• BitMAT
  • BitMATv
  • Top Trade
  • Linea EDP
  • Itis Magazine
  • Industry 5.0
  • Sanità Digitale
  • ReStart in Green
  • Contattaci
Close Menu
LineaEDPLineaEDP
    Facebook X (Twitter) Vimeo Instagram LinkedIn RSS
    Trending
    • OVHcloud lancia il nuovo data center a Milano, con il Public Cloud disponibile nella multizona 3-AZ
    • Portworx e Red Hat per promuovere risparmi e semplicità operativa
    • Cyber attacchi: l’Italia è maglia nera mondiale
    • Navigare in rete in modo sicuro: consigli pratici ed accorgimenti per non correre rischi
    • Attacchi informatici: Russia, UE e Asia nel mirino
    • Dynatrace e NVIDIA a supporto delle implementazioni di AI Factory
    • Sicurezza: AI sempre più sfidante
    • Oracle EU Sovereign Cloud conquista le organizzazioni tedesche
    Facebook X (Twitter) Vimeo Instagram LinkedIn RSS
    LineaEDPLineaEDP
    • Cio
    • Cloud
    • Mercato
    • News
    • Tecnologia
    • Case History
    • Report
    • Sicurezza
    • IOT
    LineaEDPLineaEDP
    Sei qui:Home»Tecnologia»Valore ai dati non solo con gli algoritmi predittivi

    Valore ai dati non solo con gli algoritmi predittivi

    By Redazione LineaEDP16/10/20207 Mins Read
    Facebook Twitter LinkedIn Reddit Telegram WhatsApp Email

    Per Franco Saracco, Banking Sales Director, GFT Italia, per dare valore ai dati servono tecnologie AI applicate a una Decision Platform

    Uno dei fattori di accelerazione della trasformazione digitale è la valorizzazione sempre più spinta dei dati, che porta a continui miglioramenti nella relazione con i clienti, nei processi interni di collaborazione, nella capacità di valutazione del rischio. Alla base di tutto questo ci sono alcune tecnologie, in particolare analytics e AI.

    Oggi innovazione tecnologica e trasformazione digitale sono strettamente intrecciate e determinano la roadmap per un futuro di successo di ogni organizzazione. Per descrivere la concezione di trasformazione digitale, in GFT utilizziamo un’elica, esattamente come quella che rappresenta il DNA, dove i concetti di disruption e di efficienza, di innovazione e trasformazione si intersecano l’uno con l’altro, coinvolgendo aspetti dell’uno (customer centricity, collaboration, automation, game changers) e dell’altro (platform engineering, data engineering, regulatory, risk & compliance services, cloud engineering).

    In questo contributo mi vorrei focalizzare sugli aspetti innovativi che rientrano nell’ambito dei Game Changers, ovvero quelle nuove tecnologie che, trasformando tutti i settori, fanno sì che il potenziale per acquisire i dati e trasformarli in nuovi servizi efficienti sia limitato solo dall’immaginazione, dedicando particolare attenzione all’Intelligenza Artificiale (AI).

    Explainable AI: conoscere il perché di ogni predizione

    Le tecnologie core AI si stanno focalizzando sull’aiutare le organizzazioni a scalare e rendere operative le loro iniziative, magari partite come Proof of Concept. In particolare le priorità, sul fronte dei dati e analytics, riguardano ambiti come, per esempio, la “synthetic data generation” (tecnologie che permettono di ottenere dati di training per i modelli di Machine Learning (ML) in presenza di dati scarsi o incompleti o difficili da recuperare), il poter lavorare su use case complessi, utilizzando il concetto di explainability, ovvero poter spiegare il perché di una particolare predizione.

    Scalare le iniziative di AI è spesso complicato sia da sfide strategiche – mi riferisco agli aspetti sociali correlati all’utilizzo dei dati, all’etica, alla privacy – sia da sfide tattiche, ovvero la necessità di trovare i dati corretti ed integrarli nei processi di business e nelle applicazioni.

    Il concetto di explainability, su cui in GFT lavoriamo da tempo, è di notevole importanza quando si parla di Intelligenza Artificiale. Infatti, algoritmi predittivi che rendono possibile l’explainability, quali i cosiddetti “Clear Box”, permettono agli utenti di comprendere molto di più circa il processo decisionale, passando da cosa un modello predice a come il modello predice. Comprendere le ragioni che stanno dietro alle predizioni è molto importante quando si sta valutando la fiducia in un modello di Machine Learning: se il business non ha fiducia in un modello non lo userà.

    Perché è necessaria anche una Decision Platform     

    In questo contesto, da alcuni anni abbiamo definito una partnership strategica con RULEX, azienda con sede a Boston e laboratori a Genova, che ha realizzato una piattaforma che, tra i vari algoritmi presenti, ne comprende uno, proprietario, denominato Logic Learning Machine, che consente appunto predizioni accompagnate da regole di spiegazione, sotto forma di costrutti if-then, immediatamente comprensibili dal business. Abbiamo applicato con successo questa tecnologia a vari ambiti tra cui le Frodi Assicurative, i Non-Performing Loans, il GDPR.

    A fronte della passata esperienza più “tecnologica”, abbiamo metabolizzato, insieme a RULEX, che l’esigenza vera del business, più che la disponibilità di algoritmi predittivi, è quella di una soluzione che permetta di prendere decisioni, e quindi di una piattaforma di Digital Decision che possa combinare vari aspetti: Intelligenza Artificiale, regole euristiche, explainability.

    La soluzione vincente risiede nella combinazione della knowledge degli esperti di dominio con regole intelligibili, estratte dai dati ed effettivamente “game changers”, in modo da poter prendere la decisione più efficace e trasparente. Il connubio tra knowledge e dati permette di verificare e testare le ipotesi, arricchire la propria esperienza, adattare le decisioni ad un mercato dinamico e capire i trend emergenti.

    Nel caso della piattaforma Rulex, il software produce in automatico delle regole di business facilmente comprensibili che possono essere usate per automatizzare i processi decisionali. A questo punto le applicazioni vengono costruite inserendo i task elaborativi in un workflow, il RULEBOT. Quest’ultimo è quindi l’implementazione di un processo di business che trasforma i dati ed expertise in decisioni operative. I Rulebot rendono accessibile l’AI agli utenti di business e agli esperti di processo, ovvero a coloro che sono più vicini ai processi decisionali che necessitano di essere ottimizzati o automatizzati.

    Come già detto, ai modelli predittivi ricavati dai dati possono essere aggiunte regole euristiche umane, garantendo un giusto blend di Intelligenza Artificiale ed umana. Alle regole umane possono poi essere assegnati dei punteggi di copertura e accuratezza, permettendo così di valutare la qualità delle regole decisionali in uso al fine di ridurre quindi i falsi positivi.

    Applicazioni in ambito creditizio, compliance e insurance

    È proprio in presenza di metodi tradizionali di indagine, in cui i falsi positivi possono avere un peso rilevante, che maggiormente si osservano risultati tangibili di questo approccio, soprattutto se si tratta di ambiti in cui risulta abbastanza semplice comporre dei business plan.

     

    In ambito creditizio, ad esempio, le banche sono dotate di sistemi di Early Warning, capaci di elaborare molteplici informazioni andamentali sul cliente per evidenziare, con metodi statistici, quelle posizioni che necessitano di una analisi di dettaglio in quanto presentano dei segnali di possibili difficoltà. Tali posizioni entrano in una cosiddetta Watch List, spesso ridondante, che impone analisi di dettaglio da parte dei gestori della relazione col cliente. In questo caso è possibile intervenire con l’AI, riducendo la numerosità della Watch List alle posizioni effettivamente critiche e, attraverso le regole di cui si è detto, evidenziare le attività da eseguire e le decisioni da prendere sulle posizioni rimaste.

    In ambito Compliance/Controlli, pensiamo al processo di clearing sulle transazioni SWIFT, SEPA, di Trade Finance. Molti dei sistemi attuali di screening evidenziano le transazioni che contengono parole presenti nelle blacklist, ma non solo in modo esatto, ma anche parziale o usando criteri di somiglianza, determinando le posizioni da verificare. Poi un’attività di analisi di primo livello, manuale, discrimina tra falsi e veri positivi, per inviare questi ultimi ad un’altra struttura per l’analisi di secondo livello, anch’essa manuale, che può coinvolgere anche il gestore della relazione col cliente, in aggiunta al recupero di tutte le informazioni sulla transazione in esame. La nuova normativa suggerisce caldamente l’applicazione del 4eyes per limitare i rischi operativi derivanti da errori manuali, introducendo la funzione di Maker e di Checker che, di fatto, raddoppierebbe il numero di FTE da utilizzare.

    Qui interviene la “Decision Platform”: euristiche note si sommano all’individuazioni di nuovi casi dai dati, automatizzando la funzione Maker e rendendo disponibile alla funzione Checker i casi analizzati, discriminando tra falsi o veri positivi, unitamente alla relativa spiegazione del perché. Il sistema potrà apprendere poi ulteriormente dall’attività del Checker, nel caso di giudizio difforme rispetto alla macchina, attraverso la spiegazione che verrà fornita.

    In aggiunta al sensibile risparmio in termini di FTE, abbiamo un sistema che continuamente apprende, garantendo comunque l’“auditabilità” attraverso spiegazioni chiare e comprensibili delle decisioni prese.

    Un caso simile a quanto abbiamo realizzato in ambito Insurance sull’Antifrode Sinistri. La soluzione individua la tipologia di frode (Individuale, Organizzata, di terza-parte), ne stabilisce la probabilità, ma suggerisce anche le corrette domande per individuare le frodi reali e prevenirle. Combinando le regole umane e quelle automatiche si riducono sensibilmente i falsi positivi accelerando i processi di investigazione e di risoluzione.

    Chiuderei con un altro esempio d’uso, particolarmente significativo in questo momento storico. In ambito concessione del credito si parla della definizione di uno Scoring Transazionale capace di elaborare le informazioni di tipo transazionale, ovvero le movimentazioni di conto corrente, per evidenziare eventuali difficoltà del cliente nel futuro prossimo. In aggiunta agli scoring più tradizionali, uno scoring transazionale, che potrebbe poi evolvere analizzando anche le transazioni sui vari conti correnti accesi dal cliente anche presso altri istituti (come effetto della PSD2), può permettere di capire la reale capacità di rimborso del cliente stesso. In scenari di instabilità di mercato come quello attuale, l’utilizzo di modelli capaci di auto-apprendere e modificarsi molto velocemente se non in real-time, permettendo sempre al business di capire le regole alla base del processo decisionale, può risultare vincente e distintivo.

    AI dati e analytics Decision Platform Franco Saracco GFT Italia
    Share. Facebook Twitter LinkedIn Reddit Telegram WhatsApp Email
    Redazione LineaEDP
    • Facebook
    • X (Twitter)

    LineaEDP è parte di BitMAT Edizioni, una casa editrice che ha sede a Milano con copertura a 360° per quanto riguarda la comunicazione rivolta agli specialisti dell'lnformation & Communication Technology.

    Correlati

    Progettare il futuro con Red Hat Enterprise Linux 10

    21/05/2025

    Vertiv: soluzioni di alimentazione a 800 VDC pronte nel 2026

    20/05/2025

    TeamViewer ONE: la piattaforma unificata che rivoluziona il Digital Workplace

    20/05/2025
    Newsletter

    Iscriviti alla Newsletter per ricevere gli aggiornamenti dai portali di BitMAT Edizioni.

    Security Words

    INFRASTRUTTURA APPLICATIVA: PROTEGGIAMOLA

    29/01/2024

    PASSWORD E STRATEGIA

    29/01/2024
    BitMATv – I video di BitMAT
    Transizione 5.0: vuoi il 45% sui software?
    Stormshield: Zero Trust pilastro della security aziendale
    RENTRI: regole pratiche per uscirne vivi
    Vertiv: come evolve il mondo dei data center
    2VS1 incontra GCI: focus sulle competenze
    Defence Tech

    Cyber attacchi: l’Italia è maglia nera mondiale

    22/05/2025

    Attacchi informatici: Russia, UE e Asia nel mirino

    21/05/2025

    Sicurezza: AI sempre più sfidante

    21/05/2025

    Computer ICS sempre sotto minaccia cyber: l’analisi di Kaspersky

    20/05/2025
    Report

    Aziende italiane e Intelligenza Artificiale: a che punto siamo?

    12/05/2025

    L’AI irrompe nel manufacturing

    02/05/2025

    L’AI è il futuro, ma senza dati rimane solo una promessa

    02/05/2025

    IBM X-Force Threat Index 2025: vecchi e nuovi trend delle minacce cyber

    18/04/2025
    Rete BitMAT
    • Bitmat
    • BitMATv
    • Top Trade
    • LineaEdp
    • ItisMagazine
    • Speciale Sicurezza
    • Industry 4.0
    • Sanità Digitale
    • Redazione
    • Contattaci
    NAVIGAZIONE
    • Cio
    • Cloud
    • Mercato
    • News
    • Tecnologia
    • Case History
    • Report
    • Sicurezza
    • IOT
    Chi Siamo
    Chi Siamo

    BitMAT Edizioni è una casa editrice che ha sede a Milano con una copertura a 360° per quanto riguarda la comunicazione online ed offline rivolta agli specialisti dell'lnformation & Communication Technology.

    Facebook X (Twitter) Instagram Vimeo LinkedIn RSS
    • Contattaci
    • Cookies Policy
    • Privacy Policy
    • Redazione
    © 2012 - 2025 BitMAT Edizioni - P.Iva 09091900960 - tutti i diritti riservati - Iscrizione al tribunale di Milano n° 293 del 28-11-2018 - Testata giornalistica iscritta al ROC

    Type above and press Enter to search. Press Esc to cancel.