Riassunto esame Digital transformation

Digital transformation

05/10/21

1. Digital transformation: Digital ecosystem, Cloud computing, Big Data, Machine Learning, IoT.

Digital ecosystem

L’ecosistema digitale è un termine che viene utilizzato per identificare dei confini, quindi per identificare ciò che è dentro e ciò che è fuori.

Ci sono diverse definizioni di ecosistema digitale, queste definizioni prendono in considerazione aspetti tecnologici, sociali, ecc.

In generale, un ecosistema, nell’ambito della ricerca dei sistemi informativi, si riferisce ad una generica combinazione di reti interorganizzative in cui gli attori co-evolvono, si auto organizzano cercando di perseguire i propri interessi ma condividendo un obiettivo comune.

Dal punto di vista dell’ecosistema digitale invece descrive un sistema che si basa su un’architettura modulare a livelli, modulare nel senso che prendo dei moduli e ottengo una configurazione diversa, perché io posso focalizzarmi su questioni differenti nell’erogazione dello stesso servizio, ogni livello mi permette di preoccuparmi di problemi specifici in modo da semplificare la vita ai livelli superiori; la modularità mi dà un’ampiezza orizzontale, i livelli un’ampiezza verticale.

Un ecosistema digitale è un insieme di piattaforme digitali che interagiscono tra di loro e che supportano l’installazione di altri artefatti digitali; la configurazione stessa evolve nel tempo insieme agli attori che la utilizzano.

In questo ambiente ci possiamo anche inserire le organizzazioni che ad esempio erogano questi servizi o che utilizzano questi prodotti digitali.

Combinando le due prospettive, l’ecosistema digitale è un insieme di aziende accomunate da un interesse comune per materializzare l’innovazione di prodotti o servizi.

Alcuni classificano gli ecosistemi digitali in alcuni livelli tra cui l’ecosistema digitale personale composto da tutti gli artefatti che ruotano attorno ad un individuo: iPhone, Mac, Apple Watch, con tutte le app e l’interazione che sussiste tra gli oggetti.

La funzionalità di un oggetto da solo mette a disposizione un certo numero di funzionalità, l’altro lo stesso ma tutti e due messi insieme arricchiscono ulteriormente le funzionalità del mio ecosistema digitale: il totale è maggiore della somma delle singole parti.

Il concetto di ecosistema digitale è usato anche per indicare la capacità di auto organizzarsi e l’interdipendenza complessa tra l’ambiente sociale e l’ambiente tecnologico.

Una definizione più nostra dell’ecosistema digitale parte dall’origine del concetto in tre aree: ecologico, sistema informativo, economico.

Ecologico significa un sistema di processi coevolutivo di attori e oggetti.

Sistema informativo riguarda la centralità delle piattaforme digitali e i prodotti collegati tra loro attraverso un network.

La prospettiva economica mi permette di enfatizzare i benefici che si possono raggiungere attraverso questo ecosistema digitale.

Volendo adattare la definizione possiamo dire che l’ecosistema digitale è un insieme di componenti che coevolvono, che possono avere qualsiasi ruolo più o meno rilevante, che possono essere viventi o meno e che possono generare complementarietà con le piattaforme digitali; altro aspetto importante è il concetto di resilienza, capacità di raggiungere o mantenere un equilibrio anche in caso di turbamento.

Il concetto di ecosistema porta con sé definizioni proprie di sistema, ovvero che ha i suoi confini, negli ecosistemi in generale riesco a tracciare questi confini, nel ecosistema digitale i confini vengono sfumati nel momento in cui parliamo di dato che ha sia una parte materiale ed identificabile, sia una parte digitale più fluida attraverso la quale posso passare i confini, esempio confine dell’aula 23 e l’aula digitale su Teams; questa caratteristica permette quindi di facilitare l’interconnessione tra altri ecosistemi digitali che fisicamente sono lontani ma digitalmente no.

Posso identificare gli ecosistemi digitali a seconda dell’ampiezza: ecosistema digitale personale, ecosistema digitale di un’organizzazione, ecosistema digitale di una città, smart cities.

Drivers degli ecosistemi digitali

I drivers, o motivazioni, che possono portare alla creazione di un ecosistema digitale sono:

• Interni: per migliorare processi, ridurre i costi, integrazione orizzontale/verticale.
• Esterni: spingere l’innovazione, richieste specifiche della classe di clienti/fornitori, pressioni del mercato, leggi/governo, esempio fattura elettronica.

Oltre ai drivers, motivazioni tradizionali, abbiamo anche dei drivers, motivazioni “extra”, come disastri naturali, sconvolgimento che cambia le carte in tavola, spinta verso una creazione di un ecosistema digitale, epidemie, capaci di impattare sulle persone e le organizzazioni per creare ecosistemi digitali, come nel caso del Covid.

In generale tutti questi eventi richiedono processi di trasformazione digitale per supportare le persone a gestire e ripristinare la situazione dopo eventi imprevisti, questi processi mi obbligano a ridefinire i processi precedenti così come promuovere nuovi assetti organizzativi.

Cloud computing

Il cloud computing è una tecnologia che ci permette di fornire ciò che in genere è utilizzato con artefatti fisici, come ad esempio capacità computazionale, storage, server, applicazioni o servizi, attraverso la rete internet.

Stallman ha etichettato il cloud computing come una portata di marketing per vendere servizi.

Solitamente le tre tipologie di servizi di cloud computing sono:

• Software as a service, offre applicazioni.
• Platform as a service, offre hardware, networking e applicazioni.
• Infrastructure as a service, mi permette di avere a disposizione computer con determinate caratteristiche hardware attraverso un terminale, qui elimino tutta la parte hardware.

L’utente tradizionale di solito usa solo software as a service.

Man mano che passo da infrastructure a software rinuncio alla flessibilità dato che arrivo a non poter intervenire su nulla.

L’accesso cloud dipende dalla location, dal dispositivo; da parte del provider invece può attuare economie di scala.

Un’altra classificazione in base alla caratteristica del contratto con il provider mi differenzia i servizi cloud: private cloud, public cloud, community cloud, hybrid cloud.

Il cloud privato è un cloud in cui tendenzialmente le informazioni sono sensibili, critiche, identificate come vantaggio competitivo.

Il cloud ibrido è un compromesso tra costi e benefici, dato che da una parte utilizza il privato per informazioni sensibili, mentre utilizza il pubblico per supportare processi trasversali.

Il community cloud è un’evoluzione del cloud privato allargato ad una community, ad esempio un insieme di aziende che collaborano nello stesso settore per le loro necessità, es. cliniche, banche.

Possiamo dunque incrociare le tre tipologie di servizio con i tre tipi di cloud, escluso quello community.

Spostandomi dal privato al pubblico aumento l’economia di scala, ma diminuisco il controllo; spostandomi dal software as a service all’infrastructure as a service aumento la flessibilità ma diminuisco il livello di astrazione.

Big data

Le informazioni prodotte dalle aziende, dalle persone o dalle macchine possono essere, tutte queste informazioni producono dati… da qui il termine big data dato che i dati sono continuamente in crescita.

Il termine big data fu introdotto nel 2010 sulla rivista The Economist, per il fenomeno legato alla produzione su larga scala di dati; 7 anni più tardi sempre The Economist pubblica un numero scrivendo che i dati sono la base della nuova competizione.

Le 4 V dei big data sono: volume, velocità, varietà e veridicità.

L’ultima distinzione riguarda i dati strutturati e i dati non strutturati: i dati strutturati sono facilmente interpretabili dalle macchine, le informazioni sono definite dalla lunghezza, dal tipo, da una data specifica, da un formato, dati formulati dalle macchine o generati da un form; i dati non strutturati sono generalmente prodotti dall’uomo come i messaggi, non hanno una lunghezza specifica ma hanno un contenuto flessibile, non definito.

L’analisi dei big data può essere in motion, in-flight, o at-rest: in motion riguarda analisi dei dati in tempo reale, at-rest invece riguarda dati che memorizzo e poi analizzo.

Infatti i data at-rest seguono prima lo storage, poi l’analisi, poi la notificazione e poi agisco; per i dati in motion invece la prima attività è sempre l’analisi e l’ultima è lo storage.

Machine learning

Le app tradizionali si basano su un algoritmo, ovvero una serie di step che mi permettono di arrivare da un problema ad un risultato; noi applichiamo algoritmi ogni giorno, ad esempio in cucina seguendo una ricetta.

Traslando il concetto di algoritmo nel mondo informatico, gli algoritmi descrivono il funzionamento di un software e dell’interazione con l’utente.

Ci sono dei problemi che non possono essere descritti semplicemente da un algoritmo, il concetto di machine learning è utile per risolvere tutta una serie di problemi adottando un approccio differente da quello tradizionale.

Il paradigma di machine learning è stato ideato nel 1959, prima della nascita di internet, si basa sul permettere ad una macchina di imparare dai dati.

Ci fu un articolo che teorizzava il machine learning al gioco della dama, caricando un certo quantitativo di partite giocate, il sistema impara andando ad analizzare tutte le giocate svolte nelle partite, identificando dei percorsi di mosse ottimali che possono portare alla vincita.

Raccoglie grandi quantità di dati, il sistema impara e attua un comportamento sulla base dell’analisi dei dati, il sistema più analizza dati e più impara.

Un concetto simile al machine learning è il deep learning, nel machine learning io fornisco le regole del gioco oltre al caricamento dei dati, nel deep learning non ci sono regole precaricate ma il sistema dai dati impara anche le regole, ciò implica che la quantità di dati nel deep learning deve essere superiore a quella del machine learning.

Il machine learning è un sottoinsieme dell’intelligenza artificiale e il deep learning è un sottoinsieme del machine learning.

Il machine learning viene utilizzato nel contesto sanitario, finanziario, marketing, ecc.

Secondo un sondaggio le organizzazioni vorrebbero ottenere dal machine learning supporto nel decision making, seguito da vantaggio competitivo maggiore e velocità nell’analisi dei dati; nel sondaggio invece di cosa hanno ottenuto resta al primo posto l’estensione dell’analisi dei dati in supporto quindi al decision making.

Negli anni il mercato legato al machine learning è in continua evoluzione, specialmente in ambiti software, rispetto ai servizi e all’hardware.

Come in tutte le tecnologie ci sono delle tecnologie da non mettere da parte, the dark side of machine learning, ad esempio ci sono dei software che permettono di dire frasi con la voce di personaggi famosi, oppure software che permettono di imitare la scrittura.

IoT

L’IoT è tutto quel mondo di dispositivi che è possibile collegare ad internet, scambiando informazioni: smart tv, sensore di umidità, lampadina, ecc.

Combinando l’utilizzo degli strumenti IoT con i big data e l’analisi attraverso sistemi di machine learning il risultato ci porta a prendere decisioni che si traducono in più azioni che vanno a modificare l’ambiente, facendo così rianalizzare i dati in un circolo vizioso.

Industria 4.0

Per quanto riguarda l’industria 4.0, seguendo un processo a 6 step passiamo dal 3º in poi da quella 3.0 alla 4.0.

• Primo step: nella computerizzazione, abbiamo l’utilizzo di piattaforme digitali che mi permettono di processare i dati e supportare l’operatività.
• Secondo step: nella connettività, i sistemi sono strutturati e interconnessi.
• Terzo step: siamo nell’industria 4.0, qui troviamo la visibilità, le imprese prendono decisioni in base ai dati in seguito alla loro analisi.
• Quarto step: abbiamo la trasparenza, le imprese capiscono cosa sta succedendo e soprattutto riescono a spiegare una situazione e di conseguenza imparare da questa comprensione.
• Quinto step: c’è la predittività, a differenza della trasparenza qui le imprese analizzando la situazione attuale riescono a predire quello che sarà il risultato.
• Ultimo step: c’è l’adattabilità, il sistema reagisce agli eventi e può intraprendere delle azioni in maniera autonoma e soprattutto può auto-regolarsi.

Si parla di Internet of Things, acronimo di IoT, o ancora di Internet delle Cose, ma forse sarebbe più corretto definirla Internet degli oggetti.

Ci sono, infatti, gli oggetti intelligenti, i cosiddetti "smart objects", alla base dell'Internet of Things, e non stiamo parlando soltanto di computer, smartphone e tablet, ma soprattutto degli oggetti che ci circondano all'interno delle nostre case, al lavoro, nelle città, nella vita di tutti i giorni.

L'Internet of Things nasce proprio qui: dall'idea di portare nel mondo digitale gli oggetti della nostra esperienza quotidiana.

Il termine IoT, "Internet of Things", o letteralmente "internet delle cose", viene utilizzato la prima volta da Kevin Ashton, ricercatore presso il MIT, Massachusetts Institute of Technology, dove è stato trovato lo standard per RFID e altri sensori.

Ma anche se il termine è nuovo, si parla di questi concetti già da molto tempo, in sostanza dalla nascita di internet e del web semantico, un web fatto di "cose", non di righe di codice: "things, not strings".

I trend di crescita dei dispositivi IoT sono nettamente superiori rispetto i dispositivi non-IoT già a partire dal 2020.

Il 5G

5G sta ad intendere la 5ª generazione.

Il primo balzo c’è stato tra la prima e la seconda generazione dove si è passati dall’analogico al digitale, il 2G include tutta la parte GPRS e l’EDGE, ovvero trasmettere dati con una velocità di trasmissione più elevata, inoltre le chiamate vengono crittografate con meno rumore di sottofondo e più chiarezza.

Dal 2G al 3G aumenta la velocità con l’aggiunta del supporto di video streaming, chiamate vocali e navigazione web.

Dal 3G al 4G si passa allo streaming in HD, social media, gaming, app interattive, con lo sviluppo quindi dell’utilizzo degli smartphone e della miriade di servizi basati sulle relative app; la velocità è 10 volte superiore alla generazione precedente.

Con il 5G s’intende superare il problema della debolezza delle infrastrutture in seguito all’aumento del numero di richieste di connessioni nello stesso punto; il secondo problema è dovuto alla possibilità di avere una capacità di trasmissione dati molto superiore del 4G; altro punto è la latenza, quindi quanto bisogna aspettare prima di ricevere un’informazione, importante per le trasmissioni in tempo reale.

Relativamente alle frequenze utilizzate per il 5G, come per le generazioni precedenti, si adotta un mix di frequenze in modo da sfruttare sia quelle ancora disponibili, anche da un punto di vista normativo, sia le relative caratteristiche in termini di copertura e capacità di trasmissione.

In particolare, il 5G utilizza tre bande diverse, bassa, media e alta, e ognuna delle quali utilizza parti diverse dello spettro radio, che offrono prestazioni con caratteristiche inverse per quanto concerne velocità e distanza: a un’alta velocità di trasmissione corrisponde una copertura spaziale più contenuta e viceversa.

• La banda bassa, low-bands, onde lunghe, al di sotto di 1Ghz, fornisce la connessione più lenta delle tre ma offre le migliori prestazioni su ampie distanze e sulla tolleranza agli ostacoli, usata anche dalle generazioni precedenti.
• La banda alta, high-bands, onde corte, rientrano nelle Millimeter wave – mmWave, tra i 24 e i 40 GHz – in questo il 5G si differenzia dalle precedenti generazioni, è la più veloce, ma ha una copertura spaziale molto limitata e una elevata difficoltà ad attraversare muri, edifici e altre strutture.
• La banda media, mid-bands, negli intervalli 1-2.6 GHz e 3.5-6 GHz, simile alle frequenze del 4G e in parte anche del 2G e 3G, offre un buon compromesso tra velocità, tolleranza agli ostacoli strutturali e distanza.

Il valore dell’IoT

Secondo un report di Ericsson pubblicato nel 2019, i dispositivi IoT connessi sono oltre 5 milioni ogni giorno grazie all’introduzione del 5G.

Si suppone che questa tendenza di crescita porterà un potenziale incremento di guadagno fino al 36%, in base alla propria tipologia di business.

Per esempio, per i fornitori di servizi end-to-end, si stima che il valore arriverà oltre 600 miliardi di dollari entro il 2026.

Il report si basa sull’analisi di duecento casi di utilizzo di sistemi IoT e 5G distribuiti in dieci settori differenti e poi raggruppati in nove cluster, in base all’ambito di utilizzo.

Si suppone che nei prossimi anni si delineeranno una serie di grandi