G
IUSEPPEC
APPIELLO*L
UCAC
ASINIG
IOVANNID
ELNEVOM
ARCOR
OCCETTI**Obiettivi. Le innovazioni, siano esse di tipo strettamente tecnologico ma anche organizzativo o sociale, hanno
sempre impensierito i contemporanei a motivo delle ricadute in termini, ad esempio, di mutamento della situazione occupazionale, di possibili esternalità negative legate all’ambiente, di variazioni nella composizione sociale o soltanto per i costi connessi al cambiamento necessario per non perdere posizioni acquisite. È stato così per la prima rivoluzione industriale quando l’impiego della macchina a vapore nelle grandi fabbriche forzava a spostarsi dalle campagne ai centri urbani, imponeva pesanti turni di lavoro anche per ragazzi molto giovani e inquinava l’aria delle grandi città industrializzate; ed è così ora per il rapido e pervasivo affermarsi di modelli di intelligenza cosiddetta artificiale, aumentata o sintetica che minaccia la sostituzione di molti posti di lavoro e sicuramente modificherà molte abitudini.
Probabilmente è prematuro stilare già un bilancio scientificamente fondato sotto il profilo occupazionale, della riorganizzazione dei processi aziendali o del rapporto tra costi e benefici per l’utilizzo di algoritmi e macchine che apprendono, decidono ed agiscono autonomamente, anche perché alcuni effetti si manifestano solo a distanza di tempo ed in ambiti confinanti con quelli in cui si introducono innovazioni di questo tipo.
In questo lavoro, più semplicemente, si presentano le prime evidenze e si cercherà di riflettere a margine di un esperimento in cui in cui l’applicazione di un modello di intelligenza artificiale in una determinata fase del processo di fornitura di un servizio fornisce all’impresa osservata un contributo molto rilevante in termini conoscitivi.
L’eventuale utilizzo dei risultati dell’esperimento per una ridefinizione del processo del servizio porterà in seguito a comprendere come può cambiare il processo stesso, la composizione del personale impiegato ed i miglioramenti sul valore del servizio offerto.
L’occasione tuttavia è significativa fin da subito per alcune considerazioni di fondo riguardo ai metodi utilizzati per analizzare grandi quantità di dati.
Metodologia. Come anticipato, la riflessione segue un esperimento in corso presso una grande impresa di
servizi1. Oggetto dell’esperimento è il miglioramento dei processi relativi alla misura e quindi alla contabilizzazione del servizio erogato dall’impresa. In altre parole, si intende testare un modello di intelligenza artificiale in grado di prevedere in anticipo un eventuale malfunzionamento dello strumento di misura (il contatore) al fine di evitare perdite in termini di ricavi o disservizi nei confronti del cliente che potrebbe essere contattato inutilmente a distanza di tempo per una errata fatturazione.
Al momento l’impresa procede ad una ciclica sostituzione per lotti dei contatori in uso in base ad una programmazione definita ex ante ed interviene in maniera mirata quando il misuratore non segnala la fornitura del servizio per un determinato periodo. Ad evidenza il problema potrebbe non risiedere nello strumento di misura ma effettivamente potrebbe non esserci stato consumo da registrare, oppure potrebbero esserci anche altre cause dovute ad errori umani, ad esempio nella lettura dei consumi. In ogni caso l’intervento da parte dell’impresa fornitrice comporta dei costi sia sul versante del personale che deve essere impiegato per la verifica sia nella relazione con il cliente che viene disturbato, oltre ovviamente alla sostituzione del misuratore.
Dopo aver definito gli obiettivi e scelto la tecnica da utilizzare tra le metodologie attualmente disponibili è iniziato il lavoro sui dati. La base di partenza era composta da quasi 15 milioni di letture relative a circa 1 milione di clienti ed è stata sottoposta innanzitutto ad una fase di filtraggio da impurità, finalizzata a validare una semantica.
*
Ricercatore di Economia e Gestione delle imprese - Università di Bologna e-mail: [email protected]
Dottorando in Data Science and Computation - Università di Bologna e-mail: [email protected]
Dottorando in Data Science and Computation - Università di Bologna e-mail: [email protected]
**
Ordinario di Informatica - Università di Bologna e-mail: [email protected]
1
Per il momento, in attesa di una verifica sia dei risultati che del metodo utilizzato, si ritiene opportuno non fornire ulteriori informazioni sull’impresa.
GIUSEPPE CAPPIELLO -LUCA CASINI -GIOVANNI DELNEVO -MARCO ROCCETTI
L’addestramento della rete neurale richiede infatti che i dati vengano riconosciuti per un comune significato. Il numero delle misurazioni si è così ridotto a 2 milioni.
Le prestazioni dei modelli statistici di natura più tradizionale sono state comparate con le prestazioni ottenibili invece con un modello di Artificial Intelligence (AI) più sofisticato, e di recente ingegnerizzazione da parte del gruppo di lavoro, basato su una Recurrent Neural Network (RNN). Tale rete, costituita da 657 neuroni disposti su 10 diversi livelli in virtù delle sue aumentate capacità, è in grado di effettuare analisi su serie temporali più ampie e di lunghezza variabile. Specificatamente, in relazione al caso in esame, ciò ha richiesto dal punto di vista implementativo la ri-articolazione dei dati presenti nel dataset in un formato più strutturato, idoneo a presentare, in fase di training, le letture raggruppate per singolo misuratore. A tale modello, basato su RNN, sono state somministrate informazioni corrispondenti a circa 15.000 misuratori sostituiti (guasti) a cui, per motivi di bilanciamento inerenti alle tecniche di addestramento delle RNN, sono stati aggiunti altrettanti misuratori non sostituiti (50.000).
Risultati e discussione. Le prime evidenze mostrano che i risultati raggiunti da una macchina addestrata a
prevedere dei malfunzionamenti nell’erogazione del servizio sono superiori a quelli basati su modelli statistici tradizionali ed alle attuali prestazioni dell’impresa; si potrebbe fin qui concludere che si tratta di una ottimizzazione del ciclo produttivo come tante vengono costantemente messe in campo dalle imprese man mano che aumenta la capacità di calcolo e la ricerca scientifica invece, dal punto di vista della comprensione dei possibili effetti dell’introduzione in azienda di modelli di intelligenza artificiale, l’analisi indica qualcosa di più interessante e cioè che i risultati sarebbero stati inferiori senza la collaborazione dell’intelligenza umana. In molti casi la macchina viene addestrata ad eseguire delle classificazioni (contatore funzionante/contatore non funzionate, e così via) quindi è essenziale la scelta e la qualità delle informazioni che vengono fornite alla macchina per imparare.
Dal caso in esame emerge inoltre la rilevanza della semantica dei dati perché è più importante andare a cercare i dati più utili piuttosto che una grande quantità di dati. La scelta dei dati da utilizzare operata dal ricercatore, infatti, ha condotto ad una capacità molto maggiore di prevedere i malfunzionamenti e le sostituzioni con una accuratezza che arriva anche all’86-89% ed ha evitato errori di apprendimento da parte della macchina (Casini et al, 2019, Roccetti al al, 2019).
Da ultimo è necessario accordarsi su cosa si intente per ottimizzazione; la macchina addestrata ad individuare i contatori che più probabilmente presenteranno malfunzionamenti restituisce un risultato per certi versi ridondante rispetto a quanto l’azienda sa già. Molto più prezioso è concentrarsi su quella parte dei contatori su cui il comportamento è dubbio.
Le tecnologie che si stanno diffondendo in maniera pervasiva generano cambiamenti in ogni ambito sociale. Già sul finire degli anni Settanta si registrano i primi segnali che indicano che il modello manageriale che aveva guidato il primo sviluppo dovuto all’introduzione della macchina a vapore era diventato insufficiente a reggere le sfide emergenti. Il fordismo, espressione sintetica con la quale si descrive l’applicazione dei principi organizzativi della direzione scientifica del lavoro messi a punto da Frederick Taylor, stava rallentando la sua spinta propulsiva a causa di una crescente complessità. La fabbrica di Henry Ford infatti era stata impostata in condizioni di maggiore stabilità dell’ambiente competitivo e quindi sulla possibilità di programmare in dettaglio ed in anticipo le attività in modo da ridurre gli imprevisti ed i costi.
In breve tempo il consumatore sempre più esigente e diversificato ha iniziato chiedere prodotti e servizi più personalizzati in alternativa alle soluzioni standard disponibili sul mercato2.
Come reazione le imprese hanno puntato sulla disponibilità di risorse distintive (Barney, 1991) e tra queste è via via emersa l’importanza della conoscenza. Si spiegano così anche gli ingenti investimenti volti all’attrazione dei talenti, quelli finalizzati all’aggiornamento delle attività formative e soprattutto alle attività di ricerca e sviluppo.
Poi sono arrivate le tecnologie digitali, sono state abbattute frontiere fisiche, amministrative ed ideologiche ed i mercati sono diventati globali.
Ora siamo di fronte ad un nuovo balzo in avanti.
L’innovazione tecnologica, la strategia delle imprese e la reazione dei vari livelli di governo hanno spinto a rivedere i modelli di business, le alleanze e attrezzarsi per acquisire sempre conoscenza nuova.
Probabilmente per la prima volta nella storia recente, il cambiamento non è stato progettato perché non è il frutto di una innovazione specifica (la macchina a vapore, l’elettricità, l’elettronica) ma è frutto della convergenza di tecnologie già in uso.
Sensori diffusi, grande capacità di calcolo, telecomunicazioni a banda larga, cloud computing sono traiettorie tecnologiche note ma i loro utilizzo contestuale ha portato alla “nuova rivoluzione delle macchine” (Brynjolfsson & McAfee 2015).
Sicuramente le dinamiche politiche hanno esercitato una influenza nel processo di globalizzazione ma questo non sarebbe stato possibile, almeno nelle forme in cui si è sviluppato, senza le innovazioni nell’ambito della comunicazione e dell’informazione.
2
È nota l’espressione di Henry Ford secondo cui i clienti potevano acquistare l’automobile che volevano purché fosse nera e modello T. In pratica le variazioni erano pressoché annullate ed il processo produttivo piuttosto rigido.
HUMAN MATTERS: UNA APPLICAZIONE DI MACHINE LEARNING ALLA FORNITURA DI SERVIZI
Queste tecnologie (ICT) non sono recenti ed erano già disponibili da tempo ma hanno sprigionato tutto il loro potenziale quando le imprese hanno investito massicciamente per migliorale e per utilizzarle in tutte le fasi del ciclo produttivo e della distribuzione al cliente.
Per certi aspetti la parola chiave di questa epoca è la parola interconnessione, collegamento tra luoghi, persone e persino oggetti lontani. Le ICT in questo senso si sono affermate come tecnologie abilitanti (KET– Key Enabling Tecnhnologies) cioè in grado rivitalizzare i tessuti produttivi e attivare processi innovativi a livello sistemico così come le biotecnologie, la fotonica, i materiali avanzati, la microelettronica, la nanoelettronica, e i sistemi di fabbricazione avanzati1.
Per questi motivi la “rivoluzione” che affiora ha almeno tre caratteristiche: è esponenziale, digitale e ricombinante (Brynjolfsson e McAfee, 2015).
Nel 1965 Gordon Moore, a quel tempo a capo della Ricerca e Sviluppo della Fairchild Semiconductors ed in seguito fondatore di Intel, previde che negli hanno successivi la quantità di componenti presente in un semiconduttore sarebbe raddoppiata ogni anno. x-2x-4x-8x-16x e così via con uno sviluppo esponenziale, appunto.
Non è il luogo per una descrizione sulle spiegazioni tecniche o su alcune eccezioni che si potrebbero opporre alla “Legge di Moore” ma le ripercussioni sullo sviluppo dei nuovi prodotti e sulla riduzione dei tempi di introduzione di soluzioni sempre più economiche sono sotto gli occhi di tutti.
Digitale: la codificazione delle informazioni non significa solamente ridurre i costi di produzione e soprattutto di riproduzione ma anche modificare il modello di business e l’assetto proprietario. Come noto, ad esempio, il costo maggiore di un prodotto editoriale (libro, audio, video) è la realizzazione della prima copia ed ogni riproduzione avviene a costo marginale vicina allo zero. Tuttavia questa non è la questione più ricca di conseguenze poiché il digitale consente l’interazione tra i vari utenti e la creazione da parte dell’utente di una parte del valore. Le mappe stradali digitali hanno archiviato quelle cartacee e facilitato il raggiungimento di una destinazione; le mappe digitali vengono utilizzate anche a livello industriale unitamente a sofisticati programmi che ottimizzano i percorsi ma il vero potenziale lo manifestano quando i percorsi suggeriti si modificano in base alle condizioni del traffico, informazioni che si ricevono automaticamente da altri utenti connessi. È quindi un modello di business che si basa sulla co-creazione di valore.
Infine la rivoluzione attuale è ricombinante e cioè ricompone continuamente nuove forme utilizzando gli stessi “mattoncini”, un po’ come succede con le solite sette note musicali che generano brani sempre nuovi.
L’espressione più diffusa è che siamo di fronte ad un cambio di paradigma.
Per usare una metafora marinaresca è come se utilizzare materiali più sofisticati o potenziare il motore della barca, o le vele, non fosse più sufficiente per aumentarne la velocità; occorre cambiare paradigma, come si usa dire, e ridurre l’attrito, planare sull’acqua. Un po’ quello che si è visto nelle ultime regate della Coppa America.
Sono almeno due le direttrici lungo le quali si può cercare di interpretare il cambiamento in atto:
Innanzitutto, le tecnologie che si sono affermate, e di cui si è sinteticamente detto, hanno aumentato in maniera importante la componente di servizio rispetto alla produzione manifatturiera (Buera e Kabosky, 2012). Ciò ha comportato una reinterpretazione della dinamica di creazione del valore pertanto il cliente, e più in generale i vari stakeholder, sono diversamente coinvolti nel processo di creazione del valore (Rust, Huang, 2017).
La seconda direttrice è quella di un riallineamento nel rapporto tra l’uomo e la macchina (Rullani, Rullani, 2018), o quantomeno una concezione della relazione che non è la stessa rispetto a quanto si è assistito dalla prima rivoluzione industriale in poi.
I risultati dell’esperimento presentato si posizionano soprattutto lungo la seconda direttrice. Come anticipato il modello basato sulle reti neurali non avrebbe ottenuto i risultati raggiunti senza una costante correzione del programmatore.
Limiti della ricerca. I risultati che qui si presentano hanno superato una prima conferma con un data set diverso
da quello iniziale ma ora sarà interessante ripetere l’esperimento con dati più vecchi e vedere se è effettivamente accaduto ciò che sarebbe stato prevedibile a suo tempo con questi modelli più “intelligenti”; a questo stadio, pertanto, è possibile solo prendere atto delle prime interessanti evidenze e sollecitare l’approfondimento sia su un livello metodologico sia sulle ricadute aziendali che si potrebbero verificare nel caso si confermassero i risultati.
Implicazioni pratiche. Già da qualche anno si cerca di ipotizzare le conseguenze dell’adozione di sistemi di
intelligenza artificiale sulla numerosità e sulla composizione della forza lavoro. Pare esserci un certo consenso intorno all’idea che si verificherà una polarizzazione intorno alle figure più manuali e sulle più creative3.
Se i risultati di questo esperimento troveranno conferma l’impresa potrebbe decidere di modificare le procedure di misurazione dei consumi e sostituzione dei misuratori che presumibilmente manifesteranno dei malfunzionamenti e quindi adottare questa innovazione ai fini di ridurre le perdite anticipando il problema oppure potrebbe modificare le procedure di contabilizzazione basandosi sul fatto che, a quanto pare dei primi risultati, sono necessarie meno
3
Cft. Ford M. (2017) Il futuro senza lavoro. Accelerazione tecnologica e macchine intelligenti. Come prepararsi alla rivoluzione economica in arrivo, Il Saggiatore; Mangone A., Mazali T. (a cura di, 2016), Industria 4.0, Uomini e macchine nella fabbrica digitale, Guerini Associati; Bianchi P. (2018) 4.0 La quarta rivoluzione industriale, Il Mulino.
GIUSEPPE CAPPIELLO -LUCA CASINI -GIOVANNI DELNEVO -MARCO ROCCETTI
misurazioni del consumo. L’impresa potrebbe anche decidere di condividere maggiormente con il cliente i dati sui consumi andando così ad offrire un servizio aggiuntivo.
Originalità del lavoro. Le ricerche sulle applicazioni dei modelli di intelligenza artificiale iniziano a trovare
spazio anche nelle discipline aziendali e non solo in quelle informatiche; questo lavoro intende descrivere gli effetti dell’applicazione e soprattutto contribuire a quella visione che ritiene che l’intelligenza umana continuerà a svolgere un ruolo essenziale soprattutto con riferimento all’interpretazione dei fenomeni e alla consonanza e risonanza tra sistemi (Golinelli, 2002).
Parole chiave: service management; intelligenza artificiale; co-creation
Bibliografia
BARNEY J.B. (1991), “Firm Resources and Sustained Competitive Advantage”, Journal of Management, vol. 17, n. 1, pp. 99-120. BRYNJOLFSSON E., MCAFEE A. (2015) La nuova rivoluzione delle macchine, Feltrinelli, Milano.
BUERA F.J., KABOSKY J.P. (2012), “The rise of service economy”, American Econmic Review, vol. 102, n. 6, pp. 2540-2569. GOLINELLI G.M. (2002), Approccio sistemico al governo dell’impresa, Cedam, Padova.
CASINI L., DELNEVO, G., ROCCETTI, M., ZAGNI, N., CAPPIELLO, G. (2019). Deep Water: Predicting water meter failures through a Human-Machine Intelligence collaboration. In Human Interaction and Emerging Technologies, Springer Nature, DOI: 10.1007/978-3-030-25629-6_107
ROCCETTI M., ZAGNI N., DELNEVO G., CASINI L. CAPPIELLO G. (2019). A Paradox in ML Design: Less data for a smarter water metering cognification experience. In Proceedings of GOODTECHS’19. ACM
RULLANI F., RULLANI E. (2018), Dentro la rivoluzione digitale, Giappichelli, Torino.
RUST R., HUANG M. (2017), “The Service Revolution and the Trasformation of Marketing Science”, Marketing Science, vol. 33, n. 2, pp. 206-221.
Sinergie-SIMA 2019 Conference Referred Electronic Conference Proceeding Management and sustainability: Creating shared value in the digital era ISBN 97888943937-1-2 20-21 June 2019 – Sapienza University, Rome (Italy) DOI 10.7433/SRECP.EA.2019.56