AISent lavora per estrarre valore dai dati. Crediamo che sfruttando lo stato dell’arte degli algoritmi “data-driven” di machine learning ed intelligenza artificiale si possano risolvere problemi impensabili fino a pochi anni fa.
Per questo motivo abbiamo identificato 3 principali aree di expertise, di tecniche intrinsecamente legate alla natura dei dati che trattiamo. Serie storiche, ovvero dati nel tempo (o meno), immagini ovvero dati in 2 / 3 / 4 dimensioni, e testo, ovvero dati quantizzati e indivisibili per loro stessa natura.
Eppure questa classificazione, che per noi rappresenta un modo semplice per identificare fin da subito come approcciare un problema, è spesso sbagliata perché non tiene conto della quarta categoria di dati che trattiamo, ovvero il know-how. Il know-how, il segreto industriale, l’esperienza, è spesso uno dei dati più critici è importanti di un’azienda. Viene spesso insegnato ma quasi mai formalizzato.
Il know-how non formalizzato ha uno svantaggio, evidente, del vincolare la conoscenza di un processo, di una lavorazione o di una relazione, alle persone. Se una persona con un pezzo di azienda così importante dovesse lasciarci, rappresenterebbe sicuramente una grande difficoltà.
Il secondo svantaggio, meno evidente, è la mancata opportunità di migliorare quel processo. La mancata traduzione di quella conoscenza in un dato usabile da un algoritmo che possa poi prendere delle decisioni migliori, possa sostituire un componente critico o ridurre dei costi.
Alcuni esempi possono essere la formalizzazione di alcuni processi, ordini, di alcune lavorazioni o di alcune gestioni. Tutte queste categorie possono essere migliorate, ottimizzate, si possono ridurre i costi ed i tempi di consegna, oltre che a svincolarsi, almeno in parte, dalle persone chiave e critiche all’interno dell’azienda.
Se queste informazioni si formalizzano e si danno in pasto agli algoritmi, ci si apre quindi alla quarta categoria, quella su cui si basa spesso il maggior valore dell’azienda, quella del know-how.