rendere più semplice la ricerca di leggi e norme per gli avvocati. Questo particolare software si basa Watson, un software sviluppato dalla società IBM e capace di riconoscere il linguaggio umano, e può trovare applicazione all’interno degli studi legali. Inoltre, Ross è anche in grado di fare collegamenti logici proponendo soluzioni specifiche in grado di fornire supporto all’avvocato durante la fase di interpretazione del caso.

Ma Ross non è il solo avvocato robot che ha preso piede negli studi legali. Infatti, gli studi legali che si occupano dicontrattualistica, possono contare sul supporto del robot Kira, una tecnologia AI-based con la capacità di analizzare le pagine dei contratti riducendo così il tempo che un avvocato dedica a questa pratica. In particolare, Kira analizza nel dettaglio i contratti estrapolando i concetti chiave e le clausole necessarie allo studio legale per portare a termine una specifica pratica.

6.7     Pubblicità

Infinite Analytics ha sviluppato un sistema basato sulla machine learning in grado di prevedere se un utente è intenzionatoa cliccare su un particolare annuncio, migliorando così il posizionamento degli annunci online. Inoltre, ha anche sviluppato un sistema capace di migliorare il processo di ricerca e scoperta dei clienti presso un rivenditore online. Nel primo caso, l’utilizzo dell’IA ha aumentato di tre volte il ROI relativo alla pubblicità; nel secondo caso ha generato unaumento del fatturato annuale di 125 milioni di dollari.

Inoltre, l’IA potrebbe anche supportare il processo sviluppo di una campagna pubblicitaria. Ovvero, l’IA potrebbe aiutare le aziende a migliorare continuamente le proprie campagna pubblicitarie tramite previsioni basate sull’enorme quantità di dati in loro possesso. Infatti, grazie all’IA, è possibile sviluppare algoritmi in grado di prendere in input determinate tipologie di dati (come i “click” effettuati su una pagina web, le visualizzazioni degli utenti, il tempo trascorso su una pagina web, gli acquisti effettuati, ecc.) e dare in output se una determinata iniziativa di marketing ha il potenziale peravere successo.

6.8     Assicurazioni

Il settore delle assicurazioni, per sua natura, tende ad essere fortemente influenzato dall’affidabilità e dal grado di fiducia che si associa ad un determinato individuo.

Con l’AI, gli assicuratori possono drasticamente ridurre la necessità di calcoli o pagamenti manuali delle tariffe e possono semplificare l’elaborazione dei reclami e delle valutazioni. L’automazione intelligente aiuta inoltre le compagnie assicurative a rispettare più facilmente le normative di conformità, garantendo il rispetto dei requisiti. In questo modo, sono anche in grado di calcolare il rischio di un individuo o di un’ente e la tariffa assicurativa appropriata.

Questa tematica potrebbe porre le basi per raccogliere spunti interessanti al fine di implementare innovazioni tecnologiche AI-based in grado di ovviare a questo problema. Pertanto, le compagnie assicurative hanno bisogno di informazioni accurate così che possano impostare le loro strategie nel modo più appropriato. La machine learning offrela possibilità di effettuare previsioni di alta qualità relativamente ai propri clienti così da consentire agli assicuratori di prendere decisioni intelligenti.

Ad esempio, Allianz Global Corporate & Specialty SE (AGCS), compagnia di assicurazioni societarie di Allianz SE, collabora con Praedicat, una società di analisi InsurTech, al fine di prevedere meglio i principali liability risk (o rischi diresponsabilità civile) per eventuali problematiche riscontrabili nel futuro.

Per capire meglio il concetto di liability risk, si pensi all’amianto, che ha causato perdite assicurate di 71 miliardi di dollari a livello globale. Quindi, combinando l’approccio di modellazione predittiva di Praedicat con i processi di sottoscrizione di AGCS e tramite l’analisi del portafoglio dei liability risk, le società mirano a identificare la nuova generazione di liability risk per i clienti commerciali con tempistiche inferiori ai metodi attuali. In particolare, il modello di Praedicat utilizza la tecnologia di apprendimento automatico al fine di analizzare grandi volumi di dati provenienti da pubblicazioni scientifiche sottoposte a peer review e valutare la probabilità che i prodotti generino rischi di contenzioso durante il lorociclo di vita. Quindi, i sottoscrittori liability di AGCS potrebbero essere in grado di identificare e valutare meglio i futuri rischi di responsabilità civile per le corporate o per le singole società.

6.9     Formazione

Nell’istruzione e nella formazione, l’intelligenza artificiale può adattare i materiali didattici alle esigenze di ogni singolo studente. Insegnanti e formatori possono utilizzare l’analisi dell’AI per vedere dove gli studenti potrebbero aver bisogno di ulteriore aiuto e attenzione. Per gli studenti tentati di copiare documenti o compiti, l’AI può aiutare a individuare il contenuto copiato. Gli strumenti di traduzione linguistica basati su AI e i servizi di trascrizione in tempo reale possono aiutare i non madrelingua a comprendere le lezioni.

6.10   Energy & utilities

Le aziende del settore energetico possono aumentare la loro competitività in termini di costi sfruttando l’AI e l’analisi dei dati per il forecasting, il risparmio energetico, l’ottimizzazione delle energie rinnovabili e la gestione delle reti intelligenti. Introducendo l’AI nei processi di generazione, trasmissione e distribuzione dell’energia, l’AI può anche migliorare il supporto clienti, liberando risorse da impiegare per l’innovazione. E i clienti che utilizzano l’AI basata sui fornitori, possono comprendere meglio il loro consumo di energia e adottare misure per ridurre il consumo di energia durante i periodi di picco della domanda.

6.11   Farmaceutico

Per il settore delle scienze biologiche, la scoperta e la produzione di farmaci richiedono un’immensa quantità di raccolta, collazione, elaborazione e analisi di dati. Un approccio manuale allo sviluppo e ai test potrebbe portare a errori di calcolo e richiedere un enorme volume di risorse. Al contrario, la produzione di vaccini contro il Covid-19 in tempi record è un esempio di come l’automazione intelligente abiliti processi che migliorano velocità e qualità della produzione.

6.12   Automotive

Con le applicazioni dell’AI, i produttori automobilistici sono in grado di prevedere e adattare la produzione in modo più efficace per rispondere ai cambiamenti della domanda e dell’offerta. Possono snellire i workflow per aumentare l’efficienza, ridurre i compiti dispendiosi in termini di tempo e il rischio di errori nella produzione, nell’assistenza, nell’approvvigionamento e in altre aree. I robot aiutano a ridurre la necessità di manodopera manuale e a migliorare la scoperta dei difetti, fornendo veicoli di qualità superiore ai clienti a un costo inferiore per l’azienda.

Bibliografia

• VV. (2018), “Intelligenza artificiale per le imprese: tutti i vantaggi per il futuro delle aziende”,https://www.insidemarketing.it/intelligenza-artificiale-le-imprese-tutti-vantaggi-futuro-delle-aziende/
• VV. (2018), “Intelligenza artificiale, ecco come cambia il business”, https://www.wired.it/economia/business/2017/11/24/intelligenza-artificiale-business-2/
• VV. (2018), “Intelligenza Artificiale: cos’è, come funziona e a cosa serve?”,http://www.intelligenzaartificiale.it/
• VV. (2018), “Reti Neurali”, http://www.intelligenzaartificiale.it/reti-neurali/
• Acemoglu e Restrepo P. (2018), “Modeling Automation”, https://economics.mit.edu/files/14861
• Aghion , Jones. B.E. e Jones C.I. (2017), “Artificial Intelligence and Economic Growth ”,https://web.stanford.edu/~chadj/AI.pdf
• Agrawal , McHale J. e Oettl A., (2018), “ Artificial Intelligence and Recombinant Growth”, http://www.nber.org/chapters/c14024.pdf
• Angelini (2017), “Intelligenza Artificiale e governance. Alcune riflessioni di sistema”, http://www.sipotra.it/wp-content/uploads/2017/10/Intelligenza- artificiale-e-governance.-Alcune-riflessioni-di-sistema.pdf
• Brynjolfsson e McAfee A. (2011), “ Why Workers Are Losing the War Against Machines?”, https://www.theatlantic.com/business/archive/2011/10/why-workers-are- losing-the-war-against-machines/247278/
• Brynjolfsson , Rock D. e Syverson C. (2017), “ Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics”, http://www.nber.org/chapters/c14007.pdf
• Dorn (2015), “The Rise of the Machines How Computers Have Changed Work”,https://www.ubscenter.uzh.ch/assets/publicpapers/PP4_the_rise_of_the_machines.pdf
• Graetz e Michaels G. (2015), “ Robots at Work”, http://cep.lse.ac.uk/pubs/download/dp1335.pdf
• Harris , Kimson A. e Schwedel A. (2018), “ Labor 2030: the collision of demographics, automationand inequality ”, http://www.bain.com/publications/articles/labor-2030-the-collision-of-demographics-automation-and-inequality.aspx
• Jin Z. (2018), “Artificial Intelligence and Consumer Privacy”, http://www.nber.org/chapters/c14034.pdf
• Korinek e Stiglitz J.E. (2017), “ Artificial Intelligence and Its Implications for IncomeDistribution and Unemployment” http://www.nber.org/chapters/c14018.pdf
• Maci (2018), “Intelligenza Artificiale, che cos’è e perché trasformerà le aziende”,https://www.economyup.it/startup/intelligenza-artificiale-che-cos-e-e-perche-trasformera-le-aziende/
• Milgrom R. e Tadelis S. (2018), “ How Artificial Intelligence and Machine Learning Can ImpactMarket Design ”, http://www.nber.org/chapters/c14008.pdf
• Purdy e Daugherty P. (2016), “ Why Artificial Intelligence is the Future of Growth”,https://www.accenture.com/t20170927T080049Zw/us-en/_acnmedia/PDF-33/Accenture-Why-AI-is-the-Future-of-Growth.PDFla=en
• freepik.com
• https://www.ilsole24ore.com/art/intelligenza-artificiale-prodotti-o-servizi-10mila-imprese-AGalrmT?refresh_ce=1
• https://www.ibm.com/it-it/think/topics/artificial-intelligence-business-use-cases

Note

[1] Per NLP (acronimo di Natural Language Processing) o elaborazione del linguaggio naturale si intendono algoritmi di Intelligenza Artificiale in grado di analizzare, rappresentare e quindi comprendere il linguaggio naturale. Le finalità possono variare dalla comprensione del contenuto, alla traduzione, fino alla produzione di testo in modo autonomo a partire da dati o documenti forniti in input.