Gli Strumenti utilizzati dall’intelligenza artificiale

1.  Tecnologie per l’intelligenza artificiale

L’intelligenza artificiale è stata caratterizzata da un progresso tecnologico continuo negli ultimi anni e che si presume possa proseguire  anche in futuro. Ciò le ha permesso di avere a disposizione degli strumenti sempre piùinnovativi, che ne hanno facilitato la diffusione in ogni ambito della vita quotidiana e che le hanno permesso di perseguire sempre meglio i suoi obiettivi.

Tra questi, le principali tecnologie di cui essa si avvale sono di seguito rappresentate.

1.1.  Big data

I Big data sono grandi quantità di dati che superano le normali capacità di analisi e di elaborazione della tecnologia dell’informazione tradizionale^[1]. Ne fanno parte sia i dati strutturati che quelli non strutturati.

Le tecniche di analisi dei big data consentono di estrapolare delle intuizioni dai dati, le quali successivamentevengono trasformate prima in decisioni e poi in azioni concrete^[2].

Ciò ha fornito numerose opportunità di business alle organizzazioni, tra cui la possibilità di conoscere meglio la clientela e personalizzare le offerte, in maniera tale da accrescerne la soddisfazione.

1.2.  Internet of things

L’Internet of things si basa sul fatto che “qualsiasi oggetto di uso quotidiano può essere dotato delle capacità diidentificazione, rilevamento, connessione di rete ed elaborazione in maniera tale da comunicare con altri dispositivi connessi a Internet e da conseguire alcuni specifici obiettivi^[3]”.

Questa tecnologia ha generato un profondo cambiamento per quanto riguarda l’approvvigionamento delle informazioni da parte dei dispositivi elettronici. Infatti, mentre fino a qualche anno fa questa operazione richiedeva necessariamente l’intervento dell’uomo, ora gli oggetti sono capaci di produrre, trasmettere e ricevere dati in modo del tutto autonomo.

Oggi, qualunque oggetto può essere fornito di sensori che scambiano informazioni con altri dispositivi oppure congli esseri umani.

Un esempio pratico è rappresentato dalle targhette basate su tecnologia a radiofrequenza che consentono di tracciare il movimento delle merci all’interno del magazzino e di verificare le quantità di giacenza a disposizione.

Un’altra dimostrazione deriva dal campo medico^[4]: il National Health Service, ossia il servizio sanitario britannico,utilizza braccialetti elettronici dotati di sensori per monitorare in tempo reale le condizioni di salute dei pazienti, qualiil battito cardiaco, il livello di ossigenazione del sangue, la temperatura corporea e la pressione sanguigna. In questo modo, sono stati ridotti sia il tasso di riammissione in ospedale che le visite di emergenza e i costi delle visite a domicilio sono scesi del 22%.

L’internet delle cose si pone alla base della diffusione dei big data, in quanto ha comportato un aumento drastico dei dati a disposizione, generando a cascata benefici anche per l’intelligenza artificiale.

1.3.  Sistemi esperti

I sistemi esperti sono una delle prime applicazioni dell’intelligenza artificiale, che può essere impiegata sia a livello individuale che a livello organizzativo. Sono costituiti da una knowledge base, che contiene tutti i dati e le informazioni necessarie per risolvere determinate problematiche. Permettono alle macchine intelligenti di effettuarela scelta migliore tra le alternative a disposizione, imitando  il ragionamento umano^[5].

1.4.  Machine learning

La Machine learning è un sottoinsieme dell’intelligenza artificiale che consiste in algoritmi capaci di apprendere in maniera autonoma e automatica dalle grandi quantità di dati che vengono messe a disposizione.

Questi sistemi operano tramite due fasi principali: in prima battuta, vanno alla ricerca delle correlazioni che contraddistinguono un insieme di dati, sfruttando le conoscenze statistiche e matematiche di cui sono dotati; successivamente, prevedono i trend e gli andamenti futuri, con un grado di accuratezza che tende ad aumentare neltempo, grazie alla loro capacità di apprendere dalle esperienze passate^[6].

Da questa descrizione è possibile notare una delle caratteristiche fondamentali degli algoritmi di machine learning, ossia il fatto che essi devono essere addestrati e preparati con dati affidabili, prima di essere immessi sui mercati^[7]. Ciò significa che occorre selezionare tra i big data soltanto quei dati che sono effettivamente utili per lo scopo finale al fine di evitare errori che possono danneggiare chi usufruisce di tali sistemi. Dunque la validità delle decisioni prese da questi sistemi è strettamente correlata alla qualità dei dati che vengono immessi.

Attualmente, il machine learning è presente in molti dispositivi che vengono utilizzati quotidianamente. In questosenso, gli esempi più significativi sono dati dai sistemi di raccomandazione delle piattaforme streaming come Netflix e YouTube, dai motori di ricerca di Google e dai feed dei social network, come Facebook, Instagram e Twitter^[8].

1.5.  Reti neurali

Le reti neurali sono un sottoinsieme delle tecniche di machine learning che si basa sulla simulazione di “unitàneurali” connesse, le quali imitano le modalità con cui i neuroni interagiscono all’interno del cervello umano.

Si tratta di una tecnologia che si era già sviluppata a metà del Novecento, ma che ha avuto una rapida crescita negli ultimi anni grazie alle capacità dei computer moderni di riconoscere immagini, video e parole.

Esistono 3 principali forme di reti neurali:

• Neurali Feed-Forward: Nelle reti neurali feed-forward l’informazione si muove in un’unica direzione, ossia dal livello di input a quello di output;
• Reti Neurali Ricorrenti: Nelle reti neurali ricorrenti le connessioni tra unità neurali prevedono dei loop e sono adatte all’elaborazione di sequenze di input;
• Reti Neurali Convoluzionali: Nelle reti neurali convoluzionali le connessioni tra i vari livelli sono ispirate allacorteccia visiva degli animali, cioè quella parte del cervello che elabora le immagini.

Queste tecnologie possono essere utilizzate per riconoscere le immagini, il labiale e per compiti di naturapercettiva^[9].

1.6.  Deep learning

Il deep learning è un sottoinsieme del machine learning e un potenziamento delle reti neurali. Infatti, l’apprendimento profondo utilizza in maniera più sofisticata le reti neurali, in modo tale da cogliere con maggiore semplicità le correlazioni tra grandi quantità di dati^[10].

Così come il machine learning, anche questa tecnologia necessita di un’adeguata formazione con i dati corretti, prima di poter essere operativa. Il deep learning attualmente viene impiegato per prevedere il momento in cui occorre effettuare le manutenzioni sugli impianti produttivi, in modo tale da prevenire i guasti non programmati, ridurre i fermi macchina e incrementare l’efficienza operativa.

Il deep learning può essere sfruttato anche la sua capacità di riconoscere le tracce audio per valutare lasoddisfazione di  un cliente^[11].

1.7.  Computer vision

La computer vision è un campo dell’intelligenza artificiale che tenta di emulare l’abilità del cervello umano di comprendere un’immagine e il suo contesto. In particolare, sfrutta il machine learning per riconoscere dei modelli tra i dati e per estrarre dei significati.

Un esempio di applicazione della visione artificiale è dato dai sistemi di riconoscimento facciale utilizzati per identificare i criminali^[12].

Un’altra   esemplificazione è costituita dal celebre rivenditore online eBay, il quale sta lanciando una funzione che consente agli utenti di inserire l’immagine di un articolo scoperto in qualunque sito web e di trovare prodotti simili sul suo mercato digitale^[13].

1.8.  Natural language understanding

Il natural language understanding è una tecnologia che cerca di attribuire un significato al linguaggio umano parlato e scritto.

innanzitutto, questi sistemi, tramite il riconoscimento vocale, riconoscono tutte le parole che sono state pronunciate. In seguito, si ha la fase più complicata, cioè quella in cui si comprende il significato delle frasi. Per fare ciò, siusufruisce del machine learning, grazie al quale è possibile creare un vocabolario e un insieme di regolegrammatiche, che consentono di capire la sintassi e la semantica dei periodi.

Attualmente, la comprensione del linguaggio naturale viene impiegata per riassumere in maniera automatica i testi e per condurre le sentiment analysis, le quali estraggono e identificano opinioni dai documenti.

La startup informatica canadese Klue sfrutta questa tecnologia per analizzare milioni di dati provenienti da vari siti web ed estrarre intuizioni e informazioni utili per la gestione delle vendite^[14].

1.9.  Natural language generation

La natural language generation è un’applicazione tecnologica complementare rispetto alla natural language understanding. La natural language generation produce come output dei testi scritti realizzati in maniera automatica, oppure dei discorsi informali per colloquiare con gli esseri umani.

Un’esemplificazione è rappresentata dai chatbot, dei quali le organizzazioni usufruiscono sia nelle attività di marketing che nel customer service^[15]. Nello specifico, i chatbot sono capaci di automatizzare le risposte alledomande più frequenti che vengono poste dalla clientela, al fine di far risparmiare tempo sia alle imprese che allepersone.

1.10.  Robotica

I robot sono delle macchine intelligenti che si muovono nell’ambiente fisico reale e che svolgono alcune attività lavorative al posto dell’uomo.

Mentre in passato venivano impiegati esclusivamente per l’esecuzione di compiti semplici e ripetitivi, adesso sono in grado di effettuare lavori che sarebbero troppo pericolosi per l’uomo, come la prestazione di soccorso in caso didisastro ambientale. Il progresso tecnologico ha reso infatti i robot sempre più simili all’uomo nella dinamica dei movimenti.

Tabella 1 – Strumenti utilizzati dall’intelligenza artificiale [Fonte: Paschen, U., Pitt, C., & Kietzmann, J. (2020) eChui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018)].

2.  Le tecniche di apprendimento

Dopo aver esposto i principali strumenti di cui si avvale l’intelligenza artificiale, si descrivono le modalità tramite cui questi mezzi vengono preparati e addestrati.

In particolare, esistono tre principali tipologie di tecniche di apprendimento per le macchine  intelligenti^[16].

2.1.  Apprendimento supervisionato

Nell’apprendimento supervisionato, ossia quello più semplice e maggiormente utilizzato, i dati di input vengono ex ante etichettati correttamente, al fine di consentire ai computer di apprendere i modelli e le correlazioni che li caratterizzano e di sviluppare regole da applicare in casi futuri simili. Questa tecnica viene impiegata ad esempio sia per la visione artificiale che per il riconoscimento vocale.

2.2.  Apprendimento non supervisionato

Nell’apprendimento non supervisionato i dati di input non sono etichettati e la    macchina ha il compito di individuare in maniera autonoma il maggior numero di modelli possibili presenti nel data set.

2.3.  Apprendimento di rinforzo

Nell’apprendimento di rinforzo gli algoritmi seguono un approccio per tentativi ed errori, con lo scopo di conseguire un obiettivo preciso, prevede che le macchine imparino non solo dai dati strutturati e non strutturati che arrivanocome input, ma anche dalle esperienze passate. Si tratta della tecnica più innovativa, sulla quale si basa ad esempio il programma AlphaGo sviluppato da Google.

Tabella 2 – Tecniche di apprendimento per l’intelligenza artificiale [Fonte: Tremolada, L. (2019)].

Bibliografia

• Agrawal, A., Gans, J., & Goldfarb, A. (2017). The trade-off every AI company will face.
• Harvard Business Review Digital Articles.
• Aspan, M. (2020). Siri, Did I Ace the Interview? Fortune International (Europe), 181(2).
• Bhimani, A., & Willcocks, L. (2014). Digitisation, Big Data and the transformation of accounting information. Accounting and Business Research, Taylor & Francis, Vol. 44 No. 4.
• Brundage, M., Avin, S., Clark, J., Toner, H., Eckersley, P., Garfinkel, B., … & Amodei, D. (2018). The malicious use of artificial intelligence: Forecasting, prevention, and mitigation. arXiv preprint arXiv:1802.07228.
• CGMA (2016). Business Analytics And Decision Making. Baseline.
• Costa, G., & Gianecchini, M. (2019). Risorse umane: persone, relazioni e valore (Vol. 454). McGraw-Hill.
• Craigen, D., Diakun-Thibault, N., & Purse, R. (2014). Defining cybersecurity. Technology Innovation Management Review, 4(10).
• Daft, R. L. (2017). Organizzazione aziendale. Sesta edizione. Daft, R. L. (2021). Organizzazione aziendale. Maggioli, Milano.
• Davenport, T., Guha, A., & Grewal, D. (2021). How to Design an AI Marketing Strategy: What the Technology Can Do Today—and What’s Next. Harvard Business Review, 99, 42- 47.
• Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24- 42.
• Doke, D. (2021). Software AI. Recruiter.
• Forger, G. (2020). AI and IoT are ready for your warehouse. Logistics management (Highlands Ranch, Colo.: 2002).
• Fountaine, T., McCarthy, B., & Saleh, T. (2021). Getting AI to scale. Harvard Business Review.
• Galeotti, M., & Garzella, S. (Eds.). (2013). Governo strategico dell’azienda: Prefazione del Prof. Umberto Bertini. G Giappichelli Editore.
• Gambhir, B., & Bhattacharjee, A. (2021). Embracing the role of artificial intelligence in accounting and finance: contemplating the changing skillset expectations. Development and Learning in Organizations: An International Journal.
• Gregg, M. (2005). CISSP security-management practices. Upper Saddle River, NJ: Pearson Education.
• Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California management review, 61(4), 5-14.
• Harrison, N., & O’Neill, D. (2017). If your company isn’t good at analytics, it’s not ready for AI. Harvard Business Review.
• Henke, N., Levine, J., & McInerney, P. (2018). You don’t have to be a data scientist to fill this must-have analytics role. Harvard Business Review.
• Huang, M. H., Rust, R., & Maksimovic, V. (2019). The feeling economy: Managing in the next generation of artificial intelligence (AI). California Management Review, 61(4), 43-65.
• Lichtenthaler, U. (2020). Mixing data analytics with intuition: Liverpool Football Club scores with integrated intelligence. Journal of Business Strategy.
• Luo, X., Qin, M. S., Fang, Z., & Qu, Z. (2021). Artificial intelligence coaches for sales agents: Caveats and solutions. Journal of Marketing, 85(2), 14-32.
• McAfee, A., & Brynjolfsson, E. (2012). Big data: the management revolution. Harvard business review, 90(10), 60-68.
• Miyashita, M., & Brady, M. (2019). The Health Care Benefits of Combining Wearables and AI. Harvard Business Review.
• Nair, K., & Gupta, R. (2021). Application of AI technology in modern digital marketing environment. World Journal of Entrepreneurship, Management and Sustainable Development.
• Niehueser, W., & Boak, G. (2020). Introducing artificial intelligence into a human resources function. Industrial and commercial training, 52(2), 121-130.
• Ore, O., & Sposato, M. (2021). Opportunities and risks of artificial intelligence in recruitment and selection. International Journal of Organizational Analysis.
• Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019). Artificial intelligence (AI) and its implications for market knowledge in B2B marketing. Journal of Business & Industrial Marketing.
• Paschen, U., Pitt, C., & Kietzmann, J. (2020). Artificial intelligence: Building blocks and an innovation typology. Business Horizons, 63(2), 147-155.
• Petkov, R. (2020). Artificial intelligence (AI) and the accounting function—A revisit and a new perspective for developing framework. Journal of emerging technologies in accounting, 17(1), 99-105.
• Pighin, M., & Marzona, A. (2018). Sistemi informativi aziendali: ERP e sistemi di data analysis.
• Poba-Nzaou, P., Galani, M., Uwizeyemungu, S., & Ceric, A. (2021). The impacts of artificial intelligence (AI) on jobs: an industry perspective. Strategic HR Review, 20(2), 60- 65.
• Ponnapalli, P. (2022). Keys to successful innovation through artificial intelligence. Harvard Business Review.
• Ransbotham, S., Candelon, F., Kiron, D., LaFountain, B., & Khodabandeh, S. (2021). The Cultural Benefits of Artificial Intelligence in the Enterprise. MIT Sloan Management Review and Boston Consulting Group.
• Rudko, I., Bashirpour Bonab, A., & Bellini, F. (2021). Organizational structure and artificial intelligence. Modeling the intraorganizational response to the ai contingency. Journal of Theoretical and Applied Electronic Commerce Research, 16(6), 2341-2364.
• Samonas, S., & Coss, D. (2014). The CIA strikes back: Redefining confidentiality, integrity and availability in security. Journal of Information System Security, 10(3).
• Shrestha, Y. R., Ben-Menahem, S. M., & Von Krogh, G. (2019). Organizational decision- making structures in the age of artificial intelligence. California Management
• Review, 61(4), 66-83.
• Simonovich, L. (2021). Balancing AI advances with robust cybersecurity solutions. World Oil.
• Soni, V. D. (2020). Challenges and Solution for Artificial Intelligence in Cybersecurity of the USA. Available at SSRN 3624487.
• Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. arXiv preprint arXiv:1906.02243.
• Tabesh, P. (2021). Who’s making the decisions? How managers can harness artificial intelligence and remain in charge. Journal of Business Strategy.
• S (2021). 3 areas where AI will boost your competitive advantage. Harvard Business Review Digital Articles.
• Truong, T. C., Zelinka, I., Plucar, J., Čandík, M., & Šulc, V. (2020). Artificial intelligence and cybersecurity: Past, presence, and future. In Artificial intelligence and evolutionary computations in engineering systems (pp. 351-363). Springer, Singapore.
• Tschang, F. T., & Almirall, E. (2021). Artificial intelligence as augmenting automation: Implications for employment. Academy of Management Perspectives, 35(4), 642-659.
• Tse, T., Esposito, M., Takaaki, M., & Goh, D. (2020). The dumb reason your AI project will fail. Harvard business review digital articles, 2-5.
• Vadari, S., & Desik, P. A. (2021). The Role of AI/ML in Enhancing Knowledge Management Systems. IUP Journal of Knowledge Management, 19(2), 7-31.
• Wamba-Taguimdje, S. L., Wamba, S. F., Kamdjoug, J. R. K., & Wanko, C. E. T. (2020). Influence of artificial intelligence (AI) on firm performance: the business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924.
• Whitmore, A., Agarwal, A., & Da Xu, L. (2015). The Internet of Things—A survey of topics and trends. Information systems frontiers, 17(2), 261-274.
• Yampolskiy, R. V. (2017). AI Is the Future of Cybersecurity, for Better and for Worse. Harvard Business Review. May, 8.
• Zaki, M., McColl-Kennedy, R., & Neely, A. (2021). Using AI to Track How Customers Feel—In Real Time. Harvard Business Review.
• Zhang, H., Zhang, X., & Song, M. (2021). Deploying AI for New Product Development Success: By embracing and incorporating AI in all stages of NPD, companies can increase their success rate of NPD projects. Research-Technology Management, 64(5), 50-57.
• Zouave, E., Gustafsson, T., Bruce, M., Colde, K., Jaitner, M., & Rodhe, I. (2020). Artificially intelligent cyberattacks. Swedish Defence Research Agency, FOI, Tech. Rep. FOI.
• (2017). Lavazza a caccia di “coffe addicted” con l’intelligenza artificiale. Il Sole 24 Ore. Retrieved fromhttps://www.ilsole24ore.com/art/lavazza-caccia-coffee-addicted-l- intelligenza-artificiale–AEBRpxQD 2022/08/02
• Amar, J., Majumder, S., Surak, Z., & von Bismarck, N. (2021). How AI-driven nudges can transform an operation’s performance. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/how-ai-driven- nudges-can-transform-an-operations-performance 2022/07/27
• Balabio, B., Orlando, P., & Scolari, T. (2021). Cresce il mercato dell’intelligenza artificiale in Italia. Retrieved from https://www.osservatori.net/it/ricerche/comunicati- stampa/artificial-intelligence-italia-mercato-progetti-20202022/07/08
• Berruti, F., Nel, P., & Whiteman R. (2020). An executive primer on artificial general intelligence. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/an-executive- primer-on-artificial-general-intelligence 2022/07/06
• Boehm, J., Curcio, N., Merrath, P., Shenton, L., & Stahle T. (2019). The risk-based approach to cybersecurity. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/risk-and-resilience/our-insights/the-risk- based-approach-to-cybersecurity 2022/08/03
• Brooks, C. (2022). Alarming cyber statistics for mid-year 2022 that you need to know. Forbes. Retrieved from https://www.forbes.com/sites/chuckbrooks/2022/06/03/alarming- cyber-statistics-for-mid-year-2022-that-you-need-to-know/?sh=7043d0247864 2022/08/03
• Brown, S., Gandhi, D., Herring, L., & Puri, A. (2019). The analytics academy: bridging the gap between human and artificial intelligence. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/the- analytics-academy-bridging-the-gap-between-human-and-artificial-intelligence 2022/07/18
• Buehler, K., Dooley, R., Grennan, L., & Singla, A. (2021). Getting to know-and manage- your biggest AI risks. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/getting-to- know-and-manage-your-biggest-ai-risks 2022/07/11
• Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2018). Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai- frontier-modeling-the-impact-of-ai-on-the-world-economy#part12022/07/15
• Chakraborty, A. (2021). A.I. can be a cornerstone of success – but only if leaders make the right choices. Fortune. Retrieved from https://fortune.com/2021/10/27/ai-artificial- intelligence-business-strategy-data-accenture/2022/07/29
• Chui, M., Hall, B., Singla, A., & Sukharevsky, A. (2021). The state of AI in 2021. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business- functions/quantumblack/our-insights/global-survey-the-state-of-ai-in-20212022/07/08
• Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018). Notes from the AI frontier: Applications and value of deep learning. McKinsey global institute discussion paper, April. Retrieved from https://www.mckinsey.com/featured- insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep- learning 2022/07/07
• Dandona, G. S., Sharma, J., & Wright, M. (2021). Our own digital journey: upskilling hundreds of McKinsey technologists in AI. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/about-us/new-at-mckinsey-blog/ai-upskilling-for-over-500- firm-technologists 2022/07/19
• Fowler, G. (2020). AI and its potential for cybersecurity. Forbes. Retrieved from https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2020/12/18/ai-and-its- potential-for-cybersecurity/?sh=5d2f609e69d9 2022/08/03
• https://assets.siemens-energy.com/siemens/assets/api/uuid:cf20f2e1-ca9c-4589-9f88- 4e6592b4672d/brochure-deeparmour-industrial-200609.pdf 2022/08/05
• https://bids.berkeley.edu/news/berkeley-institute-data-science-and-accenture-applied- intelligence-announce-new-collaboration 2022/07/18
• https://info.algorithmia.com/hubfs/2020/Reports/2021-Trends-in- ML/Algorithmia_2021_enterprise_ML_trends.pdf?hsLang=en-us 2022/07/08
• https://wwd.com/business-news/technology/levis-ai-bootcamp-data-science-1234881378/ 22/09/04
• https://www.accenture.com/_acnmedia/PDF-63/Accenture-CoBE-Brochure-
• pdf#zoom=50 2022/08/23
• https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf 2022/07/08
• https://www.bcg.com/publications/2020/is-your-company-embracing-full-potential-of- artificial-intelligence 2022/09/17
• https://www.capgemini.com/wp-content/uploads/2019/07/AI-in- pdf 2022/08/03
• https://www.careers.ox.ac.uk/article/the-pymetrics-games-overview-and-practice- guidelines 2022/07/26
• https://www.cnr.it/sites/default/files/public/media/attivita/editoria/VOLUME%20FULL%20 14%20digital%20LIGHT.pdf 2022/08/22
• https://www.levistrauss.com/2021/05/17/machine-learning-bootcamp/ 2022/07/19
• https://www.linkedin.com/pulse/how-coca-cola-using-ai-stay-top-soft-drinks-market- shivani-salunkhe 2022/08/23
• https://www.mckinsey.com/about-us/new-at-mckinsey-blog/mckinsey-receives-top- ranking-in-the-forrester-wave-ai-report 2022/07/19
• https://www.nist.gov/system/files/documents/cyberframework/cybersecurity-framework- pdf 2022/08/03
• https://www.statista.com/statistics/1083482/worldwide-ai-revenue-increase/ 2022/08/02 https://www.statista.com/statistics/1083516/worldwide-ai-cost-decrease/ 2022/08/02
• https://www.statista.com/statistics/1119824/global-business-and-hr-leaders-on-ai-impact- to-job-numbers/ 2022/07/20
• https://www.statista.com/statistics/1235395/worldwide-ai-enabled-cyberattacks- companies/ 2022/08/05
• https://www.statista.com/statistics/1293758/ai-marketing-revenue-worldwide/ 2022/07/25
• https://www.statista.com/statistics/472934/business-analytics-software-revenue- worldwide/ 2022/07/29
• https://www.statista.com/statistics/871513/worldwide-data-created/ 2022/07/29
• https://www.statista.com/statistics/941137/ai-investment-and-funding-worldwide/ 2022/07/08
• https://www.treccani.it/enciclopedia/intelligenza-artificiale 2022/07/04
• https://www.treccani.it/enciclopedia/sicurezza-informatica/#:~:text=sicur%C3%A9zza%20inform%C3%A0tica%20Ramo%20dell’informatica,dati%20riservati%20in%20essi%20contenuti. 2022/09/13
• https://www.tripwire.com/state-of-security/security-data-protection/43-billion-stolen- through-business-email-compromise-since-2016-reports-fbi/ 2022/09/13
• https://www.webfx.com/martech/pricing/ai/#:~:text=In%202020%2C%20companies%20can%20pay,house%20or%20freelance%20data%20scientists.&text=In%20comparison
• %2C%20custom%20AI%20solutions,from%20%246000%20to%20over%20%24300%2C 000. 2022/09/18
• Jeans, D. (2020). Companies will spend $50 billion on artificial intelligence this year with little to show for it. Forbes. Retrieved from https://www.forbes.com/sites/davidjeans/2020/10/20/bcg-mit-report-shows-companies- will-spend-50-billion-on-artificial-intelligence-with-few-results/?sh=7efe3fe57c87 2022/09/17
• Johar, P. (2020). How AI makes big data smarter. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2020/03/23/how-ai-makes-big-data- smarter/?sh=381f9b6a4684 2022/08/01
• Luchtenberg, D., & Migliorini, R. (2022). Coca-Cola: The people-first story of a digital transformation. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/coca-cola-the-people-first-story-of-a-digital-transformation 2022/08/02
• Malins, A. (2022). Machine learning and artificial intelligence: implementation in practice. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2022/01/25/machine-learning-and- artificial-intelligence-implementation-in-practice/?sh=7692b2a35c89 2022/07/15
• Manyika J., & Sneader K. (2018). AI, automation, and the future of work: Ten things to solve for. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/featured- insights/future-of-work/ai-automation-and-the-future-of-work-ten-things-to-solve-for 2022/07/15
• Marr, B. (2017). The Amazing Ways Coca Cola Uses Artificial Intelligence And Big Data To Drive Success. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2017/09/18/the-amazing-ways-coca-cola- uses-artificial-intelligence-ai-and-big-data-to-drive-success/?sh=1448c01778d2 2022/08/02
• Marr, B. (2018). The amazing ways how Unilever uses artificial intelligence to recruit & train thousands of employees. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2018/12/14/the-amazing-ways-how-unilever-uses-artificial-intelligence-to-recruit-train-thousands-of-employees/?sh=485a1ca76274 2022/07/26
• Marr, B. (2022). The most in – demand technical skills – and how to develop them. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2022/08/03/the-most- in-demand-technical-skills–and-how-to-develop-them/?sh=7a1c4e1362e4 2022/08/22
• Mohan S. (2022). How to make it easier to implement AI in your business. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2022/05/27/how-to- make-it-easier-to-implement-ai-in-your-business/?sh=481bfbd65300 2022/07/12
• Rossitto, S. (2021). “Senza intelligenza artificiale e big data impossibile un vaccino contro il Covid in tempi brevi”. Il Sole 24 Ore. Retrieved from https://www.ilsole24ore.com/art/senza-intelligenza-artificiale-e-big-data-impossibile-vaccino-contro-covid-tempi-brevi-AD5lOYHB 2022/08/01
• Rusconi, G. (2022). L’intelligenza artificiale facilita il cambiamento organizzativo. Il Sole 24 Ore. Retrieved from https://www.ilsole24ore.com/art/l-intelligenza-artificiale-facilita- cambiamento-organizzativo-AEitC2OB 2022/07/14
• Sinur, J., & Peters, E. (2019). AI & big data; better together. Forbes. Retrieved from https://www.forbes.com/sites/cognitiveworld/2019/09/30/ai-big-data-better- together/?sh=61a9e9a360b3 2022/08/01
• Taulli, T. (2021). Artificial intelligence: should you teach it to your employees? Forbes. Retrieved from https://www.forbes.com/sites/tomtaulli/2021/09/10/ai-artificial- intelligence-should-you-teach-it-to-your-employees/?sh=2bab6b507b73 2022/07/18
• Tremolada, L. (2019). Machine learning, deep learning e reti neurali. Ecco di cosa parliamo. Il sole 24 ore. Retrieved from https://www.ilsole24ore.com/art/machine- learning-deep-learning-e-reti-neurali-ecco-cosa-parliamo–AEaToEBH2022/07/07
• ASIMOV, I. (1950), I, Robot. (Cited at page 5)
• BABBAGE, C. (1982), «On the Mathematical Powers of the Calculating Engine», The Origins of Digital Computers. Texts and Monographs in Computer Science.
• BODEN, M. A. (2018), Artificial Intelligence: A Very Short Introduction.
• CAMPBELL, M., HOANE, A. J. e HSIUNG HSU, F. (2002), «Deep Blue», Artificial Intelligence, vol. 134, p. 57–83.
• CLARKE, A. C. e KUBRICK, S. (1968), 2001: A Space Odyssey.
• DICK, P. K. (1968), Do Androids Dream of Electric Sheep?
• HASHEMIPOUR, S. e ALI, M. (2020), «Amazon Web Services (AWS) – An Overview of the On-Demand Cloud Computing Platform».
• KRIZHEVSKY, A., SUTSKEVER, I. e HINTON, G. E. (2012), «ImageNet classification with deep convolutional neural networks», Communications of the ACM, vol. 60, p. 84 – 90.
• LECUN, Y., BENGIO, Y. e HINTON, G. E. (2015), «Deep Learning», Nature, vol. 521, p. 436–444.
• MASLEJ, N., FATTORINI, L., BRYNJOLFSSON, E., ETCHEMENDY, J., LIGETT, K., LYONS, T., MANYIKA, J., NGO, H., NIEBLES, J. C., PARLI, V., SHOHAM, Y., WALD, R., CLARK, J., e PERRAULT, R. (2023), «The AI Index 2023 Annual Report», Rap. tecn., AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA.
• MCCARTHY, J. (1960), «Programs with common sense».
• MCCARTHY, J., MINSKY, M., ROCHESTER, N. e SHANNON, C. E. (2006), «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955», AI Mag., vol. 27, p. 12–14.
• RAO, A. S. e VERWEIJ, G. (2017), «Sizing the prize: what’s the real value of AI for your business and how can you capitalise?».
• RUSSELL, B. e WHITEHEAD, A. N. (1956), «Principia Mathematica to *56».
• RUSSELL, S. e NORVIG, P. (1995), «Artificial intelligence – a modern approach: the intelligent agent book».
• TURING, A. (1937), «On computable numbers, with an application to the Entscheidungsproblem», Proc. London Math. Soc.
• VASWANI, A., SHAZEER, N. M., PARMAR, N., USZKOREIT, J., JONES, L., GOMEZ, A. N., KAISER, L. e POLOSUKHIN, I. (2017), «Attention is All you Need», in «NIPS».

Note

[1] Daft R. L. (2021), op. cit., 351.

[2] Tabesh P. (2021), op. cit., 2.

[3] Whitmore, A., Agarwal, A., & Da Xu, L. (2015). The Internet of Things—A survey of topics and trends. Information systemsfrontiers, 17(2), 261.

[4] Miyashita, M., & Brady, M. (2019). The Health Care Benefits of Combining Wearables and AI. Harvard BusinessReview, 2-3.

[5] Vadari, S., & Desik, P. A. (2021). The Role of AI/ML in Enhancing Knowledge Management Systems. IUP Journal of KnowledgeManagement, 19(2), 7-31.

[6] Tabesh P. (2021), op. cit., 3.

[7] Agrawal, A., Gans, J., & Goldfarb, A. (2017), op. cit., 3.

[8] Tremolada, L. (2019). Machine learning, deep learning e reti neurali. Ecco di cosa parliamo. Il sole 24 ore. Retrieved from https://www.ilsole24ore.com/art/machine-learning-deep-learning-e-reti-neurali-ecco-cosa- parliamo–AEaToEBH 2022/07/07.

[9] Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018). Notes from the AI frontier:Applications and value of deep learning. McKinsey global institute discussion paper, April.

Retrieved from https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai- frontier-applications-and-value-of-deep-learning 2022/07/07.

[10] Tschang, F. T., & Almirall, E. (2021). Artificial intelligence as augmenting automation: Implications for employment. Academy ofManagement Perspectives, 35(4), 645.

[11] Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018), op. cit.

[12] Paschen, U., Pitt, C., & Kietzmann, J. (2020), op. cit., 150.

[13] Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019), op. cit., 1413.

[14] Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019), op. cit., 1413.

[15] Paschen, U., Pitt, C., & Kietzmann, J. (2020), op. cit., 150.

[16] Tremolada, L. (2019), op. cit.