Il percorso verso il

machine learning
Il percorso verso l’utilizzo della piena
potenza delle tecnologie di machine
learning
Andare avanti
Se implementato con le strategie giuste, il machine
learning (ML) può aumentare l'agilità, semplificare i
processi, incrementare le entrate creando nuovi prodotti
e migliorando quelli esistenti; inoltre, può consentire
processi decisionali migliori e più rapidi.
Senza dubbio il machine learning e l'intelligenza
artificiale (IA) possono aiutare le aziende a ottenere
di più: in un recente sondaggio di McKinsey, il 63%
degli intervistati ha riportato aumenti delle entrate
derivanti dall'adozione dell'IA nelle unità aziendali in
cui le relative imprese utilizzano l'IA.¹ È anche chiaro
che gli utenti continuano ad avere fiducia nella capacità
delle tecnologie di IA di generare valore e vantaggi.
Secondo Gartner, il 75% delle aziende passerà dai test
dell'IA al suo utilizzo operativo entro la fine del 2024² e,
secondo Deloitte, il 57% sostiene che l'IA produrrà una
trasformazione nella propria organizzazione nei prossimi
tre anni.³
1 https://www.mckinsey.com/featured-insights/artificial-intelligence/global-ai-survey-ai-proves-its-worth-but-few-scale-impact
2 https://www.gartner.com/en/newsroom/press-releases/2020-06-22-gartner-identifies-top-10-data-and-analytics-technolo
3 https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies/state-of-ai-and-intelligent-automation-in-business-survey.html
Mentre il machine learning esiste da decenni, la sua
accessibilità come strumento per trasformare le aziende
è relativamente nuova. E la mancanza di un singolo
percorso comprovato per il successo del machine learning
fa sì che alcune aziende rimangano in attesa in disparte,
incerte su come fare il prossimo (o addirittura il primo)
passo. Questo eBook è progettato per aiutare le aziende
ad andare avanti, delineando un percorso comprovato
dal primo passo alla misurazione dei risultati, con
approfondimenti tratti dal patrimonio di machine
learning di Amazon e dalla sua esperienza nell'aiutare
migliaia di clienti a realizzare le proprie iniziative.
È tempo che le organizzazioni superino le preoccupazioni
relative al machine learning, smettano di arrancare e
facciano un passo avanti con fiducia. Indipendentemente
dal punto del percorso in cui si trovano, le organizzazioni
avranno la guida di cui hanno bisogno per compiere un
ulteriore passo verso il successo con il machine learning.
2
Cosa sono l'intelligenza artificiale e il
machine learning?
Le definizioni di intelligenza artificiale e machine learning sono diverse, quindi è necessario fare un
passo indietro ed esaminare quelle più corrette:

Il termine intelligenza artificiale (IA) descrive qualsiasi sistema in grado di replicare attività che in
passato richiedevano l'intelligenza umana.

Quasi sempre, si tratta di un concetto correlato a un'attività decisionale complessa di qualche

tipo, in cui sarebbe normalmente necessario il giudizio umano. La maggior parte dei casi d'uso
dell'intelligenza artificiale ha come finalità la ricerca di un risultato probabilistico: fare previsioni,
elaborare classificazioni o prendere decisioni con un alto grado di certezza e in modo simile al
giudizio umano.

Quasi tutti i sistemi di intelligenza artificiale di oggi sono stati creati tramite il machine learning.
Il machine learning utilizza un gran numero di dati per creare e verificare la logica decisionale. Si
tratta di un modello noto. Il sistema di intelligenza artificiale inserisce i dati di input in quel modello,
quindi il modello genera previsioni o classificazioni in modo simile al giudizio umano. In sostanza, il
machine learning è la tecnologia alla base dei sistemi intelligenti.

L'IA può essere creata senza machine learning ma, al momento, il machine learning rappresenta
il metodo principale per creare sistemi di IA. Allo stesso modo, il machine learning può essere
utilizzato per ambiti che vanno oltre l'IA, ma in questo momento la maggior parte del machine
learning è legata all'intelligenza artificiale.

3
Perché il Machine Learning?
Prima di approfondire i passaggi del percorso verso il machine learning, scopriamo perché le aziende dovrebbero
intraprendere fin da subito questo percorso. Dopotutto, a integrazione della guida fornita in questo eBook, il
completamento dei passaggi qui descritti richiederà investimenti continui e una costante dedizione. Le aziende
dovranno ricordarsi regolarmente per cosa stanno combattendo, tenendo in considerazione i vantaggi aziendali
precisi che possono ottenere sfruttando appieno la tecnologia del machine learning.

Le aziende si rendono già conto dell’impatto riguardante:

1 2
L'ottimizzazione del business con
una maggiore efficienza
Il machine learning può essere utilizzato per ottenere
una maggiore efficienza attraverso sofisticati modelli
di pianificazione e previsione della domanda. Anche
se questo vale per quasi tutti i settori, il commercio
al dettaglio fornisce alcune prove specifiche.
Le previsioni basate sull'intelligenza artificiale
riducono fino al 65% le vendite perse a causa
dell'indisponibilità del prodotto e si traducono in due
milioni in meno di resi di prodotti all'anno.⁴ Grazie
a una soluzione di ordine predittiva basata su AWS,
Domino's Pizza Enterprises Limited sta portando
avanti un'iniziativa per avere la pizza pronta per
il ritiro entro 3 minuti dall'ordine o sicuramente
consegnata entro 10 minuti.
Un processo decisionale più
intelligente e più veloce
Grazie alle informazioni provenienti da fonti
di dati e analisi che diventano più intelligenti
attraverso il machine learning, le aziende e il
loro personale possono prendere decisioni più
informate e più velocemente, che consentono loro
di sfruttare prima le opportunità e di ottenere
risultati migliori. Gli agenti del servizio clienti di
T-Mobile utilizzano l'IA per accedere rapidamente
alle informazioni più pertinenti per le esigenze
del cliente. Fornendo agli agenti informazioni
contestuali in tempo reale, T-Mobile aiuta
a garantire che i problemi di ogni cliente vengano
risolti rapidamente e con precisione.

4 https://www.mckinsey.com/~/media/mckinsey/industries/advanced%20electronics/our%20insights/how%20artificial%20
4
intelligence%20can%20deliver%20real%20value%20to%20companies/mgi-artificial-intelligence-discussion-paper.ashx
3 4
Le aziende televisive multinazionali
Discovery, Inc. (Discovery) dispone di una vasta
gamma di contenuti che si rivolgono a un'ampia base
di pubblico. L'azienda voleva aiutare i propri clienti a
trovare contenuti curati che corrispondessero ai loro
interessi specifici e si è rivolta ad Amazon Personalize
per attivare suggerimenti di contenuti su misura per i
loro utenti della piattaforma di streaming Discovery+.
Invece di offrire contenuti generici, Discovery ha usato
le raccomandazioni basate sul machine learning di
Amazon Personalize per personalizzare l'esperienza degli
spettatori e migliorare il percorso complessivo del cliente.
L’aggiunta di nuove funzionalità ai
prodotti esistenti
Il machine learning può arricchire i prodotti esistenti,
migliorando il coinvolgimento dei clienti e attirandone di
nuovi grazie ad esperienze più significative. Ad esempio,
Livongo è una piattaforma e app mobile che funziona
con dispositivi smart, come i misuratori di glicemia, per
aiutare le persone a gestire problemi medici. Questa
piattaforma utilizza il machine learning per trasformare
i dati delle letture della glicemia, dell'attività fisica e
dei registri dei pasti, oltre ai dati dello smartphone e
altre informazioni importanti, in "incentivi alla salute"
tempestivi e utilizzabili. Questi messaggi personalizzati
su dieta, esercizio fisico, farmaci e altro, inviati in tempo
reale ai dispositivi dei membri collegati, aiutano a evitare
complicazioni che potrebbero comportare ricoveri
ospedalieri, facendo risparmiare denaro al sistema (e agli
utenti stessi).
5
5 6
L'invenzione di nuovi prodotti
Nel suo sforzo di migliorare i risultati della tecnologia
sanitaria per gli utenti, Cambia ha utilizzato Amazon
Web Services (AWS), compresa la tecnologia del machine
learning, per sviluppare Journi, una soluzione sanitaria
digitale all-in-one guidata dall'intelligenza artificiale
basata sui dati e dall'esperienza umana che aiuta i
membri del piano sanitario e le loro famiglie a sfruttare
al meglio i benefici in questo ambito.
Pertinenza costante
Il machine learning non è più una scelta di nicchia,
è una necessità per rimanere pertinenti e competitivi,
indipendentemente dal campo e dal dominio.
OnPoint Digital Solutions, una filiale di Koch
Engineered Solutions, ha recentemente collaborato
con AWS per sviluppare una piattaforma intelligente
di ottimizzazione dei processi (IPOP). La piattaforma,
progettata per abilitare le soluzioni di OnPoint, utilizza
l'infrastruttura digitale cloud ed edge per fornire
capacità avanzate di machine learning e di calcolo
industriale per l'ecosistema connesso di OnPoint.
Questo permette agli operatori industriali e ai loro
partner preferiti di integrare e agire sulla migliore
conoscenza disponibile ovunque, in qualsiasi momento,
su vasta scala.

Ora che abbiamo definito il "perché" del machine learning, è il momento di scoprire il "come". Le sezioni
successive illustreranno i passaggi del percorso verso il machine learning, utilizzando quello di Amazon e quelli dei
clienti AWS per esemplificare le modifiche necessarie che devono essere apportate per implementare, distribuire e
dimensionare il machine learning con successo.

6
Il percorso
verso il machine
learning
Il percorso verso il machine learning non è sempre
rettilineo. Raggiungere il successo attraverso
il machine learning richiede molto più che
un'ottima tecnologia: significa anche garantire che
l'organizzazione sia allineata agli obiettivi giusti.
Identificare e raggiungere tali obiettivi richiederà
ampi cambiamenti nei processi, nella gestione e
nella cultura. Le sezioni successive illustreranno
come le organizzazioni possono superare le sfide
comuni, che spesso ostacolano i progressi, e come
prendere le misure giuste per implementare il
machine learning in modo efficiente e sostenibile.
1
Promuovere una cultura del machine learning
Secondo Gartner, il valore del business globale derivato dall'intelligenza artificiale
dovrebbe sfiorare i 4000 miliardi nel 2022.5
Per sfruttare il pieno potenziale commerciale del machine learning ci vorranno
cambiamenti culturali nell’organizzazione, negli obiettivi e nelle prospettive del team.
Affinché il machine learning venga diffuso nell’organizzazione, sia i team commerciali che
quelli tecnici devono lavorare insieme e condividere le stesse priorità. Per raggiungere
questo obiettivo, lo sforzo iniziale verso il machine learning deve essere supportato dai
livelli più alti, con obiettivi stabiliti dalla direzione generale e investimenti nella tecnologia
e nei processi che portano al successo.
È importante che il management abbia una visione ampia e promuova le iniziative di
machine learning. I dirigenti devono essere fermi nei loro obiettivi, ma flessibili nel modo
in cui l'organizzazione li raggiunge. Verranno sicuramente fatti degli errori. Rimanendo
concentrate sulle prospettive a lungo termine e senza scoraggiarsi, le organizzazioni
possono trarre insegnamento da ogni errore e applicare tali apprendimenti per sostenere
una cultura del machine learning in tutta l'azienda.
Forse il più grande cambiamento culturale che le organizzazioni devono subire è utilizzare
l'opportunità insita negli errori. Il machine learning è un processo iterativo che può
avere successo solo attraverso una costante sperimentazione. Il più delle volte, questi
esperimenti si tradurranno in un fallimento. Solo tollerando questi errori ed evitando
di fermare i progressi per capire "cosa è andato storto", le organizzazioni possono
costantemente raggiungere i successi rivoluzionari che le attendono.
5 https://www.gartner.com/en/newsroom/press-releases/2018-04-25-gartner-says-global-artificial-intelligence-business-value-to-
reach-1-point-2-trillion-in-2018 7
Esperienza di Amazon
Amazon utilizza il machine learning nel settore da oltre vent'anni. Ma
più di dieci anni fa, in vista dell'ulteriore adozione globale del machine
learning in azienda, il team dirigente di Amazon ha chiesto a tutti i manager
dell'organizzazione, indipendentemente dal tipo di team loro sottoposto, di
indicare come pensassero di sfruttare il machine learning nelle loro attività.
Nella maggior parte dei casi, non era accettabile rispondere che
l'implementazione del machine learning non era prevista. Questo ha costretto
la direzione, gli esperti di settore e gli esperti tecnici a collaborare alle
iniziative di machine learning in modo che nulla fermasse i loro progressi,
anche nei casi in cui i benefici tangibili si sarebbero visti in un futuro lontano.
Oltre ad assumere data scientist esterni, Amazon ha creato anche la Machine
Learning University, che ha formato tutti i suoi sviluppatori con l'obiettivo
di utilizzare il machine learning in modo più efficace. La società ha creato
strumenti come Amazon SageMaker, che semplifica il processo di creazione
di modelli e agevola l'accesso alla tecnologia, per consentire una più efficace
espansione del machine learning.
Ora, oltre dieci anni dopo, in Amazon non esiste un solo dipartimento che non
sia stato toccato dal machine learning. La tecnologia di personalizzazione di
Amazon che fornisce consigli ai clienti è notevolmente migliorata rispetto al
primo modello di vent'anni fa ed è stata applicata ad altre aree dell'azienda.
L'azienda utilizza il machine learning in tutto il suo processo di evasione degli
ordini e dispone di un sistema in grado di prevedere la domanda per quasi
ogni prodotto del suo ricco catalogo. Questi modelli di previsione consentono
ad Amazon di soddisfare meglio le aspettative dei clienti in termini di
convenienza, costi e velocità di consegna.
"Il machine learning rafforzerà e migliorerà
ogni azienda, ogni organizzazione
governativa, ogni organizzazione di
beneficenza, in pratica non esiste alcuna
istituzione al mondo che non possa essere
migliorata con il machine learning."
Jeff Bezos, fondatore e CEO di Amazon
"Produciamo previsioni per milioni di prodotti ogni giorno in tutti i nostri siti
Amazon, in tutto il mondo", ha dichiarato Jenny Freshwater, direttore delle
previsioni di Amazon. "E senza il machine learning, non saremmo in grado di
produrre tali previsioni".
Con Alexa, Amazon ha inoltre sviluppato strumenti che consentono ai
consumatori di interagire con la tecnologia in modo completamente
nuovo. La società ha sviluppato una tecnologia rivoluzionaria con i droni
autonomi Amazon Prime Air e utilizza la robotica nei suoi centri logistici
per consegnare i pacchi ai consumatori più velocemente. Inoltre, Amazon
sta utilizzando il machine learning per ridurre al minimo gli imballaggi che
il cliente deve smaltire, riducendo del 33% il peso dei pacchi in uscita ed
eliminando 915.000 tonnellate di materiale da imballaggio nel mondo.
Per raggiungere questi successi ci sono voluti grandi investimenti in
tecnologia, ricerca e risorse umane. Ma questi investimenti sarebbero
andati sprecati senza il cambiamento culturale che ha motivato l'azienda
ad andare avanti a dispetto di molti fallimenti e difficoltà inaspettate. Ogni
organizzazione deve promuovere questa stessa cultura di sperimentazione
e innovazione tollerante agli errori prima che il percorso verso il machine
learning possa davvero iniziare.
8
2
Ripensare la strategia dei dati
I successi del machine learning dipendono moltissimo dai
dati di qualità. Senza un'adeguata strategia di dati in atto,
i progressi rallentano e ostacolano l'efficacia del modello
finale. Peggio ancora, se il modello è informato da dati
errati, i risultati che genera potrebbero essere fuorvianti o
addirittura completamente sbagliati.
"(I modelli di machine learning sono) molto sensibili alla
qualità dei dati", ha dichiarato Freshwater. "Così abbiamo
imparato, in molti casi nel modo più duro, che il tempo
impiegato per ottenere dati di alta qualità in entrata ha
riscontri nei nostri modelli in uscita".
Una volta archiviati, i dati possono essere analizzati
da molti tipi di servizi di analisi e di machine learning,
più velocemente e in modo più efficiente rispetto agli
approcci tradizionali e basati sui silos. Le architetture
dei data lake consentono inoltre a più gruppi all'interno
dell'organizzazione di usufruire dell'analisi di un pool
coerente di dati che copre l'intera azienda.
Per assistenza nello sviluppo di una strategia di dati
più olistica che includa i data lake, visitare la pagina
Reinventare la tua azienda grazie ai dati.

La strategia di dati giusta per il machine learning

dovrebbe mirare a scomporre i silos, consentendo ai team
IT di accedere e raccogliere facilmente, rapidamente e in
modo sicuro i dati di cui hanno bisogno.

Mentre le strategie di dati moderne assumono molte

forme, i data lake stanno diventando un componente
centrale sempre più popolare dei modelli più efficienti. I
data lake offrono maggiore agilità e flessibilità rispetto
ai tradizionali sistemi di gestione dei dati, consentendo
alle aziende di gestire più tipi di dati da un’ampia varietà
di fonti e di archiviare i dati, sia strutturati che non
strutturati, in un repository centralizzato.

9
"Utilizziamo le tecnologie di analisi dei dati di
AWS per prevedere . . . con precisione a che velocità
devono funzionare le linee di conversione al fine di
evitare strappi. Riducendo gli strappi della carta,
abbiamo aumentato i profitti di milioni di
dollari per linea di produzione”.
Steve Bakalar, Vice President di IT: Digital
Transformation, Georgia-Pacific
Come ha operato
Georgia-Pacific
Ogni giorno vengono prodotti centinaia di rotoli di carta
e tessuto negli stabilimenti produttivi di Georgia-Pacific
in tutto il Nord America. In caso di rotture o lacerazioni
frequenti, si verificano tempi di inattività della macchina
della carta e della linea di trasformazione che possono
costare a Georgia-Pacific milioni di dollari all'anno per
ogni linea.
Georgia-Pacific ha iniziato con la migrazione di 50 TB
di dati di produzione strutturati e non strutturati da
un'infrastruttura di database legacy a un data lake basato
su cloud. Abbinando i database e gli strumenti di analisi
AWS a tutti questi dati, Georgia-Pacific è stata in grado di
ottimizzare i processi di produzione chiave e prevedere i
guasti delle apparecchiature con 60-90 giorni di anticipo.
Grazie alla riduzione degli strappi della carta e dei
tempi di inattività imprevisti, l'azienda è stata in grado
di aumentare i profitti di milioni di dollari per linea di
produzione.
Leggi la storia completa ›
10
3
Trovare il problema aziendale giusto da affrontare
Un errore che le organizzazioni fanno spesso nei loro percorsi verso il machine learning
è quello di impiegare data scientist che lavorano separatamente alla creazione di modelli
di machine learning come proof of concept anziché alla soluzione di problemi aziendali
reali. Senza alcun problema aziendale specifico da risolvere, per i dirigenti IT sarà sempre
più difficile dimostrare il valore dei progetti di machine learning ai loro omologhi dirigenti
aziendali. Ciò può bloccare o addirittura arrestare i progressi nelle iniziative di machine
learning.

Ecco alcune domande importanti che le organizzazioni dovrebbero

porre prima di intraprendere i loro percorsi verso il machine
learning:

1 
Il progetto è abbastanza importante da attirare l’attenzione e da essere
adottato?

2 Risolve un problema aziendale vero?

3 Ci sono luoghi in cui l’organizzazione ha già molti dati non sfruttati?

4 Il progetto richiede il machine learning?

5 Può essere fatto da una singola impresa?

6 Alla fine può essere reso operativo?

11
"Un primo passo è identificare un
problema per cui si dispone di molti dati
ma che non è stato possibile risolvere con
metodi tradizionali", spiega Freshwater.
In un percorso di successo, le organizzazioni creano
team dedicati al machine learning per affrontare
problemi aziendali specifici. Ciò implica l’inclusione
di esperti tecnici e di settore all’interno di questi
team. Mentre gli esperti tecnici assumeranno il
peso maggiore della creazione del modello, hanno
bisogno della conoscenza sul campo degli esperti
di settore per definire sfide aziendali precise e
identificare i dati più importanti per trovare una
soluzione.
Questo approccio è fondamentale anche per la
gestione del cambiamento: quando esperti tecnici e
di settore collaborano per creare modelli di machine
learning, i dipendenti si sentono più sicuri nel
prendere decisioni basate sulla logica dell’algoritmo.
Insieme, questi team dovrebbero anche
analizzare come misurare il successo. "Accertati di
. . . avere parametri molto nitidi e chiari mentre
intraprendi il percorso verso il machine learning",
ha suggerito Freshwater. "Molte volte, i tuoi
modelli vanno a sostituire qualcosa di esistente e
vuoi assicurarti che siano effettivamente migliori
e che tu possa misurarlo".
Per ulteriori informazioni sulla misurazione del
successo delle iniziative di machine learning,
consulta il Passaggio 6 di questo eBook.
Alcune organizzazioni hanno le risorse umane
interne per identificare i problemi che sarebbero
affrontati meglio dal machine learning e per
attuare i programmi pilota appropriati. AWS offre
Amazon Machine Learning Solutions Lab per
aiutare i clienti a "lavorare a ritroso" dalle sfide
aziendali, per poi ripercorrere passo dopo passo
il processo di creazione di progetti di machine
learning per risolverle.
12
Esperienza della NFL (National Football League)
Per decenni, la NFL ha lavorato per fornire
informazioni più approfondite sui suoi giocatori
e squadre, per soddisfare sia la necessità di una
maggiore sicurezza dei giocatori sia l'insaziabile
appetito dei fan per dati e statistiche.
A tal fine, la NFL ha lavorato con AWS per creare
il programma Next Gen Stats (NGS) basato sul
machine learning. Poiché la scienza dei dati e il
calcio sono discipline molto diverse, la NFL ha
saggiamente incluso esperti tecnici e di settore
nella creazione del programma NGS, assicurandosi
che entrambi i gruppi potessero lavorare fianco a
fianco per identificare i dati giusti e per sviluppare
statistiche.6
Sfruttando i tag RFID per tracciare il movimento
dei giocatori, NGS fornisce dati su posizione,
velocità e accelerazione in tempo reale per ogni
giocatore durante ogni gioco su ogni centimetro
del campo. Simulando diverse situazioni all'interno
di un ambiente di gioco, la NFL mira a promuovere
una migliore comprensione di come trattare
e riabilitare gli infortuni in breve tempo ed
eventualmente prevedere e intervenire al fine di
prevenire gli infortuni in futuro.
6 https://aws.amazon.com/nfl
NGS utilizza anche i modelli di machine learning
per calcolare oltre 20 statistiche avanzate in grado
di coinvolgere i fan. Un esempio è la statistica
Expected Rushing Yards, pensata per mostrare
quante yard di corsa dovrebbe guadagnare un
portatore di palla su un dato carry sulla base della
posizione relativa, alla velocità e nella direzione di
bloccanti e difensori.
Approfondimenti come la probabilità di
completamento non esisterebbero senza la
collaborazione tra esperti tecnici, che possono
creare e addestrare i modelli che elaborano
i dati necessari, ed esperti di settore, che sanno
quali dati misurare per creare le statistiche più
interessanti.
Questa partnership favorisce anche l’accettazione
del programma NGS, poiché gli enti radiotelevisivi
sono più propensi a citare statistiche avanzate
che gli esperti di calcio (e in alcuni casi, i membri
degli stessi enti radiotelevisivi) hanno contribuito
a creare.
Leggi la storia completa >
13
13
4
Sviluppare le competenze dei team
Parallelamente alla creazione di una strategia di dati, le Tra questi metodi possiamo ricordare:
organizzazioni devono concentrarsi sul fornire le giuste
Definire il divario di competenze: prima di colmare
competenze ai loro team di ingegneri.
il divario di competenze, un'organizzazione deve
Le organizzazioni stanno diventando sempre più identificare le differenze precise tra ciò di cui ha bisogno
consapevoli del divario di competenze in ambito di o che vuole che i suoi dipendenti facciano e ciò che i suoi
machine learning, cioè della crescente separazione tra dipendenti sanno attualmente fare.
le tecnologie e la capacità degli specialisti IT interni di
Comprendere il modo in cui sono mappate le
sfruttarle appieno. Dal rapporto del sondaggio di O'Reilly
competenze: poiché le iniziative di machine learning
del 2021 sull'adozione dell'IA pubblicato in Enterprise
sono sforzi interdisciplinari, un’organizzazione
2021, che ha coinvolto più di 3.500 leader aziendali,
dovrebbe mappare le competenze necessarie tra data
è emerso che la mancanza di persone qualificate e la
scientist, specialisti di machine learning, sviluppatori
difficoltà di assunzione sono in cima alla lista delle sfide
di applicazioni, esperti di statistiche e altri esperti in
dell'IA, con il 19 per cento degli intervistati che la citano
materia.
come una barriera "significativa". Per colmare questa
lacuna di competenze legate al machine learning è Personalizzare la formazione per esigenze specifiche:
necessaria una combinazione di attività di formazione e se un'organizzazione dispone di programmi di formazione
di reclutamento. La realtà è che non ci sono abbastanza che potrebbero essere utili, deve lavorare per adattare
data scientist oggi per guidare l’imminente trasformazione i materiali di tali programmi alle proprie esigenze
del machine learning. Ciò richiede che le organizzazioni specifiche di machine learning. I leader dovrebbero anche
che desiderano sfruttare il machine learning investano analizzare i servizi di intelligenza artificiale pre-addestrati
innanzitutto nello sviluppo delle loro risorse umane. che forniscono intelligenza pronta per le applicazioni
aziendali e i flussi di lavoro.
Sebbene non vi sia una soluzione unica per tutte le lacune
di competenze legate al machine learning, esistono
metodi comprovati per aumentare le capacità del
personale esistente, riducendo la necessità di effettuare
ingenti investimenti nell’acquisto o nel prestito di esperti
pre-formati.

14
Oltre alla formazione, è necessario allineare i team per affrontare
con successo i problemi di machine learning. Ciò include:

Promuovere una cultura di responsabilizzazione dei team: i team dedicati al progetto

di machine learning devono essere interfunzionali e disporre dell'autorità per realizzare
obiettivi individuali e della libertà di interfacciarsi con altri team in modo organico, a seconda
delle esigenze e delle opportunità. Per rendere possibile questo tipo di lavoro di squadra, il
management dovrà adottare nuove strutture, rinunciando ai modelli organizzativi del passato
strettamente gerarchici e dipartimentali.

Iniziare con un team pilota: crea un team pilota di ingegneri e assegna loro un progetto di
machine learning. "Consiglierei di inserirvi un paio di persone davvero intelligenti per cercare di
capire quali parametri desideri ottimizzare o prevedere. . . basta iniziare con un team piccolo", ha
suggerito Freshwater.

Abilitare la trasformazione organica: una volta completato il progetto pilota, l’azienda può
suddividere il team, inserire nuovi ingegneri per creare nuovi team e assegnare loro nuovi progetti.
Questo processo continua e consente la diffusione delle conoscenze in modo organico dai membri
più vecchi del team ai nuovi membri, permettendo a tutti i team di interfacciarsi tra loro.

Seguendo questa indicazione, molte organizzazioni scoprono che le persone di cui già dispongono sono
quelle di cui hanno bisogno per colmare le lacune di competenze relative al machine learning. Sebbene
possa essere necessario reclutare nuovo personale, i cambiamenti organizzativi, di processo e di gestione
possono avere un ruolo importante nello sviluppo delle competenze del personale per il successo del
machine learning.

È anche importante assicurarsi che i leader aziendali siano addestrati a capire il machine learning, compreso
cosa contribuisce a creare un buon caso d'uso e come parlare la lingua del machine learning. Molti corsi sono
disponibili per i leader aziendali, incluso Machine Learning Essentials from AWS.

15
L'esperienza di Morningstar
La società di ricerca sugli investimenti Morningstar
utilizza il machine learning per automatizzare
i processi di raccolta dei dati e per aumentare
il numero di fondi di cui si occupa. Pertanto, "La sfida DeepRacer sfrutta
la società sfrutta le previsioni di un modello l'entusiasmo dei nostri dipendenti per
di machine learning addestrato per emulare il
il machine learning e l'intelligenza
processo di valutazione dei fondi degli analisti di
Morningstar.
artificiale. Offre formazione pratica in
tutta l'azienda e accelera l'applicazione
Per formare i propri dipendenti e accelerare pratica del machine learning da parte
l'applicazione del machine learning, Morningstar
di Morningstar nei suoi prodotti, servizi
utilizza AWS DeepRacer, uno strumento che
facilita la formazione pratica per utilizzare il e processi di investimento. La risposta
machine learning attraverso un'auto da corsa su dei nostri team è andata ben oltre le
scala 1/18 completamente autonoma, guidata mie aspettative ed è stato un modo
dall'apprendimento per rinforzo, un simulatore divertente per unire i nostri team
di corse 3D e un campionato mondiale di corse.
globali, dagli esperti di tecnologia al
Più di 445 dipendenti di Morningstar con diverse
funzioni e provenienti da otto paesi, tra cui il 35%
personale con altre mansioni."
dei suoi esperti di tecnologia, sono stati coinvolti
James Rhodes, Chief Technology Officer, Morningstar
nella DeepRacer League.7

Morningstar ha in programma decine di progetti

di machine learning per il 2021. Questi includono
un programma di apprendimento di rinforzo
che cerca schemi nei documenti normativi e un
algoritmo che identifica e corregge i collegamenti
interrotti ai siti Web degli istituti finanziari.

7 https://newsroom.morningstar.com/newsroom/news-archive/press-release-details/2019/Morningstar-Launches- 16
Global-AWS-DeepRacer-Corporate-Competition-to-Accelerate-Application-of-Machine-Learning/default.aspx
5
Dimensionare oltre i progetti pilota
Dopo i primi progetti pilota di successo, le organizzazioni devono compiere il passo successivo
del percorso: espandere in modo sostenibile il machine learning a tutta l'azienda. Si tratta di
una sfida sia tecnica che culturale.

Per raggiungere la scalabilità è necessario che le organizzazioni rendano più semplice l'uso
del machine learning per gli sviluppatori. La creazione di modelli di machine learning su vasta
scala può essere laboriosa e complessa, il che può rallentare l’innovazione.

Molte organizzazioni risolvono la questione della scalabilità con Amazon SageMaker, una
soluzione completa che copre l'intero flusso di lavoro di machine learning, dalla creazione,
all'addestramento, alla distribuzione dei modelli. Utilizzando Amazon SageMaker, le
organizzazioni possono portare i loro modelli in produzione più velocemente e a costi inferiori,
consentendo l'espansione sostenibile delle iniziative di machine learning al di là dei progetti
pilota.

Esistono diversi modi in cui le aziende affrontano il cambiamento culturale necessario per
implementare il machine learning su vasta scala. Alcune potrebbero avere successo creando
un centro di eccellenza che raduna la comunità e continua a spingere per nuove iniziative.
Oppure, come Amazon, le organizzazioni possono rendere il machine learning parte
integrante dei processi di pianificazione annuale, riunendo continuamente esperti di settore
ed esperti tecnici per fare brainstorming e determinare il prossimo passo dell'azienda.

17
Esperienza di Intuit
Utilizzando Amazon SageMaker, Intuit ha ridotto i tempi di distribuzione
del machine learning del 90 percento, da sei mesi a una settimana.
Centralizzando le sue iniziative di machine learning, Intuit promuove
l’innovazione e distribuisce le tecniche di intelligenza artificiale e di
machine learning velocemente e su scala, raggiungendo un valore
aziendale che va oltre i suoi prodotti e servizi.

"AWS offre alle persone all’interno di Intuit una piattaforma comune

per condividere i dati e collaborare in un ambiente sicuro", ha affermato
Ashok Srivastava, Senior Vice President e Chief Data Officer di Intuit. "Ad
esempio, Amazon SageMaker ci offre la piattaforma e l'infrastruttura
di cui abbiamo bisogno per applicare le nostre tecnologie sofisticate di
intelligenza artificiale e machine learning".

Guarda il video ›

 
AWS offre alle persone all'interno di Intuit una
piattaforma comune per condividere i dati
e collaborare in un ambiente sicuro."
Ashok Srivastava, Senior Vice President e Chief Data Officer di Intuit

18
6
Misurare i risultati
Quando si misurano i risultati degli sforzi relativi al Sebbene i parametri tradizionali del ROI possano non
machine learning, il tradizionale punto di vista del "ROI essere l'approccio migliore, l'impatto commerciale delle
del progetto", in cui un progetto ha un punto definito di iniziative di machine learning può essere comunque
inizio e di fine, un budget e un rendimento, è riduttivo misurato, ma richiede una prospettiva diversa.
e può essere dannoso per il successo dell'iniziativa. Se
I risultati del machine learning possono essere misurati
il progetto non genera un rendimento positivo entro
attraverso qualcosa che assomiglia a un "albero
un determinato periodo di tempo, l'azienda potrebbe
dei valori", in cui il tronco principale rappresenta
perdere interesse e lasciarsi scappare, in futuro,
il tradizionale "ritorno sugli investimenti" e i rami
opportunità importanti.
rappresentano il valore di altri risultati aziendali.
Invece, sia i dirigenti che gli esperti IT devono misurare
I rami specifici dell’albero dei valori dipenderanno
gli sforzi relativi al machine learning in base al significato
dall’organizzazione, dall’industria e dall’iniziativa,
del successo per la propria attività in relazione ai processi
ma potrebbero essere opportunità come "tempo
ottimizzati. Inoltre, devono considerare gli sforzi di machine
risparmiato attraverso processi automatizzati", "nuovi
learning come investimenti a lungo termine, essendo
clienti potenziali, mercati e opportunità identificati",
consapevoli che un vero "rendimento" potrebbe essere
"miglioramenti del servizio clienti" e/o "aumenti di
realizzato dopo diversi anni e innumerevoli iterazioni.
upselling".
Quando si pianificano iniziative di machine learning,
Misurare il successo del machine learning attraverso
è meglio valutare il processo rispetto a criteri di agilità,
un modello più olistico e a lungo termine manterrà i
vantaggio competitivo e/o tolleranza al rischio piuttosto
tuoi team concentrati sui migliori risultati per il futuro
che al rendimento atteso. Le organizzazioni avranno
dell’azienda.
maggior successo se ignorano la domanda "Quale sarà
il mio ritorno sugli investimenti in X mesi?" a favore di
qualcosa di più simile a "Se non investiamo in questo ora,
resteremo indietro rispetto ai nostri concorrenti tra X
anni quando la tecnologia maturerà?"

19
Fare il passo
successivo con
AWS
Non importa a che punto si trovino le
organizzazioni nel loro percorso di apprendimento
automatico, AWS fornisce prodotti, soluzioni
e servizi che possono aiutarle a fare il passo
successivo. Con il set di servizi di machine learning
e intelligenza artificiale più vasto e solido al
mondo, AWS ha lavorato con oltre diecimila clienti
per aiutarli a implementare il machine learning
con successo.
AWS si impegna a mettere il machine learning
nelle mani di ogni sviluppatore e lavora senza
sosta per risolvere le sfide più difficili che si
frappongono a tale obiettivo. Le funzionalità AWS
sono basate sulla piattaforma cloud più completa,
sono ottimizzate per il machine learning ad alte
prestazioni di calcolo e non compromettono nulla
in termini di sicurezza e analisi.
Scopriamo le attuali offerte di machine learning
di AWS e vediamo come possono aiutare le
organizzazioni a progredire nei loro percorsi.
Contact center intelligente: consente di
migliorare l'esperienza del proprio servizio clienti
e di ridurre i costi integrando il machine learning
nel contact center.
Personalizzazione: consente di migliorare
l'impegno e la conversione dei clienti creando
Amazon SageMaker: Amazon SageMaker
consente a sviluppatori e data scientist di creare,
esperienze web personalizzate, adattate alle
preferenze e ai comportamenti individuali
addestrare e distribuire modelli di machine
learning in modo rapido e facile, semplificando
attraverso vari canali. pertanto la scalabilità nell'intera azienda.
Amazon SageMaker elimina la complessità
Elaborazione intelligente dei documenti:
che ostacola una riuscita implementazione del
consente di estrarre istantaneamente il testo e
machine learning in tutti i casi d'uso e settori,
i dati da qualsiasi documento, dalle richieste di
dal rilevamento di frodi in tempo reale, all'analisi
prestito ai moduli medici, senza sforzo manuale.
virtuale degli impatti biologici di potenziali
farmaci, all'identificazione del miglior pilota di F1.
Ricerca intelligente: consente di aumentare
la produttività aziendale e la soddisfazione
dei clienti fornendo rapidamente informazioni
accurate e utili da fonti di informazioni archiviate
in silos e non strutturate a tutta l'organizzazione.
Rilevamento frodi: consente di migliorare la
redditività automatizzando il rilevamento di attività
online potenzialmente fraudolente, come le frodi
di pagamento e gli account falsi, utilizzando
l'apprendimento automatico e i dati unici.
Media intelligence: consente di massimizzare il
valore dei contenuti multimediali aggiungendo
il machine learning ai flussi di lavoro dei media
come la ricerca e la scoperta, la localizzazione
dei contenuti, la conformità, la monetizzazione e
altro ancora.
Analisi di parametri aziendali: consente di
prevedere accuratamente la previsione della
domanda e snellire le decisioni relative alla
domanda e all'offerta per combinare i dati storici
della serie temporale con variabili aggiuntive come
le caratteristiche del prodotto, i prezzi e le festività.
20
Machine learning Casi d'uso chiave IA: esplorare i casi d'uso chiave del machine learning per migliorare
l'esperienza del cliente, ottimizzare le operazioni aziendali e accelerare l'innovazione. Non

con AWS, in base ai

è richiesta alcuna competenza nel machine learning.

• Aggiunta di intelligence al contact center • Rilevamento di possibili attività online

numeri • Suggerimenti personalizzati per i clienti

• Estrazione e analisi dei dati dei
fraudolente
• Analisi del contenuto dei media
documenti personalizzate e scoperta di nuove intuizioni
• Individuazione di informazioni accurate • Miglioramento dell'operatività
Le soluzioni AWS per il machine in modo più veloce con la ricerca aziendale con le previsioni
learning: intelligente

Riducono i tempi di formazione del 50%⁸
Forniscono il 90% di efficienza di
dimensionamento⁹
Forniscono un throughput di rete 3 volte più
veloce10
Migliorano il prezzo e le prestazioni del 25%11
Il 91% di PyTorch basato su cloud viene
eseguito su AWS
Il 92% di TensorFlow basato su cloud viene
eseguito su AWS
Framework di machine learning: i clienti AWS possono scegliere tra TensorFlow, PyTorch,
Apache MXNet e altri framework popolari per sperimentare e personalizzare gli algoritmi di
machine learning. Possono utilizzare il framework scelto da loro come esperienza gestita in
Amazon SageMaker o utilizzare AMI (Amazon Machine Image) di deep learning di AWS,
che sono completamente configurate con le ultime versioni dei più popolari framework
e strumenti di deep learning. I clienti AWS usufruiscono di un vasto set di potenti opzioni
di calcolo, che vanno da GPU per il deep learning ad alto utilizzo di calcolo a FPGA per
l'accelerazione hardware specializzata a istanze a memoria elevata per l'esecuzione
dell'inferenza. Amazon EC2 offre una vasta gamma di tipi di istanze ottimizzate per
adattarsi ai casi d'uso di machine learning, indipendentemente dal fatto che i clienti stiano
addestrando modelli o eseguendo inferenza su modelli addestrati.
Supporto all'implementazione: Amazon Machine Learning Solutions Lab fa lavorare i
team aziendali con esperti di machine learning per identificare e costruire soluzioni di machine
learning per affrontare le opportunità di machine learning a più alto ritorno sugli investimenti
dell'organizzazione. Offriamo anche una formazione per aumentare il livello di competenza
in machine learning nei team, compresa la formazione degli sviluppatori, la formazione dei
leader aziendali e un evento pratico attraverso il Machine Learning Embark Program.

Strumenti di apprendimento: AWS offre anche una serie di strumenti e servizi di apprendimento
per aiutare le organizzazioni a migliorare le proprie capacità di machine learning, tra cui:

• AWS DeepRacer
• AWS DeepLens
• Formazione e certificazioni per il machine learning
• Amazon Machine Learning Solutions Lab

8 C
 ome misurato nel test di benchmarking ResNet-50, TensorFlow ottimizzato per AWS ha registrato il tempo di addestramento più veloce, di
oltre il 50% 21
9 L
 'uso di TensorFlow ottimizzato per AWS consente un'efficienza di dimensionamento quasi lineare, fino al 90% rispetto al 65% utilizzando
TensorFlow di serie
10 r ispetto ad altri provider che utilizzano istanze P3dn
11 u tilizzando istanze C5 con tecnologia Intel Xeon a 3.0GHz rispetto alle istanze della generazione precedente
Risolvere le Sfida Soluzione

maggiori sfide del Scoraggiamento a Sviluppare una cultura di tolleranza agli errori

machine learning causa dei fallimenti

Dati in silos non Creare una strategia di dati moderna che includa
La maggior parte delle organizzazioni ha effettuato alcuni elaborati i data lake
investimenti nel machine learning e si trova in una fase
del percorso. Ma molte interrompono il proprio percorso,
Trovare i problemi Costruire team misti che includano esperti sia tecnici
preoccupate che i costi e le complessità crescano troppo
aziendali giusti da che di settore
mentre progrediscono.
affrontare
In questo eBook, abbiamo analizzato i passi da percorrere
per sfruttare tutto il potenziale del machine learning. Il divario di Adottare nuovi modelli organizzativi, processi
Per ricapitolare, vediamo le maggiori sfide che abbiamo competenze relative e modalità di gestione del team
identificato lungo la strada, con un breve riepilogo di al machine learning
come le organizzazioni possono risolverle.
Dimensionare in Sfruttare strumenti end-to-end come Amazon
modo sostenibile SageMaker per semplificare lo sviluppo del machine
Per ulteriori informazioni su come le al di là dei progetti learning
pilota
organizzazioni possono superare gli
ostacoli e accelerare i loro percorsi di Misurare i risultati Rinunciare ai parametri tradizionali del ROI a favore
machine learning, visita l'hub delle di agilità, vantaggio competitivo e tolleranza del
risorse di machine learning di AWS. rischio; usare il modello dell’albero dei valori

Inizia subito ›

©️2022, Amazon Web Services, Inc., o sue affiliate. Tutti i diritti riservati.