Cloud e Intelligenza Artificiale - Federmanager Bologna · 2020. 1. 29. · Intelligenza...

Cloud e Intelligenza

ArtificialeStart with cloud, organize your data, exploit with AI

21/1/2020

Federico BaffettiFounder & CEO

Statistico informatico, professionista IT da 25 anni: dal 2005 manager, business developer ed imprenditore. Ama trasformare le idee in progetti, sistemi e prodotti a servizio di persone e aziende enterprise, costruiti su tecnologie e metodologie cloud, big & smartdata, analytics, cognitive e intelligenza artificiale.

[email protected] / [email protected]

Linkedin: linkedin.com/in/federicobaffetti/twitter: @baffo1971

http://it.linkedin.com/in/federicobaffetti/

Filippo FerrettiIT Simplifier

Cloud Architect, consulente GDPR e Sicurezza, trainer.Capire, frazionare e raccontare i problemi IT, attorno cui costruire soluzioni, processi e architetture per renderli piu’ gestibili e scalabili. “Simplify then add lightness” C.Chapman

[email protected] / [email protected]

linkedin: www.linkedin.com/in/fnf

Missione: Aiutare le aziende a guadagnare vantaggi competitivi valorizzando il patrimonio dei dati per estrarne il maggior valore mediante l’”Intelligenza Artificiale”.

Essere il loro punto di riferimento, l’advisor ed il consulente durante l’intero percorso verso la consapevolezza dei big & smart data.

Reserved and confidential. Any unauthorized use of this material will be prosecuted according to the law.

Uno sguardo al “passato”


6

L’importanza dei datiQuanti? Quali?


7

Human vs Technology


8

Le tecnologie esponenziali richiedono pensiero esponenziale…

...e organizzazioni esponenziali...

Human vs Technology


9

Quali sono le differenze col passato?

Simultaneità e

convergenza

Velocita del cambiamento

Aumento funzionalità

Riduzione costi

Disponibilità Diffusa

Venture Capital

Dati, dati, dati...


10

Pervasività dell’AI


11

Cloud - Concetti generali#1 - Pubblico vs Privato vs Ibrido


12

Cloud - Concetti generali#2 - IAAS vs PAAS vs SAAS - teoria


13

Cloud - Concetti generali#2 - IAAS vs PAAS vs SAAS - pratica


14

Cloud - Concetti generali#3 - Shared Responsibility


15

https://aws.amazon.com/it/compliance/shared-responsibility-model/

https://aws.amazon.com/it/compliance/shared-responsibility-model/

Demistificare il Cloud#1- Il Cloud non e’ sicuro - server


16

Certificazioni / Attestati

ASIP HDS [Francia]C5 [Germania]Cyber Essentials Plus [UK]SRG del DoDENS High [Spagna]FedRAMPFIPSIRAP [Australia]ISO 9001ISO 27001ISO 27017ISO 27018K-ISMS [Korea]MTCS [Singapore]PCI DSS livello 1Rule 17-a-4(f) della SECSOC 1SOC 2SOC 3TISAX

Leggi/normative/privacy

Data Privacy in ArgentinaBC FOIPPACCPACISPECLOUD ActFERPAGDPRGLBAHIA [Alberta, Canada]HIPAAHITECHIRS 1075ITARNB PHIPAA [New Brunswick]PDPA – 2010 [Malesia]PDPA – 2012 [Singapore]PHIA [Nuova Scozia, Canada]PHIPA [Ontario, Canada]PIPEDA [Canada]Privacy Act [Australia]Privacy Act [Nuova Zelanda]Autorizzazione DPA (Spagna)Regno Unito DPA - 1988VPAT/articolo 508

Allineamenti/quadri

CISCJISCSAEU-US Privacy ShieldFFIECFISCFISMAG-Cloud [UK]GxP (FDA CFR 21 Part 11)ICREAMITA 3.0MPAANISTLivelli di certificazione Uptime InstituteUK Cloud Security Principles

https://aws.amazon.com/it/compliance/programs/

https://aws.amazon.com/it/compliance/programs/

Demistificare il Cloud#1- Il Cloud non e’ sicuro - client


17

https://aws.amazon.com/it/products/security/

https://aws.amazon.com/it/products/security/

Demistificare il Cloud#1- Il Cloud non e’ sicuro - client


18

Demistificare il Cloud#2- Il Cloud e’ “fail safe”


19

Demistificare il Cloud#2- Il Cloud e’ “fail safe” - regioni e AZ


20

Demistificare il Cloud#3- Non so quanto spendero’ di Cloud


21

https://calculator.s3.amazonaws.com/ https://calculator.aws/ https://awstcocalculator.com/

https://calculator.s3.amazonaws.com/

https://calculator.aws/

https://awstcocalculator.com/

PRO - CONTROCloud vs On-Premises


22

Modello “Pay-as-you-go”

Scalabilita’

Hardware e software allo stato dell’arte

Utilizzare nuove funzionalita’ al rilascio

? Costo delle operations

Ripensare e re-ingegnerizzare soluzioni

Enterprise Licensing

CASI D’USO


23

Workloads con imprevedibilita’ o picchi di traffico

Workloads di durata limitata nel tempo

Ambiente Test/Dev

Continuous Integration / Continuous Development

Disaster Recovery

Replica Geografica

Accesso/testing di nuove funzionalita’

Prototipazione di nuove idee/startup

AWS cloud services...


24

Perche’ scegliere AWSMarket Share


25


26

Perche’ scegliere AWSRetro-compatibilita’ e innovazione


27

Perche’ scegliere AWSPiattaforma per “costruire”


28

Perche’ scegliere AWSPolitiche dei prezzi


29

Cloud & AI Architectures

Smart & Big Data

Abbondanza di offerta...

Salesforce Einstein AI


30

Solutions & Platform Vendors

Data Science & AI Platform

Data Integration & Cloud Automation

Robotic Process Automation

Abbondanza di offerta...


31

Robotic Process Automation

● Automazione dei processi lavorativi● Robot software● Robot collaborativi (“cobot”)● Automazione dei task ripetitivi ed a

basso valore aggiunto● Interazione uomo-macchine (“human-

in-the-loop”)

● Evoluzione dell’automazione di processo (“workflow automation”)● Può gestire sia dati strutturati che dati non strutturati● Si integra perfettamente con alcune tecnologie e strumenti tipici dell’Intelligenza

Artificiale per consentire adattamento al modificarsi delle condizioni a contorno dei processi

Casi di business reali


33

Predizione da immaginiDeep Learning + Computer Vision

Ambito di business: analisi dello stato manutentivo di asset relativi ad infrastrutture e reti stradali / autostradali.

Obiettivo: censire e verificare le eventuali criticità presenti su struttura e superficie di gallerieautostradali per scopi manutentivi e valutazioni / rilevazioni tecnico-ingegneristiche

Soluzione: sistema basato su Deep Learning, Computer Vision e varie tipologiedi algoritmi di Intelligenza Artificiale:

● Object Detection per individuare lapresenza di fenomeni/difettosità/problemisulla superficie analizzata

● Object Recognition per riconoscereil tipo di fenomeno/difettosità/problemapresente sulla superficie analizzata

● Machine Learning per correlare i datirilevati sul campo con le immagini ed ifenomeni


34

Predizione da immaginiDeep Learning + Computer Vision

Case: backoffice di servizi e procedure con contenuti di tipoimmagine / fotografico

Obiettivo:Automazione dei seguenti processi:

- Classificazione dei contenuti delle immagini:a. “Generico” - basato su entità ad alta astrazioneb. “Specifico” - basato su contenuti del cliente

- Nel caso b. la “predizione” coinvolge anche attributispecifici legati al contenuto dell’immagine

Soluzione:Sistema di Machine Learning e Intelligenza Artificiale, modellatosulle esigenze specifiche del dominio di applicazione (ad esempiopredizione del danno di un’auto, della qualità o conformità di un prodotto, della presenza di un oggetto o di un volto all’interno di una fotografia o di un video)

Realizzazione piattaformaBig Data & Data Science


35

Case: servizi enterprise di data analytics e data science / prediction in ambitoenterprise manufacturing

Obiettivo dell’intervento:

Identificare la migliore soluzione per l’adozione di piattaforme di data analytics per realizzare l’architettura del “data lake” / datawarehouse in ambiente cloud, che integri datiprovenienti dalla produzione (MES) raccolti dal campo, dati gestionali e di commessa / CRM (ERP) e dati esterni all’azienda (come dati .

Obiettivo di business:

Ottimizzare la pianificazione e l’allocazione delle risorse e dei fabbisogni, rappresentaresia dati di pianificazione e di produzione in near-realtime, che i dati di previsione relativialla supply chain. Ove possibile, prevedere l’alerting in presenza di pattern riconosciuti chepossono portare a fermo della produzione ed altre situazioni problematiche.

Soluzione:

Consulenza e advisory: dalla mappatura dell’”as is” e dei bisogni, alla definizione dellastrategia di approccio al cloud, fino alla progettazione della piattaforma di “data lake”, Big Data Analytics e Data Science. Predisposizione della reportistica di BI evoluta ed integrazione con algoritmi di machine learning per prediction dei “fault”.

Cloud Data Lake & Corporate Reporting Services (BI)

MES MES MES

Sensors

Realizzazione piattaformaBig Data & Data Science


36

Case: servizi enterprise di data analytics e data science / prediction in ambitoenterprise manufacturing

Architettura di riferimento

Classificatore documentale“intelligente”


37

Case: backoffice di servizi e procedura documentali

Obiettivo dell’intervento:

Automazione dei processi di:- Classificazione dei documenti (contratti, fatture, capitolati, delibere, etc.)- Estrazione di entità specifiche e metadati per ciascun tipo di documento (per es.

Comune, Regione, persone, ruoli, cariche, intestazioni, importi, riferimenti legislativi, etc.)

Soluzione:

Sistema di Machine Learning e Intelligenza Artificiale, modellato sulle esigenze specifichedel dominio di applicazione per la Pubblica Amministrazione, ampliabile a qualunque tipodi dominio documentale.


38

Ottimizzazione prezziin ottica predittiva

Case: Impostazione del prezzo di vendita prodotti

Obiettivo: Ottimizzare il prezzo di vendita di alcuni prodotti in ambitoalimentare in funzione dei costi e di altre variabili esterne

Soluzione:- Raccolta dati esterni relativi a variabili esogene che

influenzano la determinazione del prezzo di vendita- Realizzazione di algoritmi di Machine Learning /

Intelligenza Artificiale che, sulla base dell’andamentodei costi delle materie prime, della clusterizzazione deimercati (geografica, per tipologia, etc.) e dellaprofilazione della customer base suggeriscono ilmiglior prezzo di vendita in tutte le combinazioni di scenari


39

Chatbot conversazionali

Ambito: banking / finance (wealth management)Utenti target: persone fisiche con disponibilità d’investimento

Obiettivo:Profilare nel modo più preciso possibile i bisogni del cliente o prospect, rispetto ad una serie di attributi descrittivi e quantitativi relativi alladisponibilità economica e finanziaria, agli obiettivi di acquisto, investimento o aspettative personali, familiari, di gruppo

Soluzione:Sistema di chatbot / assistente virtuale con cui l’utente interagisce in forma conversazionale all’interno dell’applicazione enterprise del cliente, utilizzando un motore intelligente di domande e risposte, basato suinterpretazione del linguaggio naturale ed estrazione di entità

Mi chiamo Federico, faccio l’imprenditore a Bologna. Ho una casa di proprietà [...]

Grazie, Federico! Mi descrivi i tuoi obiettivi di acquisto / investimento di breve termine?

cloudif.ai srlVia Martiri dell’Italicus, 2

40033 Casalecchio di Reno (BO)[email protected]

Federico [email protected]+39 393 9858983

Cloud e Intelligenza Artificiale - Federmanager Bologna · 2020. 1. 29. · Intelligenza...

Documents

Transcript of Cloud e Intelligenza Artificiale - Federmanager Bologna · 2020. 1. 29. · Intelligenza...