Connubio fra AI e marketing

Con il termine di Artificial Intelligence Marketing (“marketing con uso di intelligenza artificiale”) si fa riferimento al marketing diretto che si basa su tecniche, concetti e modelli elaborati dall’intelligenza artificiale tramite l’apprendimento automatico (la parte di ragionamento che suggerisce le azioni da intraprendere è qui svolta da un computer e da algoritmi anziché dall’uomo).

Del significato dell’Intelligenza Artificiale non si ha ancora una piena cognizione: in sostanza, indica l’abilità di un sistema tecnologico nel risolvere problemi o svolgere compiti e attività tipici della mente e delle abilità umane. In ambito informatico allora potremmo identificare l’AI – Artificial Intelligence – come la disciplina che si occupa di progettare macchine – sia hardware che software – e soluzioni attraverso cui poter risolvere autonomamente problemi, compiere azioni, ecc..

In quest’ottica si sente spesso parlare di Machine Learning e Deep Learning, due distinti modelli di apprendimento e applicazione dell’intelligenza artificiale. ‘Machine Learning‘ si distingue per essere un insieme di tecniche di applicazione mediante cui consentire al software di intelligenza artificiale (modello di apprendimento) di ‘allenare’ le macchine di AI ad apprendere e svolgere autonomamente un compito o un’attività, senza bisogno che siano programmate (senza dover cioè dipendere da sistemi programmati che regolano come deve comportarsi e reagire un sistema di AI); sistemi che servono ad “abituare” l’AI in modo che imparando, correggendo gli errori, allenando sé stessa possa poi essere autonoma nello svolgimento delle azioni impartite.
Deep Learning‘: in questo caso parliamo di modelli di apprendimento basati sulla struttura e capacità cognitive del cervello umano. A differenza del precedente metodo allora, il Deep Learning rappresenta la “messa su strada” dell’intelligenza artificiale così concepita andando ad emulare direttamente la mente dell’uomo. Non dunque un modello matematico: il Deep Learning si basa su una rete neurale artificiale che verosimilmente riceve e smista infinite operazioni di calcolo e analisi (simulando in questo modo le connessioni del cervello). Anche se non ce ne accorgiamo, questo modello lo ritroviamo già nel riconoscimento vocale, delle immagini e nei sistemi di NLP – Natural Language Processing.

Secondo l’Osservatorio Artificial intelligence del Politecnico di Milano, è possibile distinguere otto distinte classi di applicazione dell’Intelligenza Artificiale: Autonomous Vehicle: si riferisce a qualunque mezzo a guida autonoma; Autonomous Robot: robot in grado di muoversi ed eseguire azioni senza intervento umano, traendo informazioni dall’ambiente circostante; Intelligent Object: tutti quelli oggetti in grado di eseguire azioni e prendere decisioni autonomamente; Virtual Assistant e Chatbot: sistemi evoluti capaci di comprendere tono e contesto di un dialogo, memorizzare e riutilizzare le informazioni raccolte e sostenere con intraprendenza la conversazione; Recommendation: soluzioni orientate a indirizzare le preferenze, gli interessi, le decisioni dell’utente, basandosi su informazioni fornite; Image Processing: sistemi in grado di effettuare analisi di immagini o video per il riconoscimento di persone, animali e cose presenti nell’immagine stessa; Language Processing: capacità di elaborazione del linguaggio per la comprensione del contenuto, la traduzione, fino alla produzione di testi in modo autonomo; Intelligent Data Processing: soluzioni che utilizzano algoritmi di intelligenza artificiale su dati strutturati ma non per estrarre informazioni, quindi ad es. per sistemi di controllo e analisi complesse.

Step da perseguire dal punto di vista delle abilità intellettuali, il funzionamento di una AI si sostanzia principalmente attraverso su quattro differenti livelli funzionali:

comprensione: mediante la simulazione di capacità cognitive di correlazione dati ed eventi l’AI (Artificial Intelligence) è in grado di riconoscere testi, immagini, tabelle, video, voce e ricavarne informazioni;

ragionamento: mediante la logica i sistemi riescono a collegare le molteplici informazioni raccolte (attraverso precisi algoritmi matematici e in modo automatizzato);

apprendimento: sistemi con funzionalità predefinite per l’analisi degli input di dati e per la loro “corretta” restituzione in output (è il classico esempio dei sistemi che con modelli di apprendimento automatico portano le AI ad imparare e a svolgere varie funzioni);

interazione (Human Machine Interaction): in questo caso ci si riferisce alle modalità di funzionamento dell’AI in relazione alla sua interazione con l’uomo. È qui che stanno fortemente avanzando i sistemi di Nlp – Natural Language Processing, tecnologie che consentono all’uomo di interagire con le macchine (e viceversa) sfruttando il linguaggio naturale.

L’AI nasce negli anni 50, ma è solo oggi che i progressi tecnologici registrati nel campo della potenza di calcolo, della disponibilità dei dati e nella capacità di analisi per la risoluzione di problemi complessi hanno permesso alle applicazioni di nascere e diffondersi.
Il 2020 sarà l’anno in cui tali soluzioni esploderanno.
Le tecnologie di base sono mature e, mediante quelle più avanzate, vengono rese fruibili a costi accessibili.

Attualmente i principali settori nell’adozione di progetti di intelligenza artificiale sono banche, finanza e assicurazioni, automotive, energia, logistica e telecomunicazioni.


Come allora l’intelligenza artificiale può tornare utile per le imprese e il commercio ? Un esempio lampante e sotto gli occhi di tutti sono gli assistenti vocali (Siri di Apple, Cortana di Microsoft o Alexa di Google), ma verosimilmente possiamo contarne infinite applicazioni di cui magari neppure ci accorgiamo: ad esempio gli algoritmi intelligenti, in grado cioè di auto-apprendere; quelli che ci suggeriscono i prodotti da acquistare, i generi di film o brani musicali che rispondono ai nostri gusti, rispondono a domande dei clienti via chat; sono in grado di riconoscere il volto di una persona per consentire un accesso, di smistare i documenti in base al contenuto,filtrare i curriculum per selezionare il candidato ideale; forniscono un valido supporto nel settore medico, aiutando i medici nella lettura delle immagini radiografiche e nelle diagnosi.Esistono già svariati esempi di come l’introduzione dell’Intelligenza artificiale nei processi aziendali abbia avuto un impatto positivo, automatizzando parti altrimenti ripetitive, in precedenza svolti dall’uomo.

Di seguito un estratto da una recente indagine condotta in particolare sul mercato italiano.

In Italia, secondo i risultati dell’Osservatorio Intelligenza Artificiale del Politecnico di Milano, si fa strada l’Artificial Intelligence e, grazie ad essa il mercato, tra software, hardware e servizi, ha raggiunto, nel 2019, il valore di 200 milioni di euro.

Tra i diversi settori, l’AI si è diffusa in particolare nelle banche e finanza (25% del mercato), nella manifattura (13%), nelle utility (13%) e nelle assicurazioni (12%).

La quota principale della spesa (il 33%) è dedicata a progetti di Intelligent Data Processing, algoritmi per analizzare ed estrarre informazioni dai dati, seguiti da quelli di Natural Language Processing e di Chatbot/Virtual Assistant (28%) in grado di comprendere il linguaggio naturale ed eventualmente fornire risposte ad un interlocutore.

Le imprese italiane si dimostrano consapevoli della portata di questa tecnologia: il 90% ha compreso che l’AI può replicare specifiche capacità dell’intelligenza umana, mentre è superata l’idea secondo cui il nostro intelletto possa essere replicato completamente.

Il 96% delle imprese che hanno già implementato soluzioni di AI non rileva effetti di sostituzione del lavoro umano da parte delle macchine. Più che sostituire le capacità degli esseri umani, l’AI le sta aumentando: il 48% delle imprese evidenzia che le soluzioni di intelligenza artificiale adottate non hanno direttamente coinvolto attività svolte dalle persone, il 28% che le attività sostituite hanno permesso ai lavoratori di dedicarsi con maggiore dedizione a quelle rimanenti, il 24% che sono stati necessari ricollocamenti, anche parziali, dei lavoratori coinvolti.

Le soluzioni di automazione di processo RPA (Robotic Process Automation) sono da diversi anni utilizzate per snellire processi onerosi, automatizzando operazioni ripetitive, in particolare sui sistemi informativi (ad esempio, per estrarre dati da un sistema ERP e inserirli in un altro software). Il loro utilizzo è mirato all’efficienza: fanno risparmiare molto tempo e permettono di dedicare le risorse ad attività di maggior rilievo.

L’integrazione dell’AI con la RPA, di fatto complementari, ha reso possibile automatizzare le parti più complesse del processo precedentemente demandate all’uomo.

Nel Marketing si vedono ormai da tempo sistemi di AI impiegati in differenti attività e con svariati obiettivi; il più importante riguarda indubbiamente la gestione della relazione con gli utenti, da sempre “cartina tornasole” dell’azienda, come pure del mondo BtoB.

Le tecnologie di IA impiegate vanno dagli assistenti vocali/virtuali che sfruttano algoritmi di intelligenza artificiale sia per il riconoscimento del linguaggio naturale sia per l’apprendimento e l’analisi delle abitudini e dei comportamenti degli utenti, fino ai processi per l’acquisizione e analisi di grandi moli di dati per la comprensione del “sentiment” e delle esigenze delle persone con attività che si spingono fino alla previsione dei comportamenti di acquisto da cui derivare strategie di comunicazione e/o proposta di servizi.

Chatbot ed altri sistemi basati sul NLP sono ormai diffusamente impiegati anche all’interno dei reparti che si occupano di assistenza, servizio e supporto alla clientela (contact center, customer service, manutenzione e supporto, ecc.).

La rivoluzione digitale sta interessando sempre più le aziende in modo organico impattando sui modelli operativi e organizzativi in maniera esponenziale e alquanto inesplicabile quanto ad “ambiti di applicazione”.

La chiamano “disruption”:oramai sta divenendo un canone irrinunciabile per la sopravvivenza delle aziende.

Fondamentale per organizzare le decisioni d’impresa è tener presente che “Data is the new oil”: l’adozione dell’intelligenza artificiale permetterà di capire e prevedere con lungimiranza il contesto operativo dell’azienda.

Qual è il processo di funzionamento delle nuove tecnologie AI applicate al Marketing? Questi gli step:

Ascolto: la macchina è capace di percepire quello che le sta intorno attraverso l’acquisizione di input;
Comprensione: è capace di analizzare e capire i dati che acquisisce;
Apprendimento: è in grado di svolgere una funzione, un computo;
Interazione: è in grado di prendere una decisione e interagire con l’essere umano.
Applicare queste tecnologie porterà ad automatizzare diverse attività e conseguentemente, sgravati da processi ripetitivi e a basso valore aggiunto, l’uomo potrà concentrarsi sulle sue doti creative. Da ciò deriva la massima “Work smarter, non harder!”

Sono diversi i settori del Marketing su cui l’AI sta impattando, vediamone alcuni insieme:

Chatbot che si basano su Natural Language Processing (NLP): alcuni studi hanno dimostrato che hanno tassi di apertura e percentuali di click superiori rispetto alle e-mail. Messenger applicato in questo contesto ha un Avg open rate (tasso di apertura medio) del 90% con un CTR (numero dei click generati dalla visualizzazione di un annuncio) del 30%, mentre le mail si fermano al 23% e al 3,3%.
Rappresentano inoltre un ottimo mezzo per ottenere informazioni sui visitatori del sito web, sono utilizzati per:

  1. segmentare il pubblico e vendere prodotti e servizi;
  2. rendere i contenuti più interattivi e personalizzati;
  3. sviluppare un rapporto più personale con gli utenti, aumentandone la fedeltà e la fiducia.

Content Marketing: l’AI può venire in supporto alla creazione di contenuti in ambiti quali la ricerca di keyword, la pianificazione degli argomenti, l’ottimizzazione e la personalizzazione dei contenuti, etc…
SEO optimization: l’AI può aiutare a identificare le keyword, a raggrupparle per individuare gli argomenti principali di interesse, sviluppare la struttura del sito in sottogruppi pertinenti e creare contenuti ottimizzati.
Search Marketing: sta cambiando il modo di cercare online, basta pensare che la ricerca vocale è un’applicazione AI. Entro il 2020 il 50% delle ricerche saranno vocali e gli algoritmi di Machine Learning, per poter essere sempre più puntuali, hanno bisogno di essere istruiti in maniera elementare: si parte dall’analisi stessa delle parole usate, che indicano l’intento dell’utente (es. cosa/chi, come, quando e dove).
Autonomos Media buying: l’acquisto di spazi pubblicitari può avvalersi dell’AI per trovare il posto giusto al momento giusto in cui veicolare l’informazione.
Marketing Attribution: soluzioni AI possono aiutare le aziende a raccogliere dati sul gradimento del mercato del brand come il posizionamento nei confronti dei competitors.

Un limite all’usabilità e dunque applicazione di sistemi di intelligenza artificiale sta nella paura che l’AI possa diventare “cattiva”: in realtà la tecnologia non ha sentimenti, sta a noi darle un indirizzo con i nostri intenti.

Con l’avvento dell’Intelligenza Artificiale e del Machine Learning si sta assistendo a a un importante cambiando del panorama tecnologico: ad esempio se prima ipotizzare macchine in grado di guidare da sole era fantascienza, oggi ciò è realtà; e molti altri ancora sono gli ambiti di applicazione di queste tecnologie.

Nel contesto aziendale il settore che si occupa di Marketing e Pubblicità tutto questo si identifica nel concetto di Artificial Intelligence Marketing, l’insieme delle tecnologie che fanno capo all’AI (Machine Learning, Natural Language Processing e Deep Learning) e alle tecniche utilizzate nel Marketing Comportamentale con la finalità di individuare il proprio target e quali le sue caratteristiche.
Come impatta allora l’AI sul Marketing ? Detto della specializzazione delle macchine che consente all’uomo di dedicarsi ad altro processi produttivi, l’AI permette “di liberare a” nuove esperienze possibili che sono la chiave per dare vita ad un Marketing che sia sempre più personalizzato e focalizzato nel soddisfare le esigenze del consumatore.

Questa tecnologia permette inoltre di dare impulso alle cosiddette personalizzazioni su larga scala, desiderate da un numero crescente di consumatori, andando in questo modo a catalizzare un pubblico ancora maggiore, intercettando i bisogni attuali del consumatore.

Una applicazione di intelligenza artificiale che va diffondendosi progressivamente sulle piattaforme di acquisto di beni/servizi è quella che va sotto il nome di “cashback” (‘soldi indietro’): nel settore del marketing indica un sistema di riaccredito di soldi sugli acquisti effettuati presso negozi convenzionati, che viene restituito in un portafoglio virtuale, ossia un processo nel quale una parte di quello che noi abbiamo pagato per un acquisto ci viene restituita.

(Rif: https://www.ai4business.it/intelligenza-artificiale/ https://www.digital4.biz/executive/ai-cos-e-l-intelligenza-artificiale-e-come-puo-aiutare-le-imprese/ https://www.contentintelligence.net/it/ci/marketing-e-intelligenza-artificiale-come-innovare-il-business https://www.vidiemme.it/artificial-intelligence-marketing/ https://italiacashback.com/cashback-come-funziona/ https://ai.marketing/it)

Un pioniere dell’informatica dei giorni nostri

 

Un’immagine di Larry Tesler

Ai più il nome non dirà granché. Eppure Lawrence Gordon Tesler alias Larry Tesler (1945 – 2020) può essere considerato uno dei pionieri dell’informatica moderna, fautore di importanti innovazioni che senz’ombra di dubbio ‘hanno lasciato il segno’. Scomparso da pochi mesi, informatico americano a cui si deve l’intuizione di una importante funzionalità – eredità fondamentale dell’informatica moderna – che si ritrova su qualsiasi computer: fu infatti l’inventore del (taglia) copia/incolla che rappresenta oggigiorno un’azione basilare compiuta svariate volte al giorno da chi si trova davanti ad una tastiera.

Laureato in informatica al’università di Stanford, dopo essersi interessato – uno dei precursori – all’intelligenza artificiale, entrò nel prestigioso Xerox Palo Alto Research Center (Parc), centro di ricerca che diverrà altisonante negli anni successivi per la storia dell’informatica, dove rimase fino al 1980.

Se la storia di Tesler si intreccia a diverse tappe significative dell’informatica è grazie proprio alla sua collaborazione con il PARC.
Quando fece il suo ingresso nel 1973, al laboratorio Xerox si era cominciato a lavorare su soluzioni software finalizzate a migliorare – e semplificare – l’utilizzo delle macchine.
Appena due anni dopo il suo arrivo, insieme al collega Tim Mott, Tesler sviluppa un programma di videoscrittura, denominato Gypsy, per spostare porzioni di testo da una parte all’altra senza doverli riscrivere ogni volta, all’interno del quale vennero integrate le funzioni copia e incolla insieme ad altre altrettanto popolari come, ad esempio, la ricerca e la sostituzione delle parole, non immaginando che ciò avrebbe rivoluzionato i decenni successivi. Intuendo la complicazione di dover riscrivere ogni volta i comandi, di dover ricorrere a complicate combinazioni di tasti per eseguirli, ecco che Tesler inventò un modo più semplice per copiare porzioni di testo. Inoltre, fu lui stesso a proporre che fossero utilizzate le parole “copia” e “taglia” per copiare un testo – rimuovendolo – e “incolla” per il passaggio successivo, tramite cui il testo viene riprodotto altrove. La nuova funzione fu introdotta nei sistemi di videoscrittura realizzati al PARC a partire dal 1974, senza che i loro ideatori avessero una chiara idea della portata dell’invenzione.

Era nata la cultura del “cut & paste”, termine con cui si fa riferimento a quel lavoro di “sporcarsi le mani” e che porta a trafficare con pezzi di contenuti, a rimontarli, modificandoli e/o sostituendoli, in una rapidissima successione.

Sempre negli anni Settanta, partecipò alla realizzazione dello Xerox NoteTaker, uno dei primi computer portatili. All’epoca l’idea di andarsene in giro con un computer poteva apparire un pò bizzarra; comunque Tesler e colleghi cercarono di perseguirla con una certa ostinazione ma senza però avere fortuna. Xerox decise allora che fosse più saggio concentrarsi sullo Xerox Alto, accantonando così l’altro progetto.

 

 

 

 

 

 

 

Ma Larry Tesler è stato anche il primo a usare un computer portatile su un aeroplano e poi a dimostrare a Steve Jobs un sistema grafico fatto di simboli e icone che avrebbe cambiato radicalmente negli anni a venire il concetto di informatica.

Uno dei suoi incontri fondamentali è avvenuto nel 1979, quando Steve Jobs andò a visitare il Parc e rimase affascinato dai progetti di ricerca di Tesler, tanto che decise di riprenderli per i primi prodotti Apple.
“Siete seduti su una miniera d’oro! Non ci posso credere che Xerox non se ne sia avvantaggiata” – fu un suo commento lungimirante a seguito delle sue visite al Parc: una grossa lacuna dello Xerox Parc fu di non voler convertire queste tecnologie in qualche prodotto, passando dunque da ricerche di base a prodotti industriali.

 

Dopo la fine dell’esperienza lavorativa presso Xerox, nel 1980 Tesler aveva deciso di andare a lavorare proprio alla Apple di Steve Jobs, dove rivestì anche ruoli di prestigio (Steve Wozniak, all’epoca uno dei punti di riferimento per l’informatica a Palo Alto oltre che stretto collaboratore di Jobs). Apple frattanto aveva ripreso buona parte delle idee denotate al PARC per progettare i suoi primi computer, rendendo un successo commerciale le interfacce grafiche e il mouse. Negli anni seguenti Jobs avrebbe ammesso più volte, non senza ironia forse, di avere tratto grande ispirazione dal lavoro di Tesler e dei suoi colleghi.
Il comando introdotto venne incorporato nel software Apple sul computer Lisa: era il 1983 e, da lì a qualche anno, venne inserito sul primo Macintosh.

Larry Tesler, from Apple Computer, speaks at the annual PC Forum, Tucson, Arizona, 1990. (Photo by Ann E. Yow-Dyson/Getty Images)

Nell’azienda della mela è rimasto per ben 17 anni, fino al 1997. Proprio negli anni Novanta, Larry Tesler aveva collaborato allo sviluppo di Newton, una specie di palmare che può essere considerato l’antenato dei tablet che usiamo oggi. Per il nuovo prodotto furono pensate innovazioni di vario tipo, alcune delle quali però troppo ambiziose per poter essere facilmente realizzate con i componenti disponibili all’epoca. Newton non ottenne un particolare successo e, per stessa ammissione di Tesler, finì per sottrarre risorse importanti ad Apple che iniziava a registrare seri problemi a sostenersi economicamente.

Ancora, un chiodo fisso nella sua carriera è stato sostenere il concetto di disporre di interfacce facili da usare: una caratteristica per lui fondamentale quando si parla di usabilità di un sistema informatico. Non a caso utilizzava spesso l’espressione “What you see is what you get” (ciò che vedi è ciò che è, https://www.ilpost.it/2020/02/20/larry-tesler-inventore-copia-incolla-morto/). Oggi possiamo applicare questa filosofia – WYSIWYG – anche per le pagine web, ad esempio.

Sempre nell’ottica di semplificare la vita all’utente, altra fissazione era l’abolizione delle finestre modali.
Per tutta la vita avrebbe condotto una sorta di crociata personale contro i sistemi modali, come ad esempio le finestre che si aprono mentre si utilizza un programma e che necessitano di un’azione per poter tornare alla finestra su cui si stava lavorando. Addirittura, era così fissato sul “modeless” da avere la targa personalizzata della sua automobile che diceva “NO MODES”.

Tesler può essere considerato tra i pionieri dell’informatica moderna: come visto, partecipò all’ideazione di uno dei primi programmi con interfaccia grafica per scrivere testi ed ebbe il “privilegio” di illustrare a Steve Jobs l’usabilità di un sistema grafico di simboli e icone cosa che avrebbe cambiato per sempre l’informatica; fu il primo a usare un computer portatile su un aeroplano.

Nel 1997, Tesler lasciò Apple e fondò una piccola azienda di software specializzata nello sviluppo di sistemi per diffondere i linguaggi di programmazione nelle scuole. La società durò poco meno di dieci anni, ma nel frattempo Tesler aveva stretto un accordo con Amazon, dando un importante contributo nel miglioramento dell’interfaccia del sito per fare acquisti online.

Lasciata Amazon nel 2005, lavorò per qualche periodo in altre società della florida Silicon Valley, come quella del motore di ricerca Yahoo!.

Riflettendo sull’idea di rendere i computer più facili da usare in un momento storico in cui non si sapeva bene cosa farsene di un PC, una volta Tesler disse: “Ero nato per quella cosa ed è stata una fortuna essere al posto giusto nel momento giusto”.

Primati di AI: Chatbot e Assistenti Virtuali

(19 febbraio)

In principio fu il mobile. Un settore che rapidamente ci ha imposto e abituato, con la sua crescita esponenziale, ad avere tempi di risposta sempre più rapidi dagli elaboratori, in un mondo pervaso dalla smanìa del “tutto e subito”, ma anche ad un continuo rincorrersi di artifizi e tecniche che soddisfacessero i nostri bisogni/desideri. Ebbene, anche a ciò l’informatica più avanzata ha saputo rispondere con le applicazioni dell’AI.

In particolare, a queste esigenze vengono incontro i cosiddetti “chatbots“. Si tratta di software piuttosto che dispositivi in grado di interpretare comandi vocali e interagire con le persone, in funzione proprio dell’Intelligenza Artificiale. Ne esistono di due tipi: i “chatbot” e gli ‘assistenti vocali” (o ‘virtuali”).


Un Chatbot è un software programmato che simula una chat: vale a dire, permette di ricreare una sorta di ambiente virtuale – ad es. una chat appunto – in cui un utente può confrontarsi per ottenere delle risposte . Può essere pensato come un programma in grado di ricevere domande e rispondere secondo specifiche; è strutturato come una alberatura domande/risposte che vengono effettuate in successione al fine di arrivare a una risposta. L’Assistente Vocale è invece basato su algoritmi intelligenti, mediante i quali si ottiene la comprensione di concetti precisi. A differenza del primo, entra in relazione con l’utente perché comunica con un “linguaggio naturale“, cioè comprensibile alla macchina; è un chatbot dotato di intelligenza artificiale, capace di rispondere anche a domande non previste.

Due applicazioni software che vengono utilizzati in disparati campi di applicazione – dalla casa al settore sanitario, alle applicazioni sulle automobili, ecc. -, e conseguentemente gli sviluppi che hanno seguito.

“La diversa interazione che si stabilisce con questi due differenti Virtual Assistant determina un diverso approccio alle due tecnologie: il chatbot è un software che può simulare una conversazione strutturata, e trova particolare applicazione nel settore ‘Customer Care‘ sostituendosi all’operatore umano; l’Assistente Vocale come detto altrove è una applicazione risultato di intelligenza artificiale e machine learning in grado di elaborare comandi vocali, che si può definire essenzialmente come un ‘aiuto nella quotidianità‘.

Quella dei chatbot in senso stretto è perciò una soluzione ideale nel campo dell’assistenza clienti dove è sempre più importante la qualità e la velocità del servizio.
Al contrario gli Assistenti Vocali (o Assistenti Virtuali) sono destinati ad un uso in larga parte casalingo, e il successo è apprezzabile nell’uso dispendioso che ne stanno facendo i consumatori i quali ben hanno accolto l’adozione dei comandi vocali, arrivando finanche ad assumere le sembianze di un umano con cui dialogare e addirittura in grado di risolvere possibili problematiche con un approccio empatico !

Diversità oramai latente a ben vedere. Se in passato, il chatbot poteva eseguire solo compiti specifici come una modifica della password o fornire informazioni sul tempo, al contrario dell’assistente virtuale in grado di offrire un ventaglio più ampio di risposte ricorrenti, i progressi che si sono ottenuti con la NLP (Natural Language Processing) e l’apprendimento automatico, hanno accorciato la forbice esistente tra i due: così, ecco che anche il chatbot in senso stretto viene ad essere una applicazione a cui rivolgere domande e ottenere risposte secondo specifiche fornite. “In futuro potremmo forse arrivare a parlare di un unico Assistente Virtuale, capace di integrare al suo interno soluzioni diverse che consentano diversi tipi di interazione, capaci in questo modo di andare incontro alle esigenze e preferenze di un numero maggiore di consumatori.”

La natura stessa dei chatbot delimita le loro capacità. Ogni chatbot è in un certo senso ancorato ad una funzione limitata: sono adatti ad applicazioni singole come il supporto clienti, il customer engagement o gli acquisti automatizzati. Non possono variare il loro vocabolario o acquisire un linguaggio così vasto da poter servire qualsiasi altra funzione, oltre a quella per cui sono stati progettati.
Come visto, vengono tendenzialmente usati per il supporto clienti (di qualsiasi natura, dal meteo fino ai consigli per i film) o per gli acquisti automatizzati (ad esempio per i biglietti del treno). Ancora adesso hanno difficoltà a ricordare le informazioni chiave durante le conversazioni. Viceversa gli assistenti virtuali dimostrano che possono memorizzare ciò che gli si dice, conservando le informazioni per uso futuro, risparmiando all’utente il tempo e la noia di riscriverle ogni volta. Dovessi chiedere info su un ordine o delle informazioni riguardo a modifiche da apportare, non ti chiederebbe di inviarle nuovamente.

“E’ importante che i Virtual Assistant rispecchino i desideri degli utilizzatori finali che, pur sapendo di stare interagendo con una macchina, preferiscono che questa abbia caratteristiche tipicamente umane, come la pazienza e l’empatia.”
“Umanizzare il più possibile l’Assistente e la modalità di interazione è dunque fondamentale per far sì che l’uso di questi software sia sempre più naturale e coinvolgente per gli utenti, elemento fondamentale per una reale diffusione di questa soluzione.” [rif.: www.vidiemme.it]

L’Assistente Virtuale è un’interfaccia di comunicazione che si basa su un motore cognitivo il quale, comprendendo i concetti affrontati, permette di simulare una conversazione vera e propria, uscendo dagli schemi logici preimpostati di domanda/risposta tipici della Chatbot.

Quindi un assistente virtuale è molto diverso da un chatbot. Fin dall’inizio, la tecnologia degli assistenti virtuali ha permesso loro di essere utilizzati per applicazioni sofisticate come pure molto semplici, ad esempio svolgere compiti o fare ricerche e confrontare prodotti, oltre a molte abilità.
Importante è la loro capacità di comprendere il linguaggio naturale, che consente di ricevere comandi vocali complessi in varie lingue e dialetti. I ricercatori dell’Università di Stanford hanno pubblicato un recente articolo sul Natural Language Processing (NLP), spiegando come migliorerà notevolmente la comprensione dei dialetti regionali, dello slang o del modo naturale di parlare.

Quando si parla di Natural Language Processing intendiamo l’elaborazione automatica del linguaggio umano mediante l’analisi delle sue varie componenti (entità): traduzioni, sentiment analysis, generazione automatica di testi e chatbot sono alcune tra le problematiche più comuni nel campo.

Così, i chatbot si sono evoluti rispetto ai primordiali e possono svolgere più funzioni grazie alla loro capacità di comprendere il linguaggio. L’uso di alberi decisionali, ad esempio, rende molto più facile scoprire l’intento preciso che sta dietro le richieste degli utenti, ampliando ulteriormente la sua utilità per il cliente e dunque per l’azienda, che può leggere meglio le richieste della clientela e prendere decisioni per il miglioramento del prodotto o servizio.

Particolare notare come in corrispondenza della rapida diffusione dei social network si è assistito al passaggio dell’utente da semplice fruitore di notizie a “protagonista attivo” e costantemente operativo, sempre più coinvolto nella produzione di contenuti propri come nella modifica di esistenti e in attività relative ad acquisti e vendite di oggetti e servizi – siamo nei primi anni del XXI secolo -, unitamente all’informatizzazione dei processi aziendali.

In questo contesto, l’importanza dell’Intelligenza Artificiale passa per l’applicazione di nuovi approcci, che integrano l’elaborazione del linguaggio naturale con gli algoritmi di apprendimento profondo (deep learning), producendo risultati straordinari in differenti scenari applicativi.
Dal 2011, l’NLP fornisce soluzioni per analizzare la struttura sintattica del testo (es. nome, verbo, aggettivo), identificando entità e classificandole in categorie predefinite, ricostruendo la struttura sintattica e la semantica tramite il significato delle parole, anche relazionato al contesto e alle modalità di utilizzo (ad es. ironia, sarcasmo, sentimento, umore), classificandolo in categorie predefinite (ad es. sport, geografia, medicina) o sintetizzandone il contenuto. Differenti problemi di NLP sono stati affrontati mediante un algoritmo basato sul deep learning , mostrando prestazioni via via migliori rispetto ad altre modalità di approccio; tecniche di NLP basate su deep learning stanno trovando sempre più applicazione riguardo lo sviluppo di sistemi conversazionali in grado di emulare il dialogo umano, di rispondere a domande su diversi argomenti. [cit. www.agendadigitale.eu]

Nell'era dell'Internet of Things

(martedì 4 gennaio)

E’ di trent’anni fa la nascita di una nuova “dimensione” per l’informatica, il frutto di una stretta sinergia fra sviluppo di applicazioni, elaborazione e comunicazione fra apparati diversi – alla stregua di quanto avviene normalmente fra personal computer, tablet e smartphone -: l’era dell’Internet of Things (IoT o IoC), un settore che seppur agli albori tramite soluzioni mano a mano più specifiche sta interessando sempre più il nostro quotidiano e le nostre abitudini, aprendo così ad un campo di applicazioni che è molto vicino a noi.

Internet of Things estende a “dispositivi robotizzati” la capacità di raccogliere, elaborare e scambiare dati tra di loro azioni tipiche dei computer, permettendo di migliorare monitoraggio, controllo e automazione degli stessi.

L’Internet delle cose beneficia degli sviluppi nei campi dell’elettronica e della comunicazione wireless per abilitare le capacità digitali e di comunicazione di elettrodomestici, telecamere, termostati, sistemi di fabbrica, veicoli, dispositivi wearable, ausili e sanitari.

Anche se non ce ne accorgiamo, perlomeno per chi è al di fuori del settore, l’Intelligenza Artificiale (AI) – in combinazione con il machine learning – sta prendendo sempre più piede anche nella nostra quotidianità.

Così, accanto ad applicazioni sempre più specifiche e complesse, l’AI fra le diverse applicazioni è entrata pure fra le mura domestiche con gli Assistenti Vocali: piccole apparecchiature (‘apparecchiatura elettronica’ la definirebbe un non addetto ai lavori) in realtà dispositivi che, basandosi sui fondamenti dell’Intelligenza Artificiale e del machine learning, permettono alle persone di interagire semplicemente tramite la voce, impartendo comandi, facendo loro compiere specifiche operazioni (chiedere informazioni di vario genere – es. la temperatura di casa, che ora o che giorno è – come la riproduzione di musica).
I più comuni assistenti vocali sono Alexa, l’Assistente Google e Siri.

Tutto questo è possibile grazie all’intelligenza artificiale ed al machine learning mediante i quali progressivamente con la commistione con altri protocolli quali ad esempio le reti wireless si potrà contare su assistenti vocali sempre più precisi; progetto è ancora agli albori e non presumibilmente sbrigativo.

Verso il Web Semantico: il Knowledge Graph

(lunedì 4 febbraio)

Con l’avvento degli ultimi algoritmi supportati dai motori di ricerca (Hummingbird e RankBrain su tutti) la tendenza del settore è stata quella di fornire all’utente risultati sempre più specifici e attinenti alle query sottoposte (intento di ricerca). E questo sarà uno dei trend del settore nel 2019.

“Knowledge Graph”, questo sconosciuto

Lo scopo del Google Knowledge Graph (in Italiano “grafo”) fu fin dal principio quello di classificare le informazioni disponibili nel web secondo una serie di relazioni. Gran parte dei servizi tecnologici che utilizziamo poggiano su enormi grafi.

Tutto questo lo fa grazie alla ricerca semantica, mettendo in relazione la query effettuata dall’utente col suo intento di ricerca e le informazioni che potrebbero essere più interessanti.

Il primo cambiamento di Google è stato nell’adozione di un motore semantico che pertanto potesse essere in grado di rispondere alle nuove esigenze di ricerca: di qui il motore di ricerca assume un connotato di intelligenza artificiale.

Lo scopo del Google Knowledge Graph (in Italiano “grafo”) è da sempre quello di classificare le informazioni disponibili nel web secondo una serie di relazioni.

Con il supporto del Knowledge Graph Google è stato in grado di semplificare le ricerche affinando la ricerca semantica in senso stretto.

Come appare in una ricerca un Knowledge Graph

Schematicamente, il Knowledge Graph si presenta come una scheda informativa a destra nella SERP dove poter trovare informazioni su personaggi, luoghi famosi, città, opere d’arte, film, avvenimenti, eccetera (in funzione della query posta)… il tutto senza esplorarne i risultati.

Il pregio di questa soluzione è di ottenere ‘risultati migliori‘ incrociando informazioni provenienti da diverse fonti con altre da siti autorevoli individuati dal motore di ricerca.

Google Duplex


Recentemente, nel maggio del 2018, durante l’annuale conferenza di casa Google per gli sviluppatori, è stata presentata quella che passerà come una novità assoluta per il settore: “Google Duplex”, applicazione di machine learning deputata  a fare il lavoro.

Analizzando Google Duplex, si possono cogliere alcune peculiarità fondamentali: per la tonalità della voce, la capacità di interagire e di condurre la conversazione, Google Duplex sembra praticamente umano. Si comporta come un automa, cioè dietro al programma non c’è nessuno che suggerisce le risposte. L’assistente vocale è indipendente e risponde in maniera dinamica alle interrogazioni; non ha preregistrata nessuna serie di risposte da utilizzare bensì per ciò si basa sul “web visibile”. Potendo contare su un elevato numero di pagine web fornite dal motore di ricerca, di volta in volta è in grado di passare contenuti rilevanti in base a quella che è la ricerca.

In breve, Google Duplex è stato “allenato” ad utilizzare il linguaggio umano partendo da un elevato numero di conversazioni.

Il concetto di machine learning (in cui rientra come detto Google Duplex, che è strettamente correlato a quello di intelligenza artificiale, tecnologie valide che che si contraddistinguono per il fatto di riuscire a processare una mole enorme di dati in maniera velocemente.

Google Knowledge Graph, uno step oltre la parola chiave

16 Maggio 2012, Google annuncia per la prima volta ufficialmente il lancio di un enorme Knowledge Graph.

Prima ancora che Google nascesse, la ricerca era legata all’utilizzo di parole chiave: infatti, la parte di ricerca faceva uso di un semplice matching di parole chiave. Ma le parole chiave non sempre bastano.

Nel momento in cui sottopongo un termine cioé non è dato sapere con quale accezione (in che contesto) debba essere inteso ! ed è proprio qui che interviene la potenzialità del ‘knowledge graph’.

Cosa vuol dire “Knowledge Graph”

Knowledge Graph cambia le cose. Il “graph” sviluppato da Google, infatti, rende il motore di ricerca un elemento più vicino agli utenti e consente di ricevere risposte su cose, persone, luoghi, celebrità, squadre sportive, città, edifici, personaggi storici, opere d’arte. Tutto direttamente all’interno del motore di ricerca. Vengono annullate le ambiguità. Ora è in grado di riconoscere la differenza tra le diverse accezioni del termine e può proporre da subito le risposte alle possibili query.

Mentre maturava l’idea del “grafo”, un ulteriore passo in avanti lo si è fatto nel 2005 quando è stato introdotto il nuovo algoritmo RankBrain mediante cui a fronte di una ricerca è possibile ottenere i migliori risultati possibili, ciò utilizzando quella che viene definita “Intelligenza Artificiale”. Mediante questa, grossi volumi di info e dati vengono trasformati in entità matematiche (“vettori“) comprensibili all’elaboratore.

Web semantico e Reti Semantiche

(lunedì 28 gennaio)

Web Semantico e Reti Semantiche

La necessaria specializzazione degli algoritmi che è sotto gli occhi di tutti gli operatori di settore (e non conosce sosta !!) volta a a fornire risultati sempre più precisi e attinenti a quello che è l’intento di ricerca dell’utente ha determinato il passaggio al ‘Web Semantico’ mediante cui, oltre che ad una riorganizzazione. si realizza pure una revisione strutturale della pagina web.

Con il termine web semantico, termine coniato dal suo ideatore, Tim Berners-Lee, si intende ‘la trasformazione del World Wide Web verso un ambiente dove i diversi tipi di contenuti (dalle pagine HTML alle immagini) vengono semplificati e, tramite associazioni ad informazioni e dati (metadati), convertiti in un formato adatto ad essere compreso e interpretato da un motore di ricerca‘ (rif.: www.wikipedia.org).

In questo modo, saranno possibili ricerche più evolute delle precedenti, basate sulla presenza nel documento di parole chiave, e altre operazioni specialistiche come la costruzione di “reti di relazioni“.’

Per stare al passo con un mondo in cui il linguaggio è via via sempre più complesso (“termini neo-nati si accompagnano a vecchie parole le quali vengono tuttavia utilizzate per definire nuovi significati”), il World Wide Web ha trovato la sua “carta vincente” nel creare una associazione tra tutte le differenti informazioni, internet è stato in grado di rivoluzionare la possibilità di passare da un testo ad un altro grazie ai link, che permettono di cliccare su una parola per essere catapultati su altre pagine che ne possono spiegare il significato, dare informazioni.

Una Rete Semantica è una forma elementare di rappresentazione della conoscenza. Schematicamente, è un grafo formato da vertici, che rappresentano concetti, e archi, che rappresentano relazioni semantiche tra i diversi concetti‘ (rif.: www.wikipedia.org). Nate inizialmente come applicazione a supporto dei calcolatori per la traduzione “comprensibile” dei linguaggi naturali, dagli anni Sessanta le ‘Reti Semantiche’ hanno cominciato ad assumere rilevanza culminando nell’enunciato di un certo M. Ross Quillian.

In una definizione di fine anni Novanta, Tim Berners-Lee ammise come ‘i pionieri del web ricorderanno bene come fosse allora articolato effettuare ricerche, sulla meticolosità necessaria nello scegliere le keyword giuste e del pericolo che poi comunque i risultati non corrispondessero a quanto voluto’. ‘Nel web semantico, invece, a ogni documento – che sia un file, un’immagine, un testo – sono associate informazioni, metadati, che, fornendo un contesto semantico appunto, ne rendono più facile l’interrogazione e l’interpretazione automatica, da parte di un motore di ricerca.’


Il web semantico è un web a misura di utente


Ivano Di Biasi afferma che il web semantico è “un metodo per comunicare diversamente con il motore di ricerca, per dargli i dati già pronti ed evitargli di doverli capire da solo analizzando i testi. Un modo, ancora, per rendere più facile a Google acquisire informazioni rapidamente, dal momento che i contenuti aumentano a dismisura ogni giorno, e dare anche i risultati più rapidamente, avere le risposte esatte a ogni esigenza degli utenti“.

Il Web Semantico apre ad una nuova frontiera del web: Web 3.0. Si può pensare a un Web 3.0 dunque per indicare una serie di cambiamenti che di fatto assumono una rilevanza indiscutibile ed inedita se si pensa a come si intendeva il web in passato, a com’era concepito, per l’utente e le sue esigenze.

Intelligenza informatica e Web semantico

Nello specifico, nel mondo informatico, si parla di intelligenza semantica per indicare quelle tecnologie in grado di trasformare informazioni non strutturate, ad esempio i diversi contenuti di un sito web, in un insieme (database) di informazioni strutturate che può essere interpretato ed elaborato automaticamente… ciò è reso possibile dalla combinazione di analisi semantica e codici di mark-up. Dunque, esiste una analogia fra le cosiddette Reti Semantiche e Web Semantico.
Su di essa si basa il concetto di Web 3.0: il World Wide Web si trasforma in un ambiente dove i documenti pubblicati (pagine HTML, file, immagini e così via) diventano interpretabili, cioè vengono associati a informazioni e metadati che ne specificano il contesto semantico in un formato adatto all’interrogazione, all’interpretazione e, più in generale, all’elaborazione automatica.

Riferimenti e approfondimenti:

https://www.insidemarketing.it/web-semantico-caratteristiche/

http://www.x-manager.it/2097