Gestione della Tecnologia, dell'Innovazione e delle Operations - primo parziale

Innovazione, tecnologia e sviluppo economico

L’innovazione nasce da un processo di espansione delle conoscenze o applicazioni. La scienza e la tecnologia determinano il livello dello sviluppo economico e influiscono sulle condizioni sociali e politiche di un paese.

Le tecnologie dell’informatica e della comunicazione hanno determinate caratteristiche:

• Prezzo computer: diminuzione del 35% annuo, rapidità nella riduzione dei costi.
• Pervasività, capacità di investire in ogni settore o impresa.
• Interdipendenza tecnologica: ha impatto sui meccanismi economici in termini di informazione = mercati più trasparenti.

Le innovazioni e le tecnologie che ne conseguono emergono ad ondate, non in modo continuo, ma attraverso cluster di scoperte scientifiche e di applicazioni che si alimentano vicendevolmente:

• Meccanizzazione, ferro e industria tessile (1795).
• Vapore, strade ferrate, acciaio e cotone (1850-1900).
• Elettricità, chimica, motore a combustione (1900-1950).
• Petrolchimica, elettronica, aviazione, spazio (1970-80).
• Network digitali, Software, biotecnologie (2000-2020).
• Robotica, nanotecnologie, genomica e chimica verde, intelligenza artificiale (2020- ).

Impatto sulla crescita economica

La crescita economica viene spiegata sulla base del “residuo di Solow”, ovvero quella parte di sviluppo che non viene spiegata dalla produttività dei fattori produttivi, ma dal progresso tecnologico, che oltre ad agire sulla produttività dei fattori di produzione, genera una crescita del PIL pro capite di lungo periodo.

Egli aveva inoltre predetto che lo sviluppo tecnologico avrebbe aiutato le economie meno sviluppate a crescere e raggiungere i paesi sviluppati, riducendo il divario, tuttavia la predizione non si è avverata, poiché Solow ha considerato la tecnologia come variabile esogena al sistema economico: basta comprarla, chiunque può accedervi.

Romer, modello endogeno, è arrivato alla conclusione che la conoscenza tecnologia = conoscenza. La conoscenza non è esogena, deve essere sviluppata internamente ed è data da: know-how; capitale umano, ricerca e sviluppo. I paesi che investono in capacità innovativa sono quelli che si sviluppano maggiormente.

Conseguenze dell’introduzione della tecnologia

• La tecnologia porta ad un passaggio da un’economia basata sui beni ad una basata sui servizi.
• Compressione del tempo e dello spazio.

Esiste una relazione tra innovazione e società, non solo nel senso in cui la prima modifica la seconda, ma anche poiché il contesto sociale influenza i processi innovativi.

Ciò venne espresso nel modello delle 3 T di Florida, secondo cui:

• La tecnologia è alla base dello sviluppo economico.
• Le variabili che permettono la differenziazione in termini di capacità di crescita da luogo a luogo sono poi la capacità di attrarre talenti, capitale umano = bagaglio di conoscenze e competenze, e la tolleranza, livello di apertura ed accettazione del diverso.

Responsabilità sociale

• La tecnologia porta, a chi la sa sfruttare, grande ricchezza, provocando quindi un incremento del divario economico.
• Considerare il rischio che scaturisce dal potere che viene conferito a chi detiene la tecnologia —> capacità ad esempio di individuare chi la pensa in un certo modo attraverso la tecnologia = possibili discriminazioni.
• Considerare la tecnologia un fine, risolutrice dei problemi, invece che uno strumento.
• Consumismo tecnologico.

Innovazione sostenibile

Tecnologia ha prodotto, oltre a risultati positivi, anche risultati negativi a livello ecologico.

Al giorno d’oggi si sta iniziando a parlare di economia circolare, quello che viene prodotto, viene poi dismesso e riciclato per il maggior numero di utilizzi futuri possibili, e di innovazione sostenibile: creazione di prodotti e servizi che generano valore sulle dimensioni dello sviluppo sostenibile —> triple bottom line, Planet, People, Profit.

sost:

Percorso dell’innovazione

• Innovazione delle condizioni operative attraverso il miglioramento dei processi operativi volti alla riduzione dei danni ambientali, delle risorse utilizzate, degli scarti e dei costi = eco efficienza.
• Innovazione dell’offerta attraverso l’introduzione di prodotti eco compatibili, creando nuove opportunità di mercato e portando alla generazione di valore sostenibile = nuove opportunità di mercato.
• Innovazione del contesto = modellare il futuro. Contribuzione al miglioramento sociale, ambientale ed economico attraverso la creazione di un impatto positivo.

Le fasi evolutive del capitalismo industriale

Fase 1 —> meccanizzazione puntuale

Esempio: telaio a vapore.

Dal 1784 la macchina a vapore fu applicata ai filatoi meccanici e poi ai telai meccanici. In questo modo una sola macchina, collegata ad una caldaia, poteva azionare decine di telai riducendo il numero di operai, velocizzando le operazioni e riducendo i costi. Limite: solo una parte della produzione di un prodotto.

Conseguenze:

• Separazione tra chi detiene la proprietà e chi la utilizza, nasce la figura dell’imprenditore, ex artigiano.
• Organizzazione molto semplice.

Fase 2 —> introduzione dell’energia elettrica e produzione di massa

• Diffusione dell’elettricità, facile da produrre e da trasportare.

Ciò fa nascere reti di distribuzione dell’energia e la possibilità di creazione di grandi impianti, grazie alla possibilità di introdurre macchine tecnologicamente complesse ed in grado di svolgere attività diverse, in quanto non più tutte collegate ad una sola macchina/caldaia.

Nella seconda fase entra in gioco una ulteriore innovazione, di tipo organizzativo, negli USA —> trasporto delle merci grazie alla ferrovia ed all’introduzione di vendita per corrispondenza e catena di montaggio, attività specializzate.

Conseguenze:

• Incremento di produttività e nascita di economie di scala a seguito di nascita di produzione di massa.
• Crollo dei costi e dei tempi di produzione.
• Incremento della separazione tra chi detiene la proprietà e management perché i costi dei macchinari aumentano —> nasce la finanza, nascono le moderne Corporation, nascono le società per azioni, nasce il marketing.

Fase 3 —> nascita dell’automazione e delle reti

Internet e computer.

Viene utilizzata la capacità di elaborare informazioni da parte di macchine —> abilità cognitive.

Avviene la creazione di impianti automatizzati. Le macchine, collegate a dei computer che coordinano l’attività, possiedono adesso più funzioni e strumenti da utilizzare per le varie attività.

Conseguenze:

• Separazione tra il governo, controllo, di un’attività e la sua esecuzione.

Anni ’80: nascita del progetto Arpanet, dal Pentagono, volto a collegare dei computer via cavo. Finché non viene sviluppato un codice di comunicazione condiviso che consente a vari soggetti di comunicare attraverso reti di collegamento. Nasce poi il fenomeno di internet, unificazione di reti private, che sfocia poi nel fenomeno del WWW, unendo tutto il mondo.

Fino al Web 2.0, gli utenti potevano solamente ricevere informazioni dalla rete, es. visitare sito di un’azienda; con Web 2.0 gli utenti hanno un ruolo attivo, vi è un’interazione tra soggetti.

Innovazione digitale

Creare qualcosa di nuovo nel mondo digitale attraverso alcuni elementi:

• Collaborazione degli utenti, es. Amazon all’inizio ha venduto per recensioni utenti.
• Dematerializzazione, es. non compro libri ma compro un e-book.
• Relazione fornitore-cliente, ruolo spesso intercambiabile.
• Diverse forme di remunerazione, es. per accedere a Google non pago moneta ma consegno la mia identità digitale.

Fase 4 —> intelligenza artificiale

L’intelligenza artificiale è la capacità di una macchina di svolgere compiti cognitivi che associamo alla mente umana.

Nata con la quarta rivoluzione industriale, nella quale viene automatizzata una facoltà del tutto nuova, ovvero la capacità di apprendere. Hanno consentito lo sviluppo di questa evoluzione, la disponibilità di una enorme quantità di dati, cresciuta grazie ad Internet of Things, e lo sviluppo della scienza cognitiva, nata intorno agli anni ’60, movimento cognitivista: secondo cui il computer è visto come una mente in grado di processare informazioni.

Internet of Things, web 3.0, è lo spazio digitale dove la connessione e l’interazione non sono più limitate agli esseri umani, ma anche a strumenti e macchine che scambiano tra loro informazioni in modo autonomo ed indipendente dall’essere umano.

La connessione tra cose e persone dà luogo al fenomeno dei “big data”, alla base dello sviluppo e della crescita dell’intelligenza artificiale, e dati da:

• ERP, Enterprise resource planning, e sistemi contabili —> megabytes, transazioni, pagamenti.
• Attività di relazione con i clienti e sistemi di CRM, customer relationship management —> gigabyte.
• Web —> terabytes, generati da enti pubblici, banche dati, informazioni governative.
• Big data in senso proprio, es. chat, blog, social media, sensori, rilevatori —> exabytes.
• Dati che deriveranno dall’aumento delle capacità di calcolo e di interazione.

Big data e complessità

Big data: disponibilità di una grande quantità di dati, es. produco informazioni quando guardo/scelgo un film, non forniti intenzionalmente, frutto di una grande varietà di fonti, ovvero non controllate possibilità che informazioni non siano vere, ed indipendenti ed eterogenee, informazioni in forme diverse e spesso incompatibili - qualitative/quantitative.

La complessità dei Big Data:

• Volume, bytes.
• Velocità.
• Varietà.
• Veridicità.
• Variabilità: dati soggetti a variazioni di disponibilità, formato e natura nel tempo.

Intelligenza artificiale riesce in parte a risolvere il problema della complessità, poiché esamina enormi quantità di dati. Tuttavia, altrettante quantità vengono prodotte dalla stessa.

Big data si rivelano un’opportunità per chi deve assumere delle decisioni, ma anche un rischio, principalmente legato alla privacy, si riesce a delineare l’identità digitale di una persona.

Sistemi esperti

Sistemi esperti, rule-based approach.

Struttura di un sistema:

• Base di conoscenza: ovvero insieme di regole date alla macchina, di tipo if-then.
• Motore inferenziale: algoritmo che serve a selezionare, dare un ordine ed infine applicare la regola.
• Interfaccia con l’utente: che permette di interagire con il sistema esperto.

Problemi:

• Acquisiscono conoscenza attraverso un processo di elicitazione da chi la possiede. Bisogna quindi identificare chi ha la conoscenza e tradurla in termini di regole che possano essere usate dal software.
• Conoscenza tacita: difficile tradurla in regole.

Limiti dei sistemi esperti:

• Funzionano solo in uno specifico ambito.
• Successivi mutamenti della conoscenza vanno integrati nel sistema, no processo automatico.
• Impossibilità di funzionare in caso di situazioni diverse da quelle contemplate.

Nello stesso periodo nasce il movimento connessionista, che ha però meno successo e per cui il computer è solamente uno strumento di elaborazione.

Nella prospettiva connessionista è importante l’aspetto biologico del cervello umano, come prende decisioni, ovvero attraverso una rete di neuroni connessi da sinapsi = rete neurale.

Si creano algoritmi, neuroni artificiali, rappresentati da funzioni di attivazione, somma dei segnali in entrata ponderati per trasmettere segnali in uscita.

Come accade per il cervello, la conoscenza è distribuita tra le connessioni che uniscono i neuroni artificiali e che uniscono i vari layer della rete neurale, input layer, hidden layer e output layer.

Impara mediante l’esperienza, try and error: le facciamo vedere milioni di immagini per cui ogni volta userà il processo try and error, finché non svilupperà maggiormente il suo sistema di sinapsi, riuscendo poi ad apprendere e funzionare.

L’errore viene gestito mediante la back propagation, ovvero comunicato a tutti i neuroni, tornando indietro.

Il processo di addestramento utilizza:

• Training dataset: dati che utilizzo per farla apprendere.
• Test dataset: utilizzate al termine di addestramento, tasso di errore accettabile, per verificare che la macchina funzioni davvero, faccio vedere cose mai viste.

Tipi di apprendimento:

• Supervisionato: gruppo di esperti che comunicano alla rete i feedback del processo di try and error e che hanno dunque prima catalogato tutte le informazioni.
• Non supervisionato: processo di tipo inferenziale sui dati osservati, sui quali la rete individua caratteristiche comuni e scopre automaticamente gli errori. Questo processo richiede molti più dati, ma non è necessaria la presenza di un esperto.
• Per rinforzo: processo in cui non esiste una risposta ottima, ma solamente posizioni peggiori o migliori, come ad esempio nei giochi, sulla base di criteri per giudicare se una soluzione funziona, try and error.

Deep learning

Deep learning: processo di apprendimento basato su un’architettura della rete composta da un elevato numero di layer, ognuno dei quali compie attività specifiche e che utilizza una varietà molto ampia di dati.

Profondità di rete: numero di layer presenti. Ampiezza di rete: numero di nodi che compongono ciascun layer. Le macchine che utilizzano deep learning possono creare strutture di interpretazione di realtà molto complesse. Tuttavia, non è possibile capire quali logiche vengano utilizzate dagli algoritmi di deep learning, reti neurali = black box.

Ambiti di applicazione dell’intelligenza artificiale

• Riconoscimento linguistico: riconoscere ed esprimere il linguaggio naturale, es. Siri.
• Riconoscimento immagini: es. riconoscimento facciale.
• Manipolazione, robotica: capacità cognitiva e fisica di manipolazione, articoli scritti da reti neurali.
• Analisi di business: raccolta, immagazzinamento e analisi di vari tipi di informazione, es. sistemi di classificazione delle preferenze degli utenti.

Vari tipi di robot distinti sulla base di:

• Mobilità: fissi, linee di produzione, o mobili, logistica.
• Interazione con le persone: robot di tipo classico, braccia robotiche, lavorano indipendentemente dagli esseri umani, e cobot, fatti per lavorare in collaborazione con un essere umano.
• Aspetto: robot di aspetto umanoide o senza.

Applicazioni manageriali dell’intelligenza artificiale

• Automazione dei processi: es. studi legali automatizzata ricerca di sentenze su un tema e sintesi finale.
• Market intelligence: analisi dei dati, cluster di clienti interessati, previsione trend di consumo.
• Interazione tra soggetti: chatbot.

Gli ostacoli all’adozione dell’intelligenza artificiale:

• Difficoltà di comprensione: reti neurali = black box.
• Costi di adozione elevati: pregiudizi.
• Volontà di non licenziare le persone.
• Immaturità delle tecnologie: più pregiudizio che realtà.

Gli sviluppi dell’intelligenza artificiale:

• IA forte: capace di riprodurre e migliorare le performance cognitive dell’essere umano, sostituendolo.
• IA debole: prestazione di una macchina a supporto dell’attività di un essere umano.

Le abilità cognitive di un sistema intelligente

Le abilità cognitive di un sistema intelligente, IMPARARE !!:

• Profilazione: riuscire ad identificare, classificare, condensare e rappresentare le informazioni che nascono da una grande quantità di dati.
• Produzione di conoscenza: arrivare in modo sistematico a conclusioni che abbiano senso e che siano giustificate dall’esperienza.
• Previsione: anticipare il futuro sulla base dei dati disponibili, es. andamento dei mercati finanziari.
• Ponderazione: dati utilizzati per prendere delle decisioni/valutazioni di tipo soggettivo, es. può imparare a valutare se una persona è bella o brutta, in base ai canoni di bellezza che noi abbiamo e che lei impara sulla base dei giudizi delle persone. Non si tratterà di senso estetico, ma della capacità di formare modelli di rappresentazione della realtà appresi.
• Prescrizione: identificazione di una scelta.
• Progettazione: progettare il nuovo “creatività artificiale”, capacità combinatoria, che associata ad enormi quantità di dati porta a risultati originali.

I sistemi di intelligenza artificiale hanno un’efficacia molto elevata, ma in un campo molto limitato, es. riconoscere solo le sedie.

Impatto economico delle macchine intelligenti

• Occupazione: aspettativa negativa, USA 47% potrebbe essere sostituito nei prossimi anni, tuttavia l’invecchiamento della popolazione renderà necessaria forza lavoro che non sarà del tutto compensata da robot. È indubbio comunque che le mansioni lavorative cambieranno in modo significativo. In ogni caso, nel lungo termine l’impatto sarà positivo anche nelle economie meno sviluppate.
• Competenze del personale: due filoni di pensiero: c’è chi pensa che saranno necessarie competenze tecniche al fine di collaborare con le macchine; e chi pensa che non saranno necessarie che competenze complementari a quelle delle macchine, con le quali sarà facile relazionarsi, di tipocr.