In questo articolo, esploreremo quindi come le nostre soluzioni basate sull’AI stiano rivoluzionando le previsioni meteorologiche, offrendo alle aziende o ai comuni strumenti potenti per prendere decisioni più informate, ottimizzare le risorse e mitigare i rischi legati agli eventi atmosferici.

Il contesto calabrese

L’aumento della frequenza e dell’intensità degli eventi meteorologici estremi, come alluvioni e frane, ha reso essenziale l’uso di soluzioni ai per le previsioni metereologiche in grado di monitorare e la offrire una previsione delle precipitazioni. Questi fenomeni non solo minacciano la vita umana, ma hanno anche un impatto devastante sull’infrastruttura, sull’agricoltura e sull’economia. Un esempio tragico di tale impatto si è verificato il 20 agosto 2018, quando una forte pioggia causò il cedimento di una diga, travolgendo un gruppo di escursionisti che stavano attraversando le Gole del Raganello, in provincia di Cosenza, Calabria. Questo incidente ha evidenziato l’urgenza di sistemi di previsione più precisi e tempestivi per prevenire tragedie simili e disastri ambientali.

La Calabria, con la sua particolare orografia e la presenza di bacini idrografici piccoli e vulnerabili, è una regione particolarmente esposta a eventi estremi come frane e alluvioni improvvise. Per affrontare queste sfide, è fondamentale sviluppare strumenti più sofisticati per il monitoraggio delle precipitazioni, considerando le limitazioni delle tecnologie esistenti. Sebbene i pluviometri, i radar meteorologici e i satelliti geostazionari forniscano dati utili, presentano difficoltà legate alla precisione e affidabilità. Ad esempio, i radar possono stimare l’intensità delle precipitazioni in tempo reale, ma la loro efficacia è ridotta dalla presenza di ostacoli fisici e dalla variabilità atmosferica. Inoltre, i pluviometri offrono misurazioni puntuali che potrebbero non riflettere la distribuzione spaziale delle precipitazioni su vaste aree.

In questo scenario, l’intelligenza artificiale si sta affermando come una soluzione innovativa per potenziare la precisione delle previsioni meteorologiche. Grazie all’uso di algoritmi sofisticati in grado di analizzare ampi volumi di dati provenienti da diverse fonti, è possibile ottenere previsioni più precise e affidabili.

ADELE4RAIN: ecco come funziona l’ai per le previsioni metereologiche

Il progetto ADELE4RAIN (A DEep LEarning-based framework for RAINfall estimation and forecasting) come soluzione ai per le previsioni metereologiche, mira a realizzare una piattaforma integrata e completa per il monitoraggio e la previsione delle precipitazioni, combinando moduli che sfruttano tecnologie avanzate. 

Un caso studio in Calabria, con la sua variabilità climatica e vulnerabilità alle alluvioni, offre l’opportunità di testare e ottimizzare questo sistema innovativo, contribuendo così a una gestione più efficace del rischio idrogeologico nella regione.

Il framework che è stato deciso di adottare e proposto in [Guarascio et al., 2020], è il seguente:

È composto da tre macro-componenti, illustrate in Figura 1, che mostra l’intero flusso di lavoro, evidenziando i risultati intermedi ottenuti da ciascun componente.

Il macro-modulo Information Retrieval è dedicato all’estrazione e all’integrazione di differenti tipi di informazioni. Nello specifico le principali fonti di dati utilizzate includono:

• Reti di Stazioni Meteorologiche: misurano direttamente la quantità di pioggia attraverso pluviometri (rain gauges), che registrano l’acqua che cade in un’area definita durante un determinato periodo di tempo.
• Sistemi di Radar Meteorologico: utilizzando onde radio per rilevare le particelle d’acqua sospese nell’atmosfera, il radar consente di ottenere una visione dinamica e ad alta risoluzione spaziale delle piogge in corso, superando le limitazioni della rete di stazioni di superficie.

I dati pluviometrici sono stati recuperati tramite la piattaforma AllertaCAL, sviluppata dal Centro Funzionale Meteorologico, Idrografico e Mareografico della Regione Calabria. AllertaCAL raccoglie ed espone pubblicamente i dati di circa 260 stazioni meteorologiche sparse per il territorio regionale. Le stazioni sono fornite di sensori quali pluviometri, termometri, idrometri, barometri, igrometri, ecc. I dati raccolti vengono resi disponibili sia in forma aggregata che puntuale. Il sistema informativo mette a disposizione servizi REST che consentono l’accesso ai dati raccolti, nonché alla lista delle stazioni meteorologiche e dei sensori presenti in ciascuna di esse

Nell’ambito dei dati radar è stata utilizzata la piattaforma Radar-DPC del Dipartimento di Protezione Civile (DPC) della Presidenza del Consiglio dei Ministri. La Piattaforma adotta approccio molto flessibile ed è stata disegnata per poter gestire, anche in maniera incrementale, prodotti geo-riferiti di diversa natura e diversa semantica. La piattaforma Radar-DPC integra uno stack di servizi REST (Representational State Transfer), utilizzati sia dal back-end degli applicativi sia come API (Application Programming Interface) per il download dei dati radar. Questi servizi permettono anche l’interazione con applicazioni di terze parti, facilitando l’accesso e l’elaborazione delle informazioni fornite. Tutti i servizi sono raggiungibili da questo URL.

Il componente di acquisizione dati è stato realizzato tramite la piattaforma PlugAIn, sviluppata da Revelis. 

Il modulo Data Analytics include i seguenti tre moduli: 

• Data Preprocessing;
• Data Sampling;
• Model Building.  

Il modulo Data Preprocessing offre metodi di pulizia per gestire problematiche nei dati, come valori mancanti, outlier e rumore, con diverse strategie per ciascuna di esse.

Il framework include un modulo Sampler che affronta lo sbilanciamento tra le classi mediante under-sampling, creando un dataset preprocessato per il modulo REM (Rainfall Estimation Model) Builder. Questo modulo utilizza algoritmi di machine learning, deep learning e deep ensemble learning per sviluppare modelli in grado di identificare schemi complessi nei dati delle precipitazioni. In particolare, è stato proposto un classificatore ensemble ibrido probabilistico (HPEC), basato su Random Forest e Stacking, insieme a modelli di deep learning come reti neurali feed-forward e un approccio deep ensemble learning per ottimizzare le previsioni.

La combinazione del modulo di estrazione e integrazione dei dati con i metodi di stima assicura un funzionamento fluido e ben coordinato del framework, creando le condizioni per i successivi processi di valutazione e validazione. In queste fasi, i risultati ottenuti sono cruciali per perfezionare la soluzione, ottimizzare le sue performance e prepararla per l’applicazione nel mondo reale.

ADELE4RAIN: gli obiettivi

Dopo aver esplorato i dettagli tecnici riguardanti la progettazione della piattaforma e le metodologie utilizzate per integrare dati provenienti da fonti eterogenee, è evidente che questa soluzione rappresenta un avanzamento significativo nel monitoraggio e nella previsione delle precipitazioni. La combinazione di algoritmi avanzati di machine learning e deep learning, l’elaborazione dei dati in tempo reale e l’uso di tecnologie innovative permette di ottenere previsioni sempre più precise e tempestive. 

Tuttavia, i benefici di tale piattaforma vanno ben oltre l’aspetto tecnico, con un impatto diretto sulla: 

• gestione dei fenomeni meteorologici estremi;
• protezione delle risorse naturali;
• miglioramento della resilienza delle comunità;
• prevenzione dei disastri ambientali. 

A questo punto, è utile riflettere sui potenziali impatti e sugli sviluppi futuri che questa piattaforma potrebbe abilitare. Fornendo previsioni accurate e tempestive, il progetto vuole consentire ai responsabili delle infrastrutture e ai decisori di adottare misure proattive per:

• proteggere i beni infrastrutturali;
• ridurre le vulnerabilità;
• migliorare la resilienza ai rischi legati al clima. 

Il progetto mira a migliorare la gestione agricola ottimizzando l’uso delle risorse. Fornendo agli agricoltori informazioni precise sui modelli e le tendenze delle precipitazioni, si intende migliorare la programmazione dell’irrigazione, la gestione delle coltivazioni e le strategie per le risorse idriche, aumentando la produttività e promuovendo pratiche agricole sostenibili.

Il progetto ha l’obiettivo di potenziare i sistemi di allerta precoce, i piani di evacuazione e gli interventi di emergenza, con l’intento di ridurre i rischi per le persone, le proprietà e l’economia durante eventi climatici estremi.

Conclusioni

In conclusione, la creazione di una piattaforma avanzata per stimare e prevedere le piogge è fondamentale per affrontare le sfide derivanti dai cambiamenti climatici e dagli eventi meteorologici estremi per la prevenzione dei disastri ambientali. Guardando al futuro, l’adozione di soluzioni come questa, risulta quindi essenziale per costruire una società più resiliente e pronta a fronteggiare le sfide legate al clima, promuovendo un adattamento sostenibile e proattivo alle condizioni meteorologiche in continua evoluzione.

Autore Emanuela Tarantino

L'articolo AI per le previsioni meteorologiche: il progetto ADELE4RAIN proviene da Revelis.

La soluzione di Regtech di Revelis usa un approccio al monitoraggio dei rischi operativi che combina:

• una metodologia standard per l’analisi dei dati;
• una piattaforma tecnologica che integra una serie di funzionalità che rientrano nei trend di innovazione tecnologica descritti nell’articolo su citato.

Metodologia di analisi: CRISP-DM

L’erogazione dei servizi di analisi dei dati e di addestramento dei modelli di Machine Learning avverrà secondo la metodologia Cross-Industry Standard Process for Data Mining; si tratta di un metodo standard per l’esecuzione interattiva ed iterativa di processi di data mining e analysis caratterizzato da 3 fasi e 6 attività come illustrato nella figura seguente. 

Fase 1

La fase di valutazione preliminare delle esigenze ha l’obiettivo di affiancare il cliente nella stima, valutazione e progettazione della soluzione di analisi dei dati. Nell’ambito di questa fase rientrano le seguenti attività:

• Business Understanding. È finalizzata all’analisi degli obiettivi applicativi da parte del cliente, sulla base dei seguenti task: (i) analisi dello scenario “as-is; (ii) definizione dei risultati attesi, definiti dai decision maker del cliente; (iii) definizione dei criteri utilizzati per determinare l’esito del processo di analisi dei dati;
• Data Understanding. È finalizzata alla comprensione dei dati ed è fondamentale per evitare problemi imprevisti durante la fase di Data Preparation. Nell’ambito di questa attività sono eseguiti i seguenti task: (i) individuazione delle sorgenti interne/esterne; (ii) individuazione delle entità e degli attributi significativi per l’analisi; (iii) analisi descrittiva dei dati messi a disposizione, tramite valutazione di funzioni statistiche di base e/o l’utilizzo di grafici ed aggregazioni; (iv) valutazione della qualità dei dati, individuando eventuali problemi collegati ad errori di formato e/o di rappresentazione delle informazioni.

Fase 2

La fase 2 prevede l’attività di “Data Acquisition and Preparation” ed è funzionale alla connessione alle sorgenti informative individuate nella fase 1, nonché alla preparazione e cleaning dei dati acquisiti. In questa fase sono eseguiti i seguenti task:

• Filtraggio dei dati. Questo task ha l’obiettivo di selezionare i dati pertinenti al raggiungimento degli obiettivi del cliente. A tal fine si procede al “filtraggio” dei dati e degli attributi tramite tecniche di campionamento e/o rimozione dei dati “sporchi”;
• Cleaning. Nell’ambito di questo task sono applicate tecniche statistiche per ricostruire i dati mancanti, gestire gli errori sui dati, sistemare gli errori di misurazione, gestire i dati sparsi; 
• Creazione di dati sintetici. Spesso i dati grezzi non sono sufficienti per effettuare in maniera efficace l’analisi prefissata. In questi casi si può procedere alla creazione di nuovi dati “verosimili” a partire da quelli esistenti, tramite tecniche per derivazione la di attributi o per la generazione di record;
• Integrazione dei dati. I dati provenienti da sorgenti diverse e che sono riferiti alle medesime entità possono essere integrati per “merge” (ovvero arricchimento dell’entità tramite un maggior numero di attributi) o “unione” (arricchimento del numero di entità disponibili).

Fase 3

La Fase 3 prevede due distinti macro-step di processo:

• Formulazione e implementazione del modello di analisi. Tale fase ha l’obiettivo di definire (tramite tecniche statistiche induttive) e valutare (tramite metriche standard) uno o più modelli di data mining, e prevede le seguenti attività:

1. Sviluppo di connettori. I connettori sono interfacce software che permettono l’import dai sistemi esterni dei dati da sottoporre agli algoritmi di Data-Mining o l’export dei risultati verso sistemi/piattaforme esterne.
2. Modeling. Consiste nell’applicazione di algoritmi ad un opportuno subset dei dati disponibili detto training set. I dati del training set verranno sottoposti ad opportune attività di preprocessing per consentire l’elaborazione da parte degli algoritmi statistici. Il risultato è un modello di supporto alle decisioni, che può essere finalizzato a scopi di: Classificazione; Regressione; Segmentazione; Sommarizzazione; Analisi dei legami o associazione; Analisi delle sequenze. Gli algoritmi sono basati su tecniche di machine learning e deep learning. 
3. Evaluation. Questa attività verte sulla misurazione delle performance del modello tramite opportune metriche tra quelle definite nella letteratura scientifica. In tal modo è possibile valutare in maniera oggettiva la bontà dei modelli indotti, e conseguentemente verificare il soddisfacimento degli obiettivi di business definiti. La valutazione delle performance avviene su un opportuno subset dei dati disponibili detto test set, disgiunto rispetto al training set usato nella fase di addestramento del modello.

• Conduzione della soluzione di analisi. Tale prevede l’attività di “Deployment”, ovvero di implementazione di una versione eseguibile del modello indotto, che possa essere utilizzata presso l’infrastruttura applicativa del cliente.

Framework tecnologico di riferimento: la piattaforma Moneying™

Moneying™ è la soluzione di Regtech sviluppata da Revelis e consiste in una piattaforma che applica tecniche di Intelligenza Artificiale per l’analisi dei dati funzionali ai controlli operativi, come ad esempio le transazioni finanziarie e le comunicazioni da parte dei clienti.

La combinazione di tecniche di Machine Learning e Deep Learning consente di ottimizzare le attività di verifica nell’ambito dei controlli. L’uso di tecniche di Text Analytics consente l’elaborazione automatica dei testi in linguaggio naturale, abilitando in tal modo l’automazione della gestione documentale, sia relativa ai documenti interni che a quelli provenienti dall’esterno o dai clienti.

Le caratteristiche principali della piattaforma Moneying™, ovvero la soluzione di Regtech, sono le seguenti:

• Scalabilità. Moneying™ è una piattaforma altamente scalabile che integra tecnologie per l’analisi dei Big Data, e può essere distribuita sia on-premises che as-a-service tramite erogazione in cloud.
• Big Data Analytics. Moneying™ mette a disposizione oltre 100 algoritmi per l’elaborazione dei dati e la previsione dei comportamenti. Gli algoritmi possono essere variamente combinati tra loro definendo dei processi di elaborazione flessibili ed altamente personalizzabili.
• Sicurezza. Moneying™ dispone di un sistema di autenticazione e profiling degli utenti che consente di profilare l’accesso alle analisi dei dati ed alle informazioni, garantendo in tal modo elevati standard di sicurezza nei contesti operativi dei clienti.
• Interfaccia Web. L’analisi dei casi sospetti avviene tramite un’interfaccia web potente e di facile utilizzo. Gli utenti possono estrarre dei report personalizzati ed hanno a disposizione cruscotti informativi relativi alle attività effettuate.

L’architettura funzionale della piattaforma Moneying™, ovvero la soluzione per il RegTech, è rappresentata nella figura seguente.

Sul lato sinistro (Area 1) viene rappresentato l’insieme delle possibili tipologie di sorgenti informative che possono interessare i processi di analisi. In particolare, la piattaforma supporta:

• Dati provenienti da sorgenti informative interne ed esterne. In entrambi i casi l’acquisizione avviene tramite l’uso di appositi connettori alle sorgenti informative.
• Dati di diversa tipologia: strutturati/semi-strutturati (database, CSV, XML); non strutturati (testi); dati relativi ai processi (log); dati multimediali (video, immagini, audio); dati geospaziali; dati in streaming (provenienti da sorgenti continue o da sensori); dati da web e social media. 
• Dati che, con riferimento ai clienti su cui effettuare i controlli, possono essere di tipo:
  • Soggettivo, ovvero direttamente riferibili al soggetto in analisi. Rientrano in questa categoria i dati anagrafici, la professione, la residenza.
  • Oggettivo, ovvero riconducibili all’operatività del soggetto rispetto ai rapporti in essere con la banca. Rientrano in questo ambito le transazioni finanziarie, le informazioni relative ad eventuali segnalazioni per operazioni sospette, o qualunque altro tipo di segnalazione effettuata.

Le sorgenti informative elencate sono sottoposte a processi di memorizzazione e/o analisi nella parte di architettura relativa alla Cloud Infrastructure (Area 2). Tale area è suddivisa, dal punto di vista logico, in 2 sotto-aree distinte, la prima riguardante la memorizzazione dei dati (Big Data Storage) e la seconda relativa all’analisi degli stessi (AI/Big Data Analytics).

I processi di memorizzazione e di analisi possono essere realizzati in maniera del tutto distinta e separata sia in cloud che “on-premises”. In maniera trasversale alle due sotto-aree, trovano collocazione i vari servizi di sicurezza, monitoraggio, audit e backup e disaster recovery.

La sezione di AI/Big Data Analytics è suddivisa logicamente in una sezione di Core Capabilities ed un’altra di AI Capabilities. La prima sezione menzionata contiene meccanismi di calcolo distribuito, accesso a File System (locale o distribuito), accesso ai dati In-Memory, gestione del Workload, accesso a dati SQL e NO SQL. 

La parte di AI Capabilities mette a disposizione una serie di funzionalità coerenti con la metodologia CRISP-DM, al fine di abilitare le fasi di acquisizione dei dati, preparazione delle informazioni, addestramento dei modelli e visualizzazione dei risultati. Con riferimento ai modelli, in particolare, si evidenzia che la piattaforma offre sia algoritmi di Machine Learning e Deep Learning, che meccanismi per abilitare il ragionamento automatico. 

In tal modo è possibile realizzare soluzioni di AI che siano in grado di combinare la conoscenza che deriva dai dati (approcci sub-simbolici, ovvero Machine e Deep Learning) con la conoscenza degli esperti di dominio (approcci simbolici, ovvero ragionamento automatico). Questa caratteristica della piattaforma, se da un lato rende possibile l’automazione di processi decisionali anche nei casi in cui i dataset disponibili siano troppo piccoli per l’addestramento dei modelli di Machine/Deep Learning (poiché è possibile automatizzare le logiche adottate dall’uomo tramite sistemi esperti), dall’altro consente di intervenire sulle problematiche degli approcci sub-simbolici, come ad esempio le “allucinazioni” dei modelli GPT, che possono essere corrette grazie alla realizzazione di sistemi di controllo basati su ragionamento automatico.

Infine, sul lato destro della figura (Area 3) vengono rappresentati i servizi applicativi relativi ai controlli in ambito bancario, un cui elenco, non esaustivo, è rappresentato di seguito:

• KYC
• Adeguata Verifica Rafforzata
• Controlli apertura conto
• Valutazione dei profili di rischio (di credito, inadempienza, relativo agli investimenti, ecc.)
• AML tramite Transaction Monitoring
• Monitoraggi (autorizzazioni e limiti di spesa, limiti di esposizione)
• Profiling (merito creditizio, adeguatezza dei prodotti, …)

Esperienze (usecases) realizzate

AML – Transaction Monitoring, Risk Management, Gestione dei rapporti con gli enti inquirenti

La soluzione per il Regtech Moneying™ applica tecniche di Machine Learning e Reasoning per analizzare le transazioni finanziarie a scopi di AML e Risk Management.

Tramite tecniche di pattern recognition e profiling è possibile individuare comportamenti fraudolenti o illeciti, ed abilitare la valutazione del profilo di rischio dei clienti (KYC). 
Le funzionalità messe a disposizione dalla piattaforma sono le seguenti:

• Profilo di Rischio. Moneying abilita la profilazione dei clienti in base ad un «Profilo di Rischio», calcolato sulla base di caratteristiche oggettive e soggettive dei clienti. Tutte le informazioni dei clienti sono integrate in modo da mettere a disposizione un “fascicolo cliente” che contiene tutte le informazioni peculiari dei clienti B2C e B2B.
• Anti Money-Laundering. Moneying offre funzionalità per l’elaborazione di Big Data relativi alle transazioni finanziarie, allo scopo di individuare anomalie nell’uso degli strumenti finanziari da parte di uno o più soggetti. La piattaforma offre un modulo per la generazione di segnalazioni di operazioni sospette verso UIF.
• Risk Management. La piattaforma consente l’esecuzione di analisi per la valutazione del rischio; gli utenti possono personalizzare i processi di analisi dei dati volti al calcolo di opportuni Key Risk Indicators.
• Monitoraggio dei clienti B2C e B2B. Moneying mette a disposizione un modulo per gestire il sanzionamento di clienti B2C o B2B che violano gli accordi contrattuali nell’uso degli strumenti di pagamento.
• Gestione dei rapporti con gli Enti Inquirenti. Moneying consente di ottimizzare le interazioni con gli enti inquirenti, velocizzando la produzione di risposte per le richieste che giungono da autorità giudiziarie, forze di polizia e tribunali.

Analisi automatica di comunicazioni dei clienti relativi a reclami e lamentele 

Oggi, in ambito bancario, l’assistenza ai clienti si basa sulla gestione di grandi quantità di e-mail, che richiede un’enorme quantità di tempo e risorse da parte degli operatori umani. Utilizzando tecniche di Intelligenza Artificiale e Machine Learning, è possibile automatizzare il processo di lettura e classificazione delle e-mail, riducendo notevolmente il carico di lavoro degli operatori, evitando loro compiti ripetitivi, così da dedicare più tempo ad attività diverse e migliorando così il rendimento complessivo.

La verticalizzazione denominata “AIOM” della piattaforma Moneying usa tecniche di Text Intelligence per leggere e classificare automaticamente le e-mail inviate all’Ufficio Reclami ed all’Ufficio Legale di una Banca di primaria importanza internazionale, tramite l’analisi del contenuto (corpo della mail e allegati), in modo da indirizzare la lavorazione dei reclami e delle lamentele e, quando possibile, rispondere al cliente in modo automatico. 

I vantaggi di Moneying_AIOM

L’uso della piattaforma come la soluzione per il Regtech Moneying_AIOM ha determinato i seguenti impatti:

• Riduzione del carico di lavoro degli operatori: il modello di Text Analytics è in grado di gestire automaticamente la lettura e la classificazione delle e-mail, riducendo significativamente il carico di lavoro degli operatori umani;
• Maggiore efficienza: la classificazione automatica delle e-mail avviene in un tempo drasticamente più breve rispetto alla classificazione manuale, consentendo una risposta più rapida e un flusso di lavoro più fluido;
• Scalabilità e flessibilità: il sistema di classificazione automatica delle e-mail può essere facilmente adattato per gestire un volume elevato di e-mail, senza richiedere un aumento proporzionale delle risorse umane. Inoltre, il modello di machine learning può essere adattato e migliorato nel tempo, a seconda delle nuove esigenze e dei cambiamenti nel contenuto delle e-mail;
• Risparmio sui costi: riducendo la dipendenza dagli operatori umani per leggere e classificare le e-mail, sono stati ridotti del 65% i costi associati alla gestione di grandi volumi di comunicazioni aziendali.

L’implementazione di un sistema di questo tipo richiede una particolare attenzione al rispetto delle normative, quindi norme come il Regolamento generale sulla protezione dei dati (GDPR) e alla tutela della privacy. Le e-mail, infatti, contengono informazioni personali o riservate che devono essere protette. Una volta letti dalla piattaforma Moneying_AIOM, i testi delle e-mail, degli allegati esaminati e del mittente, vengono archiviati in maniera crittografata. 

Adeguata Verifica Rafforzata

L’adeguata verifica rafforzata (AVR) è un processo volto a mitigare il rischio di riciclaggio e finanziamento del terrorismo. L’esecuzione manuale del processo di AVR prevede le seguenti fasi:

1. Acquisizione di informazioni. Gli operatori si collegano manualmente a diversi sistemi, interni ed esterni alla banca, al fine di acquisire le informazioni necessarie all’analisi, come ad esempio:
   1. la verifica dell’esistenza del codice fiscale e della partita IVA (informazioni desumibili pubblicamente dal sito dell’Agenzia delle Entrate);
   2. l’elenco delle transazioni effettuate;
   3. il profilo di rischio del soggetto;
   4. l’appartenenza del soggetto agli elenchi PEP o antiterrorismo;
2. Analisi e valutazione del rischio. Gli operatori esaminano le informazioni acquisite per identificare eventuali fattori di rischio, e procedono alla valutazione del rischio complessivo del cliente, considerando:

• Il profilo di rischio intrinseco (attività svolta, PEP, paesi coinvolti);
• Il comportamento del cliente (transazioni sospette, coerenza con le informazioni fornite);
• Il livello di rischio associato al prodotto o servizio monitorato;

3. Misure di verifica rafforzate. Per i soggetti rischiosi, si procede alla predisposizione di un questionario tramite il quale si richiede al soggetto in esame di giustificare una serie di operazioni, ed eventualmente di fornire documentazione supplementare (es. visure camerali, estratti conto). In questa fase è anche possibile, talvolta, richiedere informazioni a fonti terze (es. banche dati, autorità competenti).
4. Aggiornamento e monitoraggio. Gli operatori procedono all’invio dei questionari ed al monitoraggio della risposta del soggetto analizzato. In caso di mancata risposta, è possibile proporre la chiusura dei rapporti in essere.

L’esecuzione manuale dell’AVR richiede:

• Personale qualificato: Addetti formati sulle procedure antiriciclaggio e in grado di valutare il rischio.
• Procedure interne definite: Documentazione dettagliata delle procedure di AVR e dei criteri di valutazione del rischio.
• Supervisione e controllo: Sistema di supervisione per garantire l’adeguata applicazione delle procedure.

L’automazione delle operazioni di AVR avviene tramite un sistema informatico, la cui architettura funzionale è rappresentata nella figura che segue.

In particolare, tramite opportune procedure RPA, è possibile acquisire tutte le informazioni necessarie all’analisi, che si sostanziano in una serie di file PDF o excel che vengono memorizzati in un apposito folder.

A partire da questi dati, la piattaforma utilizzerà la piattaforma Moneying™ di Revelis per:

• Effettuare automaticamente l’estrazione delle informazioni dai file, tenendo conto della tipologia (PDF, CSV, …) e della struttura degli stessi;
• Implementare le logiche decisionali relative all’AVR, a partire da una serie di “Golden rules” indicate dagli operatori e che sono rappresentate attraverso opportuni formalismi dell’Answer Set Programming.

Il processo realizzato tramite Moneying ™ produce, per ogni posizione da analizzare, un esito per indicare se il soggetto debba essere o meno sottoposto al questionario AVR, e, in alcuni casi, la struttura del questionario da somministrare.

Altre possibili applicazioni dell’AI nell’ambito dei controlli a presidio dei rischi operativi

Automatizzare KYC con l’intelligenza artificiale

L’intelligenza artificiale (AI) offre un enorme potenziale per automatizzare il processo di Verifica dell’Identità del Cliente (KYC) nel settore bancario e finanziario. Di seguito si elencano alcune applicazioni che utilizzano tecniche di AI per migliorare l’efficienza e l’efficacia di queste procedure:

1. Riconoscimento facciale e biometria. Tramite tecniche di computer vision è possibile analizzare i volti e le impronte digitali dei clienti per verificarne l’identità in tempo reale, a partire da un video in streaming. In tal modo, non c’è necessità di documenti cartacei, ed è possibile eseguire da remoto il controllo.
2. Analisi del linguaggio naturale (NLP). Come è stato già analizzato per il caso di analisi delle comunicazioni dei clienti e per il caso dell’AVR, le tecniche di Text Analytics possono essere utilizzate per analizzare le informazioni fornite dai clienti nei moduli KYC e AML per identificare potenziali rischi. In particolare, l’uso del Natural Language Processing consente di estrarre dati da documenti come fatture e bonifici bancari per identificare eventuali transazioni sospette.

Automatizzare i controlli dei requisiti di apertura del conto con AI

L’intelligenza artificiale (AI) può essere utilizzata per automatizzare i controlli dei requisiti di apertura del conto in diversi modi:

1. Analisi del rischio. È possibile utilizzare sistemi esperti (approcci “simbolici”) al fine di applicare regole di valutazione delle informazioni fornite dai clienti nei moduli di richiesta di apertura del conto, identificando potenziali rischi. Gli approcci “simbolici” possono essere combinati con quelli “sub-simbolici”, correlati al Machine Learning ed alle Reti Neurali, in modo da profilare i clienti in base al rischio di frode, finanziamento del terrorismo e altri rischi finanziari.
2. Verifica dell’identità. Come è già stato descritto per il caso del KYC, l’AI può essere utilizzata per verificare l’identità dei clienti mediante il riconoscimento facciale, l’analisi del documento d’identità e la verifica biometrica, prevenendo frodi e furti d’identità.
3. Controllo dei precedenti. L’AI può essere utilizzata per controllare i precedenti dei clienti per identificare eventuali precedenti penali o sanzioni finanziarie. In tal modo è possibile proteggere la banca da rischi reputazionali e legali.

Autore: Francesco Cupello

L'articolo La soluzione  di Regtech di Revelis Moneying e alcuni use cases proviene da Revelis.

In particolare, la computer vision trova una concreta e sempre più diffusa applicazione nella manutenzione predittiva, in cui si monitorano i sistemi tramite delle fotografie o delle riprese al fine di individuare potenziali anomalie o segnali di potenziali guasti e, quindi, di intervenire tempestivamente. 

Si pensi soprattutto a grandi infrastrutture quali le ferrovie o la rete di distribuzione elettrica; si tratta di sistemi complessi composti da diversi elementi che interagiscono tra di loro per il corretto funzionamento, ma che allo stesso tempo sono soggetti ad ammaloramenti riferiti ad eventi di arrugginimento, corrosione, degrado, rottura, presenza di corpi estranei. 

Si rende pertanto necessaria un’opera di verifica costante sullo stato di salute delle componenti infrastrutturali al fine di individuare situazioni di degrado e prevenire possibili guasti e conseguentemente disservizi.

Poiché tali componenti sono spesso difficili da raggiungere e si distribuiscono su aree geografiche molto vaste, l’ispezione manuale presenta difficoltà operative e costi elevati, che possono essere drasticamente ridotti grazie a tecniche di machine learning, deep learning e computer vision  per il riconoscimento automatico delle failure infrastrutturali che affiancano ed assistono gli operatori del committente nelle attività di ispezione.

Automatic Failure Detection nella Computer Vision

L’automatic failure detection, nell’ingegneria del software, si riferisce alla capacità di un sistema di rilevare automaticamente un guasto o un malfunzionamento senza l’intervento umano diretto. Questa funzionalità è fondamentale per garantire l’affidabilità e la disponibilità dei sistemi, specialmente in ambienti critici come i data center, le reti di comunicazione e le infrastrutture cloud.

Le tecniche di rilevamento automatico dei guasti possono variare a seconda del tipo di sistema e dei requisiti specifici. 

Alcuni approcci comuni includono:

1. Monitoraggio continuo: Utilizzo di strumenti di monitoraggio che monitorano costantemente le metriche di prestazione e di stato del sistema, come il carico della CPU, l’utilizzo della memoria, il traffico di rete, ecc. Il superamento di determinati limiti o l’osservazione di anomalie può indicare la presenza di un guasto.
2. Test di integrità: Esecuzione di test periodici o continui per verificare lo stato operativo del sistema. Questi test possono includere il controllo di integrità dei dati, il controllo della disponibilità dei servizi, il test di connettività di rete, ecc.
3. Rilevamento degli errori nei log: Analisi dei log di sistema alla ricerca di errori, warning o segnalazioni anomale che possono indicare un guasto imminente o in corso.
4. Tecniche di rilevamento di pattern: Utilizzo di algoritmi e modelli di machine learning per riconoscere pattern o comportamenti anomali nei dati di monitoraggio, segnalando potenziali guasti o malfunzionamenti.

Una volta rilevato un guasto o un malfunzionamento, il sistema di automatic failure detection può attivare automaticamente procedure di risoluzione dei problemi, quali il ripristino automatico dei servizi, l’avvio di processi di diagnostica o l’allerta degli amministratori di sistema per un intervento manuale.

Metodologia di analisi

Revelis utilizza, per l’analisi dei dati e l’addestramento dei modelli di Machine Learning, la metodologia Cross-Industry Standard Process for Data Mining; si tratta di un metodo standard per l’esecuzione interattiva ed iterativa di processi di data mining e analysis caratterizzato da 6 attività come illustrato nella figura seguente. 

Fase 1

La fase di valutazione preliminare delle esigenze ha l’obiettivo di affiancare il cliente nella stima, valutazione e progettazione della soluzione di analisi dei dati.

Nell’ambito di questa fase rientrano le seguenti attività:

• Business Understanding. È finalizzata all’analisi degli obiettivi applicativi da parte del cliente, sulla base dei seguenti task: analisi dello scenario “as-is; definizione dei risultati attesi, definiti dai decision maker del cliente; definizione dei criteri utilizzati per determinare l’esito del processo di analisi dei dati;
• Data Understanding. È finalizzata alla comprensione dei dati ed è fondamentale per evitare problemi imprevisti durante la fase di Data Preparation. Nell’ambito di questa attività sono eseguiti i seguenti task: individuazione delle sorgenti interne/esterne; individuazione delle entità e degli attributi significativi per l’analisi; analisi descrittiva dei dati messi a disposizione, tramite valutazione di funzioni statistiche di base e/o l’utilizzo di grafici ed aggregazioni; valutazione della qualità dei dati, individuando eventuali problemi collegati ad errori di formato e/o di rappresentazione delle informazioni.

Fase 2

La fase 2 prevede l’attività di “Data Acquisition and Preparation” ed è funzionale alla connessione alle sorgenti informative individuate nella fase 1, nonché alla preparazione e cleaning dei dati acquisiti.

In questa fase sono eseguiti i seguenti task:

• Filtraggio dei dati: Questo task ha l’obiettivo di selezionare i dati pertinenti al raggiungimento degli obiettivi del cliente. A tal fine si procede al “filtraggio” dei dati e degli attributi tramite tecniche di campionamento e/o rimozione dei dati “sporchi”;
• Cleaning: Nell’ambito di questo task sono applicate tecniche statistiche per ricostruire i dati mancanti, gestire gli errori sui dati, sistemare gli errori di misurazione, gestire i dati sparsi; 
• Creazione di dati sintetici: Spesso i dati grezzi non sono sufficienti per effettuare in maniera efficace l’analisi prefissata. In questi casi si può procedere alla creazione di nuovi dati “verosimili” a partire da quelli esistenti, tramite tecniche per derivazione la di attributi o per la generazione di record;
• Integrazione dei dati: I dati provenienti da sorgenti diverse e che sono riferiti alle medesime entità possono essere integrati per “merge” (ovvero arricchimento dell’entità tramite un maggior numero di attributi) o “unione” (arricchimento del numero di entità disponibili).

Fase 3

La Fase 3 prevede due distinti macro-step di processo:

1. Formulazione e implementazione del modello di analisi: Tale fase ha l’obiettivo di definire (tramite tecniche statistiche induttive) e valutare (tramite metriche standard) uno o più modelli di data mining, e prevede le seguenti attività:
   1. Sviluppo di connettori: I connettori sono interfacce software che permettono l’import dai sistemi esterni dei dati da sottoporre agli algoritmi di Data-Mining o l’export dei risultati verso sistemi/piattaforme esterne.
   2. Modeling: Consiste nell’applicazione di algoritmi ad un opportuno subset dei dati disponibili detto training set. I dati del training set verranno sottoposti ad opportune attività di preprocessing per consentire l’elaborazione da parte degli algoritmi statistici. Il risultato è un modello di supporto alle decisioni, che può essere finalizzato a scopi di: (i) Classificazione; (ii) Regressione; (iii) Segmentazione; (iv) Sommarizzazione; (v) Analisi dei legami o associazione; (vi) Analisi delle sequenze. Gli algoritmi sono basati su tecniche di machine learning e deep learning. 
   3. Evaluation: Questa attività verte sulla misurazione delle performance del modello tramite opportune metriche tra quelle definite nella letteratura scientifica. In tal modo è possibile valutare in maniera oggettiva la bontà dei modelli indotti, e conseguentemente verificare il soddisfacimento degli obiettivi di business definiti. La valutazione delle performance avviene su un opportuno subset dei dati disponibili detto test set, disgiunto rispetto al training set usato nella fase di addestramento del modello.
2. Conduzione della soluzione di analisi: Tale prevede l’attività di “Deployment”, ovvero di implementazione di una versione eseguibile del modello indotto, che possa essere utilizzata presso l’infrastruttura applicativa del cliente.

Applicazione della metodologia CRISP-DM per la Failure detection su tecnologia AWS

La metodologia descritta è agnostica rispetto agli strumenti software utilizzati. In questo articolo mostreremo come utilizzare la tecnologia AWS SageMaker per lo sviluppo di soluzioni di machine learning.

AWS SageMaker è un servizio fully-managed per il machine learning che consente di realizzare e deployare modelli di machine learning in un ambiente scalabile e sicuro.

AWS SageMaker implementa un processo di modellazione a tre fasi:

• Acquisizione e preparazione dei dati
• Addestramento e tuning dei modelli
• Deploy e monitoraggio dei modelli

Gestione dei dati

 Il primo passo nel machine learning è generare un dataset che sia rappresentativo del contesto operativo, fondamentale per addestrare un modello ML. I data scientist dedicano tempo ed energia all’esplorazione e alla preparazione di tali dati. I data sources sono gli oggetti che permettono la memorizzazione dei dati e dei metadati ad essi correlati. 

SageMaker utilizza Amazon S3 per memorizzare i dati. S3 è il cloud object storage di AWS, con object storage si intende un tipo di archiviazione dei dati in cui i dati vengono archiviati come oggetti, anziché come file o blocchi. In un sistema di object storage, ogni oggetto è composto da tre componenti principali: i dati, un identificatore univoco e metadati. In S3 gli oggetti vengono memorizzati all’interno di contenitori logici detti bucket.

In una applicazione di anomaly detection, le immagini ad alta risoluzione dell’infrastruttura 

vengono acquisite tramite sorvoli aerei. I dati fotografici ed i dati georeferenziati degli asset vengono caricati su S3. 

Le immagini vengono successivamente pre-processate per le successive fasi di elaborazione tramite dei job AWS Batch.

AWS Batch è il servizio AWS che consente di eseguire rapidamente ed efficientemente centinaia batch job su AWS. Un batch job è un task di elaborazione che viene eseguito fino a quando il compito non viene completato con successo o fallisce. AWS Batch provvede dinamicamente alla quantità ottimale di risorse di calcolo in base al volume e ai requisiti specifici delle risorse dei batch job sottomessi.

Addestramento dei modelli

In questa fase vengono addestrati i modelli alla ricerca di pattern all’interno dei dati.

AWS SageMaker fornisce istanze di notebook Jupyter con le quali è possibile accedere facilmente alle sorgenti dei dati per svolgere analisi esplorative.

Consente di predisporre delle pipeline di inferenza combinando task di preprocessing, predizione e post-processing dei dati buildati in container Docker.

Nella nostra applicazione di anomaly detection le immagini preprocessate possono essere utilizzate per addestrare:

• modelli di object detection, che si occupano dell’individuazione degli oggetti presenti all’interno dell’immagine; le informazioni ricercate sono, quindi, sia la categoria di appartenenza dell’oggetto (ve ne possono essere più di uno nell’immagine) sia la regione rettangolare (detta bounding box) che lo contiene.
• modelli di classificazione, che hanno il compito di classificare le bounding box identificate dai task di object detection in base alla presenza o meno di una specifica anomalia

La valutazione online dei modelli addestrati permette di valutarne l’accuratezza.

Deploy dei modelli

Al termine della fase di addestramento, i modelli sono pronti per essere deployati ed essere utilizzati nei processi di inferenza sui nuovi dati.

AWS SageMaker permette di creare degli inference job in due modalità diverse

• batch, indicati per le applicazioni di analisi predittiva che non hanno requisiti di tempo reale e/o che devono essere applicate su blocchi di dati;
• real-time, per quelle applicazioni che necessitano di elaborazioni in tempo reale, su singoli dati. In questo caso il job di inferenza viene pubblicato come servizio rest che può essere invocato all’occorrenza

La realizzazione di modelli di machine learning è un processo continuo che coinvolge il deployment del modello, il monitoraggio delle inferenze e la valutazione del modello per identificare derive delle performance. Per aumentare l’accuratezza dei modelli si rende necessario un periodico ri-addestramento degli stessi sui nuovi dati che si renderanno disponibili nel tempo.

Orchestrazione dei modelli

L’intera pipeline di inferenza può essere orchestrata tramite AWS Step Functions. AWS Step Functions è un servizio di orchestrazione che consente di creare e gestire workflow in cloud che combina i vari servizi AWS e si basa su macchine a stati e task. 

Una macchina a stati, non è altro che un workflow, ovvero una serie di passaggi basati su eventi. Ogni passo in un workflow è chiamato stato.

Uno stato di tipo Task rappresenta un’unità di lavoro eseguita da un altro servizio AWS, come AWS Lambda. Uno stato di tipo Task può chiamare qualsiasi servizio o API AWS.

Attraverso la dashboard di gestione e monitoraggio delle Step Function è possibile seguirne l’esecuzione in tempo reale nonché raccoglierne le statistiche al suo completamento.

Autore: Achille Abritta

L'articolo Computer Vision: un caso industriale realizzato in tecnologia AWS proviene da Revelis.

Il NLP machine learningù offre infatti in generale una vasta gamma di applicazioni pratiche che migliorano le interazioni uomo-macchina in diversi contesti. Uno dei settori in cui il NLP ha dimostrato di essere particolarmente efficace è l’assistenza virtuale e il customer service automatizzato. I sistemi di chatbot alimentati da NLP possono infatti comprendere le domande degli utenti e fornire risposte immediate e pertinenti, riducendo i tempi di attesa e migliorando l’efficienza del supporto clienti. 

Un altro esempio in cui il NLP machine learning è ampiamente utilizzato è nell’analisi dei social media e del sentiment degli utenti. Le aziende possono monitorare e analizzare i feedback dei clienti sui social media in tempo reale, identificando tendenze emergenti e valutando il sentiment del pubblico per adattare le proprie strategie di marketing e comunicazione. 

Altri settori che beneficiano dell’applicazione del NLP includono inoltre la traduzione automatica, l’elaborazione automatica del linguaggio naturale in diverse lingue e l’estrazione di informazioni da documenti e testi non strutturati. 

In merito alla traduzione automatica inoltre, stando ai dati raccolti da Statista si prevede che:

• La dimensione del mercato della traduzione linguistica NLP raggiungerà i 5,92 miliardi di dollari nel 2024;
• Il mercato si espanderà con un tasso di crescita annuo (CAGR 2024-2030) del 12,40%, con un volume di mercato di 11,94 miliardi di dollari entro il 2030;
• Nel confronto globale, la dimensione maggiore del mercato sarà quella degli Stati Uniti (2.122,00 milioni di dollari nel 2024).

Nel grafico sottostante è possibile vedere i dati relativi alla previsione sulla dimensione del mercato.

Fonte immagine: Statista

In definitiva, gli esempi di uso del NLP machine learning sono molteplici e continuano a crescere con il passare del tempo, evidenziando il potenziale di questa tecnologia nell’ottimizzazione delle interazioni uomo-macchina e nel miglioramento dell’efficienza operativa in vari settori.

Le applicazioni del NLP Machine Learning

Le applicazioni del NLP Machine Learning possono essere svariate come abbiamo visto fino a qui. È infatti possibile usare il NLP Machine Learning oltre che per gli usi già visti anche in settori quali ad esempio:

• il settore sanitario;
• il settore finanziario;
• il settore manifatturiero.

Nel settore sanitario le applicazioni possono spaziare dall’analisi dei testi medici utilizzando algoritmi NLP per estrarre informazioni rilevanti da documenti clinici, oppure nei sistemi di supporto alle decisioni cliniche integrando dati clinici con linee guida mediche per fornire raccomandazioni personalizzate di trattamento ai medici o anche nell’elaborazione automatica delle richieste dei pazienti attraverso chatbot che rispondono alle domande dei pazienti, prenotano appuntamenti o forniscono informazioni su farmaci e procedure mediche.

Nel settore finanziario invece, le applicazioni del NLP Machine Learning trovano spazio nell’analisi di mail che contengono reclami o lamentele da parte dei clienti, nel rilevamento di frodi identificando le transazioni sospette o comportamenti fraudolenti attraverso l’analisi dei modelli linguistici nei messaggi di testo, nelle e-mail o nelle comunicazioni telefoniche o nell’elaborazione automatica delle richieste di prestito attraverso l’utilizzo di modelli di Machine Learning per valutare automaticamente le richieste di prestito basate su dati finanziari e informazioni personali.

Nel settore manifatturiero infine, le applicazioni del NLP Machine Learning trovano applicazione nell’ottimizzazione della catena di approvvigionamento utilizzando algoritmi di NLP per analizzare e ottimizzare i processi di approvvigionamento, individuando pattern nei contratti, nelle email e nelle specifiche dei prodotti; nella gestione del controllo della qualità utilizzando modelli di Machine Learning per analizzare i feedback dei clienti, i rapporti di controllo qualità e altre fonti di dati per identificare e risolvere potenziali problemi di qualità del prodotto e nel monitoraggio delle prestazioni degli impianti attraverso l’analisi dei dati testuali provenienti dai report di produzione e manutenzione per identificare tendenze e anomalie nelle prestazioni delle macchine e dei processi.

Questi sono solo alcuni esempi, ma l’NLP nel Machine Learning può essere applicato in praticamente ogni settore verticale dove ci sono dati testuali da analizzare e interpretare. Vediamo adesso quali possono essere i vantaggi.

I vantaggi del NLP Machine Learning

Prima di spiegare come migliorare le interazioni uomo-macchina, è bene avere chiari quelli che sono i vantaggi che il NLP machine learning offre. Uno dei principali vantaggi è la capacità di comprendere e interpretare il linguaggio naturale, consentendo alle macchine di comunicare in modo più intuitivo con gli utenti umani. Questo porta a un’esperienza utente più fluida e coinvolgente, riducendo la necessità di comandi specifici o istruzioni complesse.

Inoltre, il NLP machine learning consente alle macchine di analizzare grandi quantità di testo in modo rapido ed efficiente, estrarre informazioni rilevanti e fornire risposte pertinenti alle domande degli utenti. Ciò si traduce in un miglioramento della produttività e dell’efficienza, poiché le macchine possono automatizzare processi che richiedono la comprensione del linguaggio umano.

Un altro vantaggio significativo del NLP machine learning è la sua capacità di adattarsi e apprendere dai dati in tempo reale. Le macchine possono migliorare continuamente le proprie capacità linguistiche e di comprensione attraverso l’esperienza e il feedback degli utenti, garantendo un’interazione sempre più accurata e personalizzata nel tempo.

Come migliorare le interazioni uomo-macchina con il NLP Machine Learning

Per migliorare le interazioni uomo-macchina con il NLP machine learning, è fondamentale adottare le seguenti pratiche:

• Utilizzare dati di alta qualità: l’addestramento di modelli di NLP richiede dati di alta qualità e rappresentativi del dominio di interesse. È quindi essenziale assicurarsi di utilizzare dataset accurati e diversificati per ottenere risultati ottimali;
• Sviluppare modelli robusti: è necessario utilizzare algoritmi di machine learning avanzati e tecniche di deep learning per sviluppare modelli NLP robusti e performanti. Questi modelli possono essere addestrati per affrontare una vasta gamma di compiti, come il riconoscimento di entità, l’analisi del sentiment e la generazione di testo;
• Personalizzare l’interazione: un altro modo per migliorare le interazioni uomo – macchina è quello di sfruttare le informazioni personali degli utenti per personalizzare l’interazione e fornire risposte più rilevanti e contestualizzate. Questo può essere ottenuto attraverso la raccolta e l’analisi dei dati utente, rispettando sempre le normative sulla privacy e sulla sicurezza dei dati;
• Integrare con altre tecnologie: integrare il NLP machine learning con altre tecnologie emergenti, come l’intelligenza artificiale conversazionale e l’elaborazione del linguaggio naturale multilingue, per offrire un’esperienza utente più completa e sofisticata;
• Monitorare e ottimizzare le prestazioni: monitorare costantemente le prestazioni dei modelli di NLP e ottimizzare i parametri in base alle metriche di valutazione prestabilite assicura che le interazioni uomo-macchina rimangano sempre all’avanguardia e soddisfino le esigenze degli utenti.

Prospettive future del NLP Machine Learning

Il futuro del NLP machine learning è estremamente promettente, grazie alle continue innovazioni e sviluppi in corso. Alcune delle prospettive future includono:

• Maggiore precisione e sensibilità: gli sviluppi nell’ambito del deep learning e dell’elaborazione del linguaggio naturale porteranno a modelli NLP sempre più precisi e sensibili, capaci di comprendere e rispondere al linguaggio umano con una precisione senza precedenti;
• Espansione dell’applicabilità: il NLP machine learning sarà sempre più utilizzato in una vasta gamma di settori e applicazioni, dalla sanità alla finanza, dall’istruzione alla sicurezza, ampliando così le sue possibilità di impiego e beneficiando di un numero sempre maggiore di persone;
• Interazione uomo-macchina più Intuitiva: le interazioni uomo-macchina diventeranno sempre più intuitive e naturali, con le macchine in grado di comprendere non solo il significato letterale delle parole, ma anche il contesto e le sfumature del linguaggio umano.

Conclusioni 

In conclusione, il NLP machine learning rappresenta una tecnologia che consente di migliorare significativamente l’esperienza degli utenti e aprire nuove strade per l’innovazione tecnologica. 

La crescita del mercato dell’elaborazione del linguaggio naturale (NLP) è guidata da diversi fattori. Tra questi troviamo:

• La globalizzazione delle imprese che si traduce nella sempre maggiore necessità di servizi di traduzione per l’assistenza clienti multilingue;
• L’aumento dell’e-commerce;
• La necessità, nel settore sanitario, di migliorare la comunicazione tra operatori sanitari e pazienti che parlano lingue diverse.

Con prospettive future così brillanti, il NLP machine learning possiamo quindi presumere che continuerà a rimanere al centro dell’evoluzione digitale nel prossimo futuro.

L'articolo NLP Machine Learning: come migliorare le interazioni uomo-macchina proviene da Revelis.

Gestione turni di lavoro del personale: perché è importante?

Un’efficace gestione turni di lavoro del personale non riguarda solo l’allocazione di risorse umane, ma implica anche la massimizzazione della produttività e la soddisfazione dei dipendenti. Programmare i turni in modo efficiente implica considerare diversi fattori, tra cui le competenze dei dipendenti, le esigenze operative e le normative sul lavoro.

Un software di gestione turni di lavoro automatizzato è diventato uno strumento essenziale per le aziende che mirano a ottimizzare la pianificazione del personale e della produzione. Questi software possono tenere conto di vari fattori, come le preferenze dei dipendenti, le leggi sul lavoro e le richieste dei clienti, per creare un programma di turni equo ed efficiente. Inoltre, consentono una maggiore flessibilità nella gestione dei cambiamenti dell’ultimo minuto e nell’assegnazione delle risorse in base alle esigenze operative.

Il ruolo del monitoraggio della produzione

Il monitoraggio della produzione è altrettanto cruciale come la gestione turni di lavoro per garantire che gli obiettivi di produzione vengano raggiunti in modo efficiente. Attraverso sistemi avanzati di monitoraggio, le aziende possono raccogliere dati in tempo reale sull’andamento della produzione, identificare eventuali inefficienze ed anomalie prendendo tempestivamente misure correttive.

I moderni sistemi di monitoraggio della produzione utilizzano tecnologie come l’Internet delle cose (IoT) e l’analisi dei dati per raccogliere informazioni dettagliate sui processi produttivi. Sensori e dispositivi intelligenti installati sulle macchine consentono di monitorare parametri cruciali come la velocità di produzione, la qualità del prodotto e il consumo di energia. Questi dati vengono poi analizzati per identificare tendenze, prevedere guasti delle macchine e ottimizzare le prestazioni complessive del processo produttivo.

La soluzione per Target S.p.A.

Revelis ha sviluppato un sistema integrato e completamente personalizzato per la gestione turni di lavoro e del monitoraggio per Target S.p.A., un’azienda specializzata nella produzione di pane, pizze, focacce e snack, precotti e surgelati. La produzione che include una vasta gamma di prodotti allo scopo di soddisfare tutti i canali di commercio, GDO, discount, Horeca. L’azienda ha recentemente costruito un nuovo stabilimento di 3000 mq, dedicato alla realizzazione di prodotti con farina di grano duro cotti su forni a pietra. Il processo produttivo mira a fondere l’artigianalità con la modernità delle attrezzature per dar vita a prodotti di qualità.

Gestione turni di lavoro

Il primo requisito richiesto dal cliente è stato quello di mantenere il controllo umano della gestione turni lavoro, pertanto il sistema implementato permette di definire dei modelli settimanali all’interno dei quali ad ogni impiegato è assegnato uno dei tre turni di produzione (mattina, pomeriggio e notte) in uno dei reparti (produzione, forno, confezionamento) in una delle tre aree produttive aziendali.

Tale procedura è guidata in modo da evitare sovrapposizioni di turni, carenze di personale o sovraccarico di lavoro. A tal proposito, per mantenere un’equa distribuzione dei turni, tutti gli addetti avranno gli orari lavorativi ruotati con cadenza settimanale.

Il sistema permette di gestire facilmente eventuali assenze non preventivate modificando i turni previsti in modo da ottenere una copertura ottimale dei reparti produttivi.

Assegnazione della produzione ai turni di lavoro

La soluzione prevede la gestione operativa dei clienti e dei prodotti da loro richiesti e degli ordini effettuati. A valle della creazione dei turni lavorativi, il sistema permette di registrare gli ordini ricevuti dai clienti e di assegnare ad ogni turno i prodotti da lavorare indicando la quantità di impasti e pezzi da produrre. L’utente ha sempre il quadro chiaro ed aggiornato della programmazione della produzione riuscendo ad organizzare i turni in modo da poter soddisfare i vincoli temporali imposti dagli ordini. 

 Monitoraggio della produzione 

Il sistema permette di gestire digitalmente i prodotti richiesti dai clienti. Per ognuno di essi è possibile specificare la ricetta con gli ingredienti da utilizzare, le loro quantità e la procedura di produzione.

Come si può ben immaginare, un’azienda alimentare deve adottare una serie di procedure che certifichino la qualità e la corrispondenza dei prodotti in base alle richieste dei clienti. Pertanto viene prodotta una quantità di documenti che attestino l’effettiva adozione delle procedure di qualità.

In particolare:

Nel reparto di produzione vengono rilevati:

• Tracciabilità degli ingredienti utilizzati
• Peso degli ingredienti utilizzati
• Tre pesate intervallate del prodotto finito

Nel reparto forni:

• Il numero di carrelli di prodotto che viene introdotto nei forni
• Pesate a campione dei carrelli di prodotto

Nel reparto confezionamento:

• Il lotto delle confezioni e bancali preparati
• La conformità delle etichette e del materiale di confezionamento
• Il peso a campione delle confezioni
• L’efficienza dei test del metal detector per il controllo di presenza di corpi estranei nel prodotto
• Controlli a campione sulla temperatura interna del prodotto congelato

In precedenza tutti questi documenti venivano compilati manualmente su carta, la soluzione implementata permette di digitalizzare tutta la documentazione prodotta al fine di certificare le procedure di qualità alle quali l’azienda deve sottostare. Questa pratica è diventata sempre più diffusa nelle aziende e nelle organizzazioni di ogni settore per una serie di motivi:

1. Riduzione dello spazio fisico: Conservare documenti cartacei richiede spazio fisico significativo. La digitalizzazione consente di ridurre o eliminare la necessità di archiviare grandi quantità di documenti in formato cartaceo.
2. Facilità di accesso e condivisione: I documenti digitalizzati possono essere archiviati in formati che consentono di accedervi rapidamente e di condividerli facilmente.
3. Riduzione dei costi: La gestione dei documenti cartacei comporta spese significative per l’acquisto di carta, stampanti, archiviazione fisica e manutenzione. La digitalizzazione può ridurre questi costi.
4. Miglioramento della sicurezza: La gestione dei documenti digitali consente un maggiore controllo degli accessi e della sicurezza. I documenti possono essere crittografati, e gli accessi possono essere limitati solo a coloro che ne hanno bisogno, riducendo così il rischio di smarrimento o furto di informazioni riservate.
5. Automazione dei processi: La digitalizzazione dei documenti è spesso un passo fondamentale verso l’automazione dei processi aziendali. I documenti digitali possono essere facilmente integrati nei sistemi informatici esistenti e utilizzati per automatizzare flussi di lavoro, riducendo gli errori e migliorando l’efficienza complessiva.

Conclusioni

In conclusione, la gestione turni di lavoro del personale e il monitoraggio della produzione sono due elementi fondamentali per il successo delle aziende moderne. L’adozione di soluzioni tecnologiche avanzate in entrambi i settori consente alle aziende di ottimizzare le proprie risorse, massimizzare la produttività e garantire la soddisfazione dei clienti. Integrando una pianificazione dei turni intelligente con un monitoraggio proattivo della produzione, le aziende possono affrontare le sfide del mercato in modo efficace e ottenere un vantaggio competitivo duraturo.

Autore: Luigi Granata

L'articolo Gestione turni di lavoro e monitoraggio: il caso Target proviene da Revelis.

Nel presente articolo, esploreremo quindi la progettazione di un’infrastruttura ad alta affidabilità per l’elaborazione di Big Data, concentrandoci sulla soluzione di successo adottata da  Revelis.

Elaborazione di Big Data: il panorama tecnologico

Prima di immergerci nei dettagli della soluzione per l’elaborazione di big data adottata da Revelis, è fondamentale comprendere le tecnologie fondamentali utilizzate per la gestione di grandi quantità di dati. La parola chiave di questo contesto è “elaborazione di Big Data”, un termine che sarà al centro della nostra analisi.

L’ecosistema tecnologico di Revelis è basato su una combinazione di strumenti all’avanguardia. La comunicazione tra le diverse componenti della piattaforma avviene attraverso Apache Kafka, una piattaforma di streaming distribuita che garantisce l’affidabilità e la scalabilità necessarie per gestire grandi volumi di dati in tempo reale.

Il linguaggio di programmazione Java è il cuore del sistema, supportato da Spring Boot e la programmazione reattiva per la creazione di un ecosistema di microservizi. Questa scelta non solo permette di sviluppare applicazioni robuste e modulari ma consente anche una scalabilità orizzontale per adattarsi alle esigenze di crescita dell’azienda.

L’architettura complessiva è orientata al cloud, con tutte le componenti containerizzate e gestite su un cluster Kubernetes. Questa scelta non solo facilita la distribuzione e la gestione delle risorse, ma garantisce anche una maggiore flessibilità nel ridimensionamento delle applicazioni in risposta alle variazioni di carico.

Per lo storage dei Big Data, Revelis sfrutta Elasticsearch, un motore di ricerca distribuito altamente scalabile e versatile. Ciò consente un rapido accesso e analisi dei dati, garantendo una base solida per l’implementazione di algoritmi di intelligenza artificiale e analisi avanzata.

Per quanto riguarda il processing dei dati in streaming, Revelis si affida ad Apache Flink, un framework open-source progettato per gestire flussi di dati in tempo reale con elevata efficienza e bassa latenza. Questa scelta è fondamentale per le applicazioni che richiedono analisi in tempo reale e decisioni immediate basate sui dati in arrivo.

L’elaborazione degli algoritmi di AI è affidata ad Apache Spark, un framework di elaborazione distribuita che offre potenti capacità di calcolo per il machine learning e l’analisi predittiva. L’integrazione di Spark consente a Revelis di implementare soluzioni AI avanzate, sfruttando il potenziale dei Big Data accumulati.

Progettazione di un’infrastruttura ad alta affidabilità per l’elaborazione dei Big Data

Ora che abbiamo delineato il contesto tecnologico di base, esploriamo come Revelis ha progettato un’infrastruttura ad alta affidabilità per l’elaborazione dei Big Data. Di seguito potete vedere il disegno generale dell’architettura implementata da Revelis.

Le funzionalità di questa piattaforma sono erogate per mezzo di un’applicazione Spring Boot, arricchita con appositi meccanismi di security, che espone opportune API REST necessarie al funzionamento del Presentation Layer e all’integrazione con piattaforme esterne che vogliano avvalersi di queste funzionalità.

L’intera piattaforma è in grado di interagire con il cluster Kubernetes su cui è installata e di creare e gestire POD o altri tipi di risorse.

I principali concetti della piattaforma (alla base anche del IoT Layer) sono i Gateway e i Device.

• Un Device è un dispositivo hardware (ad esempio un sensore IoT) o software (una qualsiasi altra sorgente dati) in grado di trasmettere o generare dati. I dati trasmessi da un Device vengono rappresentati per mezzo di un modello unificato, interno alla piattaforma. Tale modello è usato sia per trasmettere i dati (dei device) sulla coda interna (in questo caso il dato viene serializzato in formato Json) che per memorizzarli su Elasticsearch (anche in questo caso il dato viene serializzato in formato Json);
• Un Gateway è un’applicazione ad-hoc (in base al contesto, nella piattaforma esistono già svariate implementazioni pronte all’uso) in grado di connettersi ai Device. Quando un Gateway si connette ad un Device:
  1. Legge i suoi dati;
  2. Li decodifica nel modello unificato;
  3. Li trasmette, in formato Json, sulla coda interna (Kafka).

Il Data Layer è quindi formato da un cluster Elasticsearch (su cui vengono memorizzati i Big Data) e da un database relazionale necessario al funzionamento della piattaforma e all’arricchimento dei dati con ulteriori meta informazioni.

Nel Business Layer, oltre allo strato di API REST, trovano spazio tutte quelle componenti necessarie ad erogare servizi quali:

• Gestione di allarmi e notifiche: tramite un opportuno engine di regole è possibile configurare flussi di elaborazione per il monitoraggio in real-time di determinate condizioni, al soddisfacimento delle quali è possibile generare messaggi di allarmi da inviare su specifici canali (email, whatsapp, notifiche web);
• Gestione dei processi aziendali (BPM): tramite un opportuno ambiente grafico è possibile disegnare ed eseguire un qualsiasi processo aziendale, integrando informazioni provenienti da qualsiasi sorgente (ad esempio, da macchinari IoT);
• Manutenzione predittiva: nel caso di dati provenienti da macchinari, la piattaforma è dotata di un certo numero di algoritmi in grado rilevare guasti in maniera preventiva;
• Analisi delle anomalie: nel caso del monitoraggio di dispositivi IoT, la piattaforma è dotata di algoritmi in grado di capire se un dato sensore sta trasmettendo o meno dati corretti;
• Analisi personalizzate: grazie al supporto nativo di framework e librerie quali Apache Spark, Keras, Tensorflow, ecc. la piattaforma consente di integrare qualsiasi tipo di analisi personalizzata.

I vantaggi della soluzione sviluppata da Revelis

La soluzione sviluppata da Revelis per l’elaborazione di Big Data è in grado di offrire numerosi vantaggi. Vediamoli nel dettaglio.

Comunicazione affidabile con Apache Kafka

La scelta di utilizzare Apache Kafka per la comunicazione tra le componenti della piattaforma ha dimostrato di essere fondamentale per garantire la coerenza e l’affidabilità delle informazioni scambiate. Grazie a Kafka, Revelis ha implementato un sistema di messaggistica distribuito che gestisce grandi volumi di dati senza compromettere la velocità o la sicurezza.

Programmazione Java e microservizi scalabili

Il linguaggio di programmazione Java, supportato da Spring Boot e la programmazione reattiva, ha fornito a Revelis la flessibilità necessaria per sviluppare un ecosistema di microservizi altamente scalabili e fault-tolerant. Questa architettura modulare permette a Revelis di adattarsi rapidamente ai cambiamenti del mercato e di distribuire nuove funzionalità senza interrompere il flusso operativo.

Architettura Cloud-Oriented con Kubernetes

L’adozione di un’architettura cloud-oriented, con tutte le componenti containerizzate e gestite su un cluster Kubernetes, ha migliorato significativamente la flessibilità operativa di Revelis. La scalabilità automatica e la gestione semplificata delle risorse hanno consentito un utilizzo efficiente delle risorse, riducendo al minimo i tempi di inattività e ottimizzando le prestazioni complessive.

Storage efficiente con Elasticsearch

Elasticsearch si è dimostrato un’opzione ideale per lo storage dei Big Data di Revelis. La sua capacità di indicizzare rapidamente e recuperare informazioni da grandi quantità di dati ha permesso all’azienda di accedere in modo efficiente alle informazioni cruciali per l’analisi e l’implementazione di algoritmi di AI.

Processing in streaming con Apache Flink ed elaborazione di AI con Apache Spark

L’utilizzo combinato di Apache Flink per il processing dei dati in streaming e Apache Spark per l’elaborazione degli algoritmi di AI ha consentito a Revelis di ottenere il massimo dalle sue capacità analitiche. Il flusso costante di dati è gestito in modo efficiente da Flink, consentendo analisi in tempo reale, mentre Spark offre le risorse computazionali necessarie per implementare algoritmi di AI avanzati su vasti dataset.

Conclusioni

In conclusione, la progettazione di un’infrastruttura ad alta affidabilità per l’elaborazione di Big Data è una sfida cruciale per le aziende che cercano di trarre il massimo beneficio dai dati a loro disposizione. Nel caso di Revelis, la combinazione di tecnologie avanzate come Apache Kafka, Java, Kubernetes, Elasticsearch, Apache Flink e Apache Spark ha creato un ambiente robusto e scalabile, consentendo all’azienda di fornire soluzioni di AI e analisi di Big Data all’avanguardia.

L’esperienza di Revelis dimostra che investire in un’infrastruttura tecnologica solida è fondamentale per affrontare le sfide della gestione dei Big Data e consentire un’analisi avanzata che può portare a decisioni più informate e strategie aziendali più efficaci. Con l’elaborazione di Big Data al centro delle operazioni, Revelis dimostra che l’innovazione tecnologica è la chiave per il successo nell’era digitale.

Autore: Massimiliano Ruffolo

L'articolo Elaborazione di Big Data: il caso Revelis proviene da Revelis.