Il Learning Machine Concept “sbanca” il Customer Challenge

Alzi la mano chi non ha mai provato a configurarsi una supercar, dando libero sfogo al frenetico bisogno di avere tutti gli optional possibili ed immaginabili.

04 nov 2015

Alzi la mano chi non ha mai provato a configurarsi una supercar, dando libero sfogo al frenetico bisogno di avere tutti gli optional possibili ed immaginabili, per poi dover tragicamente dover premere “Annulla” al momento di piazzare l’ordine?

 

Lo abbiamo fatto un po’ tutti.

 

 

Come un po’ tutti noi di Elfo abbiamo creato un configuratore per i prodotti venduti dai nostri clienti.

 

La sfida lanciataci per il Customer Challenge, però, punta molto più in alto: il vero punto di domanda, quello che come una scure ci ha colpito irrimediabilmente, è la parola “intelligente”. Concetto molto “forte”, in special modo se applicato all’informatica.

 

Come creare un configuratore prodotto “Intelligente”?

 

La risposta

 

In attesa che lo sviluppo tecnologico ci consenta di disporre di un mansueto droide per i nostri scopi, di un automa perfettamente funzionante dotato di cervello positronico o di supercomputer semi-coscienti ci siamo dovuti affidare ad una branca dell’intelligenza artificiale chiama apprendimento automatico (machine learning).

Per dirla in breve, l’apprendimento automatico si occupa di studiare e costruire algoritmi che possano imparare dai dati e fare previsioni sugli stessi. Questi algoritmi creano un modello partendo da input di esempio (training set) in modo da poter fare previsioni o decisioni basate sui dati, invece di seguire una rigida e classica logica programmata.

 

Ventiquattro ore… volano!

 

Dato lo scarsissimo tempo a disposizione abbiamo dovuto restringere un po’ il campo del problema: abbiamo supposto di avere a disposizione testi di messaggi email di clienti che desiderano un’offerta per un determinato prodotto e le relative opzioni, vogliamo usare l’apprendimento automatico perché sintetizzi questa mole di testo in informazioni utili, chiare, precise, che possano poi tramutarsi in un’offerta facile da calcolare. Abbiamo ignorato la parte di “digitalizzazione” di eventuali testi in PDF o Word (ci sono già software OCR ed estrattori di testo per quello) e la parte di creazione di un’offerta vera e propria a partire da dati “tabulati” (nella nostra azienda ne abbiamo già realizzati parecchi): la vera sfida stava nell’istruire un software perché riconoscesse le richieste del cliente, pur essendo disperse in un marasma di testo poco significativo.

 

Per fare questo abbiamo sfruttato AzureML, soluzione Microsoft sul cloud pensata per rendere più agevole la creazione di tool di data-mining e machine learning. Ci siamo divisi in due gruppi: uno faceva sperimentazioni con i dati e gli algoritmi di machine learning e l’altro si occupava della presentazione creando una soluzione web con cui poter proporre una minima demo l’indomani. E fu sera (“non va niente”) e fu mattina (“uè, questa l’ha indovinata!”)….

 

And the winner is….

 

Tarda mattinata, è tempo degli ultimi ritocchi per creare un po’ di “effetto-WOW” (grafica e fantastici effetti sonori).

 

Nonostante ciò ci siamo messi in gioco, abbiamo presentato bene il nostro lavoro (ci siamo quasi scordati gli effetti sonori, sigh) ed abbiamo pure vinto!

 

La consapevolezza è quella di avere soltanto scalfito un mondo, quello dell’apprendimento automatico, di enormi dimensioni e ricco di complessità ma anche di potenzialità a noi ancora sconosciute.

 

Team Fervari riscuote il premio del customer Challenge (ovvero la cena); da sx: Aldi Zeneli, Mirko Perini, Vittorio Sozzi, Marco Sebastiani, Mirko Bersani, Massimo Rocca, Paolo Tacchinardi

 

Team Fervari riscuote il premio del customer Challenge (ovvero la cena); da sx: Aldi Zeneli, Mirko Perini, Vittorio Sozzi, Marco Sebastiani, Mirko Bersani, Massimo Rocca, Paolo Tacchinardi