Chatbot bot machine learning processo di automazione di robot intelligenti

CHATBOT - BOT - MACHNE LEARNING - PROCESSO DI AUTOMAZIONE DI ROBOT INTELLIGENTI

(SALVATORE DE CARO – SAP ITALIA)

1) CHI È SAP ITALIA

SAP = Azienda tedesca con l'obiettivo di trasformare il modo di lavorare col computer, dal mondo batch (in cui io preparo dei programmi, li carico e poi il sistema elaborerà il lavoro in seguito) al mondo online: lavorare in tempo reale, tale idea venne consolidata creando un software (IOT) che serve a gestire interamente un'azienda. Si propongono di applicare l'informatica al mondo per permettere di vivere meglio.

SAP = Sistemi Applicazioni e Prodotti; multinazionale con più di 100.000 dipendenti nel mondo, leader in tutti i settori industriali. È un'azienda di tecnologia e informatica che lavora sui processi di business. Fatturato di 25 Miliardi.

2) HUMAN INTELLIGENCE VS ARTIFICIAL INTELLIGENCE

Intelligenza Umana = capacità di imparare da esperienze pregresse, capacità di adattarsi a nuove

situazioni e soprattutto capacità di lavorare su idee astratte, queste capacità ci permettono di modificare l’ambiente in cui viviamo. (Si è generata nel corso di un’evoluzione, il nostro cervello si è evoluto). Il nostro cervello ha come fondamentale elemento i neuroni, che equivalgono ad 1 trilione di bit al secondo, ad una CPU che è in grado di gestire un trilione di bit al secondo.

Le sinapsi sono coloro che mettono in comunicazione i neuroni, riusciamo a memorizzare le informazioni proprio grazie alle sinapsi.

La scoperta dei Neuroni a Specchio, effettuata grazie ad un Italiano, il Prof. Rizzolati dell’Uni di Parma, fu una delle più importanti scoperte neurologiche del 1900 = il nostro cervello è capace di imparare guardando qualcuno che compie un’azione, il nostro cervello è quindi capace di lavorare per astrazione. I neuroni, le sinapsi e i neuroni a specchio vanno quindi a comporre quella che è la Rete.

Neurale = rete del cervello. Gli scienziati si chiesero allora se potessero riuscire a realizzare un qualcosa di simile all'interno di un computer, fu così che tale argomento diventò un importante oggetto di studio e si volle creare dei neuroni artificiali e dei collegamenti tra neuroni: le sinapsi. Tale associazione permise di creare reti neurali che permisero a loro volta di effettuare un riconoscimento delle immagini. Vengono ad esempio sottoposte al computer tante immagini di gatti, e il computer darà vita a tante sinapsi che si attiveranno quando comparirà un'immagine. Il computer riconoscerà in ogni caso la foto di un gatto anche se non è tra quelle caricate al suo interno, poiché il computer estrae le caratteristiche di un determinato oggetto e va a costruire degli algoritmi che permettono di estrarre le caratteristiche di un oggetto e creare delle similitudini associabili ad altri oggetti e immagini. L'Artificial

Intelligence = si propone quindi di progettare agenti intelligenti, con le capacità di analizzare l'ambiente circostante e di generare delle azioni che vanno a raggiungere un risultato per cui li abbiamo programmati.

3) MACHINE LEARNING

All'interno del concetto di AI immaginiamo delle machine intelligenti, in grado di auto apprendere, cosa però non ancora esistente oggi.

Oggi l'AI corrisponde semplicemente al Machine Learing: è la parte concreta, la realtà dell'AI: secondo cui le macchine sono in grado di apprendere dai dati, senza essere esplicitamente programmate, io inserisco dati nel sistema che a sua volta genera dei risultati, una funzione che può essere applicata ad altri dati. Tale lavoro di selezionare dati sui quali allenare i modelli di machine learning per capire qual è l'inferenza, la funzione giusta, viene effettuato dai Datat Scientist.

Quindi c'è un flusso di Machine Learing:

Raccogliere dati ->

ripulirli -> cercare dati rilevanti che hanno correlazioni forti con il fenomeno che vogliamo esaminare, (ma anche correlazioni deboli che a volte sono determinanti) -> una volta riconosciuto il pattern (es.: il gattino) -> quel pattern viene riconosciuto come se fosse una funzione. (qualunque immagine mi dai, io gli applico la funzione e lui mi risponde il 90%, il 20% è un gatto...). All'inizio ho un dato sporco, dopo il training avrò un dato potente e utile. Se ne parla oggi perché abbiamo la potenza di calcolo (computer che hanno CPU molto potenti in grado di fare molte operazioni complesse) e perché abbiamo accesso grazie alla rete a grandi quantità di dati. Il Machine Learning si classifica in 3 macro categorie, modelli: - Supervised = è un training fatto su dati che già conosco, conosco già la risposta e cerco di trovare la forma migliore che si incastra nella risposta. In questa categoria di Machine Learning al computer

Vengono "dati in pasto" sia dei set di dati come input sia le informazioni relative ai risultati desiderati, con l'obiettivo che il sistema identifichi una regola generale che colleghi i dati in ingresso con quelli in uscita. Gli vengono cioè forniti degli esempi di input e di output in modo che impari il nesso tra loro, in modo da poter poi riutilizzare tale regola per altri compiti simili.

Nell'apprendimento supervisionato il lavoro di risoluzione viene lasciato al computer. Una volta compresa la funzione matematica che ha portato a risolvere uno specifico insieme di problemi, sarà possibile riutilizzare la funzione per rispondere a qualsiasi altro problema simile.

Unsupervised = è un modo, un modello di lavorare in cui non so a priori gli oggetti che sto analizzando, ma devo comunque trovare uno schema, un raggruppamento o un qualcosa che li possa mettere in relazione. Ad esempio, una collezione di monete antiche: le guardo e le riconosco.

Faccio dei mucchi raggruppandole per caratteristiche. È un po' come se qualcuno ti desse una lista di numeri su un foglio di carta e ti dicesse "io non so cosa significano questi numeri, ma forse tu riesci a capire se c'è uno schema o un raggruppamento alla base". Lo scopo di questo secondo metodo di apprendimento è "risalire" a schemi e modelli nascosti, ossia identificare negli input una struttura logica senza che questi siano preventivamente etichettati.

Reinforced = metodo con il quale si insegna ad un computer a giocare a scacchi, è un programma che impara dagli errori. Fisso un obiettivo che un ipotetico computer deve raggiungere e costruisco percorsi e tentativi, col passare del tempo il computer, imparando dagli errori, troverà il percorso migliore per raggiungere l'obiettivo prefissato.

4) LE IMPRESE INTELLIGENTI

Usare le tecnologie per venire di più: Amazon Go. 60% dei lavori saranno automatizzati entro

il 2025, grazie all'utilizzo dell'intelligenza artificiale. L'automazione prenderà la parte ripetitiva, robotica del lavoro umano. L'uomo si concentrerà sui task ad alto valore, ad esempio il data scientist o quei lavori dove è richiesta un'alta creatività. Vi sarà un cambio di paradigma nel mondo del lavoro e si andrà verso quella che sarà l'intelligence enterprise. Digitalizzazione = le aziende stanno eliminando i processi fisici sostituendoli con quelli virtuali, eliminano la carta, ottenendo più efficienza e guadagni. Ma sta cambiando il modo in cui i software vengono utilizzati e il modo in cui vengono visti dalle persone. Un'azienda intelligente avrà una grandissima piattaforma dove conserverà i suoi dati (carburante per far andare tutto: Machine learning e sistemi tradizionali "Data is the New Oil (petrolio)") e sarà gestita da software e soluzioni digitali.

Essere intelligente quindi le sue applicazioni imparano e rispondono alle richieste degli utenti e fanno azioni ripetitive, effettuate dagli agenti informatici: i Bot. Nel mondo delle aziende il Bot è fondamentale. Un'azienda intelligente è quinti colei che prende le tecnologie intelligenti, assistenti vocali, chatbot e machine learning, e le porta al proprio interno, le applica nel mondo delle aziende.

5) INTELLIGENCE TECHNOLOGY

Le intelligence technology più importanti sono 3, tre temi:

Conversational = I software vogliono sempre più cercare di carpire cosa vogliono i clienti, le interfacce conversazionali sono un'ottima soluzione: sono i cosiddetti assistenti digitali -> coloro che comprendono le domande, e con la parte di machine learning sono in grado di rispondere.

Le Chat Bot, sono un altro esempio di interfacce conversazionali, sono sistemi conversazionali che prevedono che vi è sempre qualcuno che risponda. Rispondono in tempi comodi e veloci.

alle richieste degli utenti. Le interfacce conversazionali permettono quindi un grandissimo abbattimento di costi e risparmio di tempo.

Il Chat Bot deve avere una serie di caratteristiche:

• Possibilità di allenare e alimentare il chatbot
• Possibilità di costruire il dialogo e le azioni
• Poterlo connettere
• Poter effettuare il monitoraggio: chi lo utilizza per quanto tempo... in modo da avere un maggior numero di dati per accrescer dell'intelligenza del chatbot

Data intelligence =