
News
Contenuti per la community dell'HPC e gli appassionati di innovazione: tutorial, news e press release per utenti, ingegneri e amministratori
- Tutte le news
- Aerospace & Defence
- Artificial Intelligence
- Blog
- Cloud Platform
- HPC
- Kubernetes Cluster
- Press
- Progetti Europei
- Ultime news
- Varie E4
- Video
Advanced Analytics: ecco i principali ambiti di applicazione

In un precedente articolo, avevamo sottolineato l’importanza dell’Advanced Analytics in moltissimi settori, al fine di prendere decisioni di business importanti, sulla base di informazioni oggettive, affidabili, tempestive e contestualizzate.
Oggi, ne vediamo alcune nello specifico:
- Tecniche di Machine Learning per il Forecasting
- Deep Learning per il Forecasting della Domanda
- Industrial Analytics: la Predictive Maintenance
- Natural Language Processing and Text Analytics
- Gli Advanced Analytics per il Marketing e le Vendite
LE TECNICHE DI MACHINE LEARNING PER IL FORECASTING
GLI ALGORITMI DI MACHINE LEARNING ABILITANO AL FORECASTING DELLA CURVA DELLA DOMANDA AFFIDABILE ANCHE IN SCENARI PREVISIONALI ASSAI COMPLICATI E LA QUALITÀ DELLA PREVISIONE MIGLIORA NEL TEMPO
Già da qualche anno, i sistemi di Business Intelligence più avanzati utilizzano modelli statistici per stimare la domanda futura di un prodotto sulla base dei dati storici di vendita.
Nonostante l’evoluzione della metodologia, l’approccio statistico alla previsione ha iniziato a mostrare i suoi limiti: nel mercato attuale la curva della domanda è sempre più complessa da prevedere, per la presenza frequente di improvvise e significative variazioni del trend della curva stessa.
Utilizzare le tecniche di Machine Learning per la previsione della domanda futura di un prodotto, rappresenta un deciso cambio di paradigma: le funzioni impiegate per la previsione dipendono da un numero prima impensabile di parametri e forniscono un modello accurato della domanda in scenari previsionali resi complicati, per esempio, da promozioni commerciali, introduzione di nuovi prodotti o marcata stagionalità.
Tali sistemi hanno poi capacità di evolvere con l’autoapprendimento: la qualità del risultato, già molto più alta rispetto ai metodi statistici tradizionali, migliora nel tempo.
La previsione attraverso algoritmi di Machine Learning consente quindi d’identificare i trend nascosti nei dati e, parallelamente, di definire ed adattare automaticamente nel tempo un modello affidabile per tutti i fattori che determinano la variabilità nella domanda.
DEEP LEARNING PER IL FORECASTING DELLA DOMANDA
LA PREVISIONE PROBABILISTICA DELLA DOMANDA FUTURA È UN POTENTE MEZZO CHE AIUTA A PROGRAMMARE IL PROPRIO BUSINESS E BILANCIARE A PRIORI I PIÙ SIGNIFICATIVI FATTORI DI RISCHIO
I modelli di Deep Learning (DL) hanno anche decine di milioni di parametri «addestrabili» sui dati disponibili. Applicare il DL alla previsione della domanda futura offre non soltanto un’accuratezza statistica ineguagliabile, ma anche previsioni probabilistiche vitali per una corretta gestione di logistica e scorte. Le previsioni probabilistiche sono un modo totalmente nuovo di guardare al futuro; nella gestione della catena logistica, i costi sono spesso determinati da eventi estremi: è una domanda sorprendentemente alta a generare rotture di stock e delusione dei clienti, ed è una domanda sorprendentemente bassa a generare stock morto e, quindi, costose rimanenze. La previsione probabilistica della domanda non si limita a darne una stima, ma valuta anche la probabilità che si verifichi ognuno dei possibili scenari futuri: viene così calcolata la probabilità che si verifichi una domanda di 0 unità, una domanda di 1 unità, una domanda di 2 unità, e così via; è analizzata quindi la probabilità che si verifichi ogni livello di domanda, finché le probabilità diventano tanto irrilevanti da poter essere ignorate. Le previsioni probabilistiche sono un potente mezzo per bilanciare quantitativamente a priori i rischi, di solito ignorati da altri metodi di forecasting, per i quali l’analisi del rischio spesso non è altro che… una riflessione con il senno di poi.
INDUSTRIAL ANALYTICS: LA PREDICTIVE MAINTENANCE
UTILIZZARE ALGORITMI DI MACHINE LEARNING SUI DATI PROVENIENTI DAI SENSORI APPLICATI AGLI IMPIANTI INDUSTRIALI CONSENTE DI RIDURRE SIGNIFICATIVAMENTE I COSTI LEGATI AGLI INTERVENTI DI MANUTENZIONE
Gli impianti industriali hanno un ciclo di vita ultra decennale, durante il quale operano per 24 ore al giorno e per 7 giorni alla settimana. Interruzioni non programmate per lavori di riparazione o manutenzione sono costose e riducono il rendimento delle macchine. In tali casi, generalmente, sono allestiti opportuni programmi di Manutenzione Preventiva, per ridurre il rischio di una interruzione della produzione dovuta a usura o rottura dei componenti: le operazioni di manutenzione vengono effettuate a fissati intervalli di tempo, definiti in base al carico dell’impianto. I recenti progressi della IoT industriale consentono un approccio intelligente alle problematiche di manutenzione, la cosiddetta Predictive Maintenance, cioè la Manutenzione Predittiva, che consiste nel rilevare continuamente le variabili più significative da sensori a bordo degli impianti e, sui dati raccolti, utilizzare algoritmi di Predictive Analytics, per stimare il momento ideale in cui effettuare la manutenzione. I vantaggi di questo nuovo approccio sono enormi:
- I potenziali problemi dell’impianto sono identificati prima che si verifichi il guasto, consentendo così di pianificare al meglio l’intervento;
- La causa principale del guasto è determinata in modo automatico, permettendo così un intervento di manutenzione più rapido ed economico: non è più necessario utilizzare tempo e risorse umane per individuare il problema;
- I costi dovuti alla manutenzione non necessaria sono del tutto evitati.
NATURAL LANGUAGE PROCESSING E TEXT ANALYTICS
GLI ALGORITMI DI DEEP LEARNING STANNO RIVOLUZIONANDO LA COMPRENSIONE AUTOMATICA DEL LINGUAGGIO NATURALE: L’ENORME MOLE DI TESTO NON STRUTTURATO DISPONIBILE SU WEB OGGI DIVENTA VALORE!
Il Natural Language Processing (Elaborazione del Linguaggio Naturale) è una ramo dell’Intelligenza Artificiale, il cui scopo è sviluppare algoritmi per analizzare, rappresentare e «comprendere» il linguaggio naturale, in maniera simile rispetto agli esseri umani.
Le applicazioni di questa tecnologia sono molteplici e, in parte, ancora inesplorate; le tecniche di NLP basate sul Deep Learning sono oggi applicate nei sistemi conversazionali intelligenti che emulano il dialogo umano, per rispondere a domande su diversi argomenti. Esempi noti di tali sistemi sono Amazon Alexa, Apple Siri e Google Assistant, che forniscono risposte dirette e concise a domande poste dall’utente in linguaggio naturale. Per questo utilizzano modelli di Deep Learning che, prima analizzano e classificano la domanda e poi estraggono la risposta in linguaggio naturale da basi di conoscenza di enormi dimensioni.
Sullo stesso principio si basano gli attuali sistemi di traduzione automatica, che apprendono le differenti tipologie di risposta, la traduzione della «domanda» in una lingua diversa, da una enorme base di esempi di dialogo. Un sistema conversazionale può anche essere addestrato per «dialogare» con un essere umano, fornendo supporto, assistenza e raccomandazioni su un prodotto o un servizio. Le tecnologie del NLP e Text Analytics sono utilizzate anche per classificare enormi moli di documenti per argomento trattato o per estrarne solo le parti più significative in un dato contesto.
GLI ADVANCED ANALYTICS PER IL MARKETING E LE VENDITE
GRAZIE AGLI ADVANCED ANALYTICS, LE AZIENDE POSSONO UTILIZZARE LE INFORMAZIONI DISPONIBILI SUI CANALI SOCIAL PER CONOSCERE I GUSTI DEL CLIENTE E MONITORARE LA REPUTAZIONE DEL PROPRIO BRAND
Con la grande diffusione dei social media, gli utenti hanno iniziato a divulgare le proprie opinioni su queste piattaforme, andando così a creare una enorme base di dati, che le Aziende possono utilizzare per conoscere meglio il cliente, studiarne le abitudini di consumo, identificarne le preferenze e monitorare nel tempo la reputazione dell’azienda stessa.
E’ evidente che queste informazioni sono di vitale importanza nel business, nel breve periodo, ad esempio, per pianificare l’attività di marketing, nel medio periodo per evolvere l’offerta di prodotti e servizi e renderla sempre più efficace nel tempo.
L’estrazione automatica dalle piattaforme social e l’analisi su larga scala dei giudizi degli utenti viene definita Sentiment Analysis. In questo ambito, il Machine Learning è utilizzato per costruire modelli in grado di «misurare» le opinioni in nuovi testi: la grande quantità di
informazioni disponibili sul web ed i dati storici nei social media possono essere utilizzati per addestrare un «modello di sentiment», che sarà impiegato successivamente per valutare in tempo reale l’«opinione pubblica» su un tema d’interesse, utilizzando le notizie del momento ed il flusso istantaneo di post nei social media. Gli Advanced Analytics consentono anche di individuare gli «opinion maker» e comprendere in dettaglio i meccanismi che sono alla base della formazione di un’opinione sulla rete.
Vuoi saperne di più sull’offerta di E4 per l’Advanced Analytics?