Il machine learning può rendere questo mondo un posto migliore?
•Download as PPTX, PDF•
0 likes•67 views
I dati sono considerati il nuovo petrolio e le aziende fanno a gara a raccoglierne e conservarne quantità sempre maggiori, ma non hanno alcun valore se non li trasformiamo in informazioni utili a prendere decisioni strategiche, prevedere conseguenze probabili, evitare sprechi. C’è dell’altro: in un mondo in cui le prospettive non sono sempre rosee, la tecnologia, l’intelligenza artificiale e il machine learning sono mezzi fondamentali per vincere finalmente le sfide che ci attendono e continuare sereni la nostra avventura sul pianeta terra.
Recommended
More Related Content
Similar to Il machine learning può rendere questo mondo un posto migliore?
Similar to Il machine learning può rendere questo mondo un posto migliore? (20)
Il machine learning può rendere questo mondo un posto migliore?
- 1. Design the code of innovation 8-9 Novembre 2019 Talent Garden, Roma Ostiense
- 2. Il machine learning può rendere questo mondo un posto migliore? Stefano Stravato
- 3. Stefano Stravato Senior growth manager and passionate about the future of human kind Co-Founder and CEO at Krystal Ball Co-founder at Fifth Beat #Engagement #Machine Learning #Product Management #Design #Content Strategy #Data Analysis In collaborazione con twitter @stetto
- 4. In collaborazione con Photo by Carter Moorse on Unsplash OPEN INNOVATION
- 5. “L’informazione è il cuore dell’azienda, la cosa più importante”. -- David Weinberger, IAB Forum 2007 In collaborazione con
- 6. “Le tecniche di marketing sul diffondere informazioni limitate semplicemente non funzionano più. Il vero valore aggiunto dell’informazione è poterla usare, derivare altre informazioni. E’ più importante potere aggregare le informazioni piuttosto che proteggerle.” -- David Weinberger, IAB Forum 2007 In collaborazione con
- 7. Un marketing manager deve pensare al miglior modo per portare un prodotto o servizio a una persona presumibilmente disposta a comprarlo. E per farlo potrebbe aver bisogno di lavorare con molti team differenti. In collaborazione con
- 10. In collaborazione con Photo by Nicole Honeywill / Sincerely Media on Unsplash 1%
- 11. In collaborazione con Hari Seldon
- 14. In collaborazione con dati o esperienze?
- 15. In collaborazione con Photo by Lenny Kuhne on Unsplash manutenzione predittiva
- 16. In collaborazione con Photo by Alexander Tsang on Unsplash impatto ambientale
- 17. In collaborazione con sicurezza sul lavoro Photo by Spencer Davis on Unsplash
- 19. In collaborazione con specie in estinzione
- 22. In collaborazione con L’eterno mistero del mondo è la sua comprensibilità. —Albert Einstein
Editor's Notes
- Da dove arriva l’innovazione: mountain bike (Charles Leadbeater) oglio chiedervi, per iniziare, questa semplice domanda chi inventò la mountain-bike? Secondo la teoria economica tradizionale sarà stata inventata da qualche grande azienda, con un grande laboratorio di ricerca e sviluppo dove nascevano nuovi progetti, Sarà venuta da lì. E invece no. Un'altra risposta potrebbe essere, che sarà venuta da qualche genio solitario che lavorando in garage, su vari tipi di bici, si è inventato un nuovo tipo di bicicletta, dal nulla. Non viene da lì. La mountain-bike viene dagli utilizzatori; da giovani utilizzatori, in particolare da un gruppo della California del Nord, rustrato dalle solite bici da corsa, tipo quella che usava Eddy Merckx, o quelle dei fratelli maggiori, bici alla moda. Erano frustrati anche dalle bici dei padri, che avevano un grosso manubrio così, erano troppo pesanti. Hanno preso i telai di queste grandi bici, messi insieme alla meccanica delle bici da corsa, hanno preso i freni delle moto, e hanno mischiato i vari ingredienti. E per i primi, che so, 3 o 5 anni di vita le mountain-bike erano chiamate "Rottami" Assemblate da una comunità di appassionati, della California del nord. Poi una ditta che importava pezzi di ricambio per questi rottami ha deciso di mettere su un business, cominciando a venderle ad altre persone, poi è spuntata un'altra società, la Marin, e ci sono voluti, non so, Dieci o quindici anni prima che le grandi marche di bici si accorgessero del nuovo mercato. 30 anni dopo, le vendite di mountain-bike e equipaggiamento da mountain bike, rappresentano il 65 percento delle vendite di bici in America. Parliamo di 58 miliardi di dollari.
- Ho trovato uno splendido post che ripercorre lo speech di David Weinberger: http://www.fucinaweb.com/fw/david-weinberger-allo-iab-forum-2007/ «Quello che accade nell’attuale teoria economica è che dopo aver costruito il business lo difendiamo come se fosse un forte. Controlliamo attentamente le comunicazioni verso i clienti, gli diciamo non quello che vogliono sentirsi dire, ma quello che vogliamo dirgli. E lo chiamiamo marketing! Internet però non ha barriere, non ha segreti. E questa situazione va a braccetto con il fatto che i clienti conoscono meglio i prodotti delle stesse aziende, perché parlano tra di loro, perché usano i prodotti».
- «Si dice che i mercati siano conversazioni, ma non ci sono mercati per i messaggi. La vera sfida è quella di riuscire a coinvolgere i nostri clienti in queste conversazioni. Abbiamo detto alle aziende che l’informazione è il cuore dell’azienda, la cosa più importante. Consci di questo, hanno fatto di tutto per proteggerla e per non condividerla verso l’esterno. Oggi però ci rendiamo conto che il vero valore aggiunto dell’informazione è poterla usare, derivare altre informazioni. E’ più importante potere aggregare le informazioni piuttosto che proteggerle.» David Winberger sulle prime mi fulminò! Avevo fatto già tanti progetti riconosciuti come assolutamente innovativi. Però cominciai a interrogarmi su quanta consapevolezza avessi rispetto al ruolo che dovevo avere in azienda e su quali strumenti potessi contare per fare bene il mio mestiere.
- Io sarei tornato in una fabbrica che era stato un castello fino a pochi anni prima, ma non in quel momento. Non avevo il problema di proteggere l’informazione. Anche se i conflitti con i cari colleghi dell'ufficio stampa erano all'ordine del giorno, il nostro blog quellichebravo era targato 20 dicembre 2006 e lì lo scambio di "informazioni" con le comunità di appassionati, futuri clienti e curiosi funzionava bene! Avevo il problema di come rendere le infomazioni che circolavano fuori dall'azienda un valore per i designer, per i product manager, per la forza vendita. Su quali competenze potevo contare? Qual era la cassetta degli attrezzi che usavo per svolgere il mio mestiere? (???) Questa citazione di Ford pare essere proprio un bel fake: http://www.foolproof.co.uk/three-old-chestnuts-cracked/
- sembrava il ministero dell’auto, 2 mesi dopo che l’arrivo di Sergio Marchionne. Ho cominciato a collaborare su un progetto specifico (il Fiat Freestyle Team) e sono poi diventato Head of digital, con all’attivo il lancio della piattaforma 500 wants you, lanciata 500 giorni prima del lancio della nuova fiat 500. È il progetto più innovativo che avessi fatto fino a quel momento e ce lo dice l’impatto che ha avuto, sia verso l’esterno che verso l’interno dell’azienda.
- In quest’ora assieme parleremo di marketing che ha senso. E ha senso solo se ha un impatto misurabile. I KPI, l’indicatore chiave della performance, l’obiettivo lo si sceglie insieme, prima di cominciare il progetto di marketing. Nel caso della piattaforma interattiva di marketing 500 wants you, l’impatto è stato misurato su moltissime dimensioni di business. Io ricordo qui che ha coinvolto 4 milioni di persone, con 24 iniziative che hanno alimentato e supportato le scelte di design (colore della vettura, allestimenti, gamma accessori) e quelle di business (prezzo e momento del lancio, ad esempio)
- Ecco le aziende basate su comunità di utenti, che forniscono alle comunità strumenti, risorse, piattaforme in cui condividere. Non è "open-source", ma è molto molto potente. Ecco una delle sfide, penso per gente come me, che lavora molto con gli enti pubblici. Se siete produttori di giochi, e avete un milione di giocatori, vi basta solo l'uno per cento di loro a fare anche sviluppo, a contribure con idee, e avete una forza lavoro per lo sviluppo di 10.000 persone. Immaginate di prendere tutti i bambini che vanno a scuola in Inghilterra, e l'1% di loro fossere collaboratori allo sviluppo della scuola. Che cosa succederebbe alle risorse disponibili per il sistema educativo? Oppure se l'1% per cento dei pazienti in ospedale in qualche modo fossero co-produttori di salute. Il motivo per cui --- malgrado gli sforzi contrari, per limitare, far rallentare -- il motivo per cui questi modelli aperti emergeranno con una forza enorme, è che moltiplicano le nostre risorse produttive. E uno dei motivi per cui lo fanno è che trasformano gli utenti in produttori; e i consumatori in progettisti.
- Hari Seldon tramite la psicostoria o psicostoriografia (come viene tradotta nel 1963), scienza da questi sviluppata e in grado di prevedere statisticamente il futuro.
- * Definizione di algoritmo: un insieme di regole che portano alla soluzione del problema
- * Come includiamo le persone nel processo di innovazione? ML ci aiuta
- 50% reduction in downtime due to equipment failures: Asset failures are costly and stressful. An hour of downtime can impact millions in revenues for a $100 M+ company. Since issues can be predicted in advanced, downtime can be minimized. Increasing up-time is a significant challenge for manufacturing or logistics companies with machines that depend on one another. An example is downtime in cranes. As Predikto CEO Mario Montag mentioned, ports experience 800 to a thousand hours a year in downtime due to crane malfunctions which is extremely costly for port operators. 3-5% increased machine useful life: Since predictive maintenance reduces machine breakdowns and ensures operation in optimum settings, it can improve machine/robot useful life. Reduced environmental impact: As machines remain useful for longer periods and as their efficiency increase with advanced analytics, companies will waste less natural resources. Predictive maintenance is one of the few initiatives that both help companies bottom line and their corporate social responsibility goals. 10-40% reduction in maintenance costs: Since planned maintenance is based on a schedule, there will be cases when maintenance tasks will be performed when they are not needed. Predictive maintenance can prevent such inefficiencies. Furthermore, predictive maintenance systems inform technicians about the changes they need to do to the system based on symptoms. For example, let’s assume that sensors show increased vibration is observed in a machine. If there’s a strong correlation between malfunction of a specific part and increased vibration then technicians can focus first on the possibly malfunctioning part, completing only necessary maintenance activities, saving time. 10-25% reduction in worker injuries: Leveraging sensor data with analytic systems will help industries find new ways to avoid injuries. Reduced breakdowns and accident avoidance systems which can alert or even halt equipment when there is danger to a worker, can dramatically improve factory conditions and minimize worker injuries. 10-20% reduced waste: Sub-optimal operation that is not detected, can result in wasteful production. Raw material, energy, labor costs and machine time get wasted in such instances. Predictive maintenance systems can uncover issues that can result in waste before they arise. Advanced analytics: Setting up predictive maintenance involves collecting sensor data from diverse machinery. Once that data starts to be automatically collected, analysts have a trove of information ready for analysis. This data can be used to identify parameter and process optimization opportunities. Improved product quality and increased customer satisfaction: Detailed sensor data and ability to observe results of interventions creates a virtuous cycle of experimentation and learning. As teams adjust machine parameters and improve results, they uncover means to improve quality. Increased employee morale: Down-times, operation with sub-optimal parameters not only impact output but also impact employee morale. It is stressful to rush to solve problems when they arise. Predictive maintenance minimizes such instances. Improved performance over time: Predictive maintenance systems are learning systems. They implicitly create a knowledge base of issues and understand their root causes based on feedback from technicians or sensors on the shop floor.
- LEARN — The part on the right-hand side is dedicated to Learning from data. It’s made of the following blocks: • Data sources: Which raw data sources can we use? • Collecting data: How do we get new data to learn from (inputs AND outputs)? • Features: Input representations to extract from raw data sources. • Building models: When do we create/update models with new training data and how long do we have for that? • PREDICT — The part on the left-hand side is dedicated to Predictions, based on the models that we’ll learn from data. It’s made of the following blocks: • ML task: Which type (e.g. classification, regression...), what is the input, and what is the output to predict (along with possible values)? Decisions: How are predictions used to make decisions that provide the proposed value to the end user? Making predictions: When do we make predictions on new inputs and how long do we have for that? • Offline evaluation: Which methods and metrics can we use to evaluate the way predictions are going to be made and used, prior to deployment? The last part of the Canvas (EVALUATE) is dedicated to measuring how well the system works and to monitoring value creation. This is where you’ll specify methods and metrics to evaluate the system after deployment, and to quantify value creation.