1. Hype Cycle for Natural Language Technologies, 2024
2. Hype Cycle for Finance Data and Analytics Governance, 2024

We are proud to be recognized as a Sample Vendor in Semantic Search Technology in both Gartner® reports.

“We believe this mention affirms that we are on the right path”, said our Senior Partner Federico Cussigh.

Gartner, Hype Cycle for Natural Language Technologies, 2024, By Bern Elliot, Adrian Lee, Gabriele Rigon, 29 July 2024 and Hype Cycle for Finance Data and Analytics Governance, 2024, By Valeria Di Maso, 9 August 2024.

Gartner and Hype Cycle are registered trademarks of Gartner, Inc. and/or its affiliates in the U.S. and internationally and are used herein with permission. All rights reserved.

Gartner does not endorse any vendor, product or service depicted in its research publications, and does not advise technology users to select only those vendors with the highest ratings or other designation. Gartner research publications consist of the opinions of Gartner’s research organization and should not be construed as statements of fact. Gartner disclaims all warranties, expressed or implied, with respect to this research, including any warranties of merchantability or fitness for a particular purpose.

Conoscenza: come trattenerla

Dobbiamo infatti immaginare cosa potrebbe succedere alla nostra organizzazione se alcune persone strategiche (che tipicamente sono poche), cioè quelle persone che in ogni organizzazione detengono le vere conoscenze distintive, dovessero abbandonare l’organizzazione.

Le conoscenze distintive potrebbero essere (solo per citarne alcune):

• di Prodotto/Servizio: le ricette costruttive, le conoscenze distintive su prodotti e servizi rispetto a quelli venduti alla concorrenza, la conoscenza dei clienti rispetto ai propri prodotti ed ai loro casi di utilizzo;
• di Processo: le modalità con le quali l’organizzazione riesce a creare ciò che vende, oppure ciò che caratterizza “l’arte del saper fare” in ogni organizzazione, arte che spesso diversifica e valorizza un’organizzazione rispetto alla propria concorrenza;
• di Sistema: le vere regole e consuetudini di funzionamento di un’organizzazione (che spesso vanno al di là delle procedure e istruzioni operative formalizzate) e che spesso sono proprio esse a a garantire con continuità l’output di ogni ufficio/reparto, al fine per conseguire gli obiettivi dell’intera organizzazione.

Sono, in definitiva, quei collaboratori che, quando emerge un problema complesso o inaspettato su un impianto, una commessa, un cliente o un prodotto sanno esattamente cosa fare, dove mettere le mani, chi coinvolgere e come agire, e tutto questo perché detengono il vero know-how di funzionamento, detengono la memoria storica aziendale e quindi sono quelli che “sanno sempre cosa fare nei momenti straordinari”. Sono proprio quelle le persone che spesso, se dovessero abbandonare l’organizzazione senza un opportuno passaggio di consegne, metterebbero a serio rischio la continuità operativa di alcune aree o funzioni aziendali.

Chi detiene quindi la vera conoscenza?

Se, solo per un momento, magari limitatamente ad alcune specifiche funzioni, lo scenario sopra descritto potesse essere realmente accadere, la vera domanda che dobbiamo farci è: quell’organizzazione in realtà detiene realmente la proprietà della propria conoscenza distintiva? La risposta forse è no o non del tutto!

Un’organizzazione che ha invece iniziato da tempo a:

• Raccogliere e consolidare la propria conoscenza distintiva all’interno di Asset Digitali
• Implementare opportuni Sistemi di Gestione di tali Asset Digitali

può iniziare a considerarsi come la vera proprietaria della propria conoscenza distintiva, mettendola al riparo.

Tutto ciò significa implementare un vero sistema di Knowledge Management.

Il tempo: il problema principale nell’avvio di ogni progetto di Knowledge Management

Il problema principale, spesso sottovalutato, nell’implementazione di un sistema di Knowledge Management consiste nel fattore tempo: molte organizzazioni infatti iniziano a pensare a queste tematiche solo dopo che delle perdite significative di conoscenza sono avvenute e quando il tempo per implementare in modo graduale e corretto un sistema di gestione praticamente non c’è più: spesso le organizzazioni arrivano semplicemente “troppo tardi”

Deve essere chiaro a tutti che per poter instaurare un corretto sistema di Knowledge Management funzionante, servono certamente risorse umane ed investimenti, ma serve soprattutto una certa quantità di tempo al fine di poter raccogliere e strutturare la conoscenza in modo corretto, scegliendo cosa salvare a sistema e cosa tralasciare, per rendere realmente fruibile la vera conoscenza che conta.

È tempo di mettersi in azione ed evitare che scenari di perdita di competenze distintive accadano: oggi gli strumenti ci sono e sono disponibili sul mercato.

Questo è il motivo per il quale abbiamo creato la nostra soluzione BoK – Branches of Knowledge che è una soluzione di Knowledge Management finalizzata alla creazione di Asset Digitali basati sulla conoscenza e le competenze distintive delle organizzazioni.

Vuoi saperne di più? Richiedi subito una demo della nostra soluzione BoK

Mi rendo conto che il titolo può sembrare un po’ forte, ma l’argomento che voglio trattare è uno di quelli da non sottovalutare: è possibile che un algoritmo di Intelligenza Artificiale, o meglio di Intelligenza Aumentata, risenta di alcuni sostanziali errori di programmazione e bias (Nota 1) tali da rendere un’elaborazione basata su di esso talmente di parte da sfiorare il rischio che sia razzista (Nota 2)?

La risposta, come vedremo in alcuni casi, potrebbe essere affermativa, a seguito di due diverse criticità che vengono proposte di seguito in questo articolo.

Primo problema: ogni algoritmo di Intelligenza Artificiale risente delle scelte fatte sulla scelta dei dati utilizzati durante la fase di machine o deep learning

Ogni Project Leader, Analyst, Architect, Programmatore, Data Scientist ed in generale chiunque intervenga in un progetto di implementazione di un algoritmo di Intelligenza Aumentata compie necessariamente delle scelte. Chi si occupa della definizione della fase di machine o deep learning è chiamato (oltre ad identificare uno o più modelli matematici/statistici) a definire su quali dati, tra tutti quelli a disposizione, egli eseguirà i cicli di training e di test dei modelli.

Queste scelte possono essere intrinsecamente affette dei vizi di fondo: la scelta di quali dati utilizzare può rendere tali dati “parziali” perché le scelte fatte possono dipendere dalla cultura, dagli studi fatti, dall’esperienze del passato, dai pregiudizi, dai valori, dagli stereotipi, dalle credenze che naturalmente compongono l’animo umano (compreso l’animo dei razionalissimi esperti di Data Science).  È quello che in termini scientifici viene chiamato bias (Nota 1) ed esso interviene quando la mappa mentale di una persona è condizionata da concetti preesistenti non necessariamente connessi tra loro da legami logici e validi.

Può accadere che chi implementa progetti di Intelligenza Artificiale possa prendere delle scorciatoie cognitive, certamente in buona fede, ma che possono portare ad intravvedere nei dati dei fenomeni che in realtà non esistono: nell’immagine qui sopra riportata c’è sicuramente un triangolo nero, c’è una persona che sta guardando tre elementi neri, ma non c’è alcun triangolo bianco, anche se a noi sembra di intravvederlo, ma è un’illusione cognitiva.

Non parliamo poi di quando una semplice correlazione tra dati assolutamente scollegati tra di loro viene scambiata per una relazione di causa-effetto: immaginiamo che venga trovata una correlazione tra l’andamento del numero di persone annegate in piscina in Italia ed il numero di automobili vendute in Giappone. Il fatto che i due fenomeni “si muovano statisticamente” in modo similare o correlato, ciò non significa che siano tra di loro in una relazione di causa-effetto.

Da tutto ciò ne deriva il fatto che nell’implementazione di un freddo algoritmo matematico-statistico si può sempre intravvedere anche un “riverbero” più o meno marcato della sensibilità dell’animo umano di chi lo ha implementato o ha semplicemente scelto su quali dati addestrare un Engine di IA. E se l’implementatore fosse mosso da proprie scelte discutibili o avesse dei fini non etici o immorali?

Dare per scontato che tutti questi problemi non esistano e non possano in qualche modo generare delle deformazioni della rappresentazione della realtà prodotta dall’Intelligenza Aumentata è un bias in sé stesso.

Secondo problema: quali sono i limiti endemici che affliggono i dati disponibili al livello mondiale, sui quali eseguiamo i cicli di training dell’Intelligenza Artificiale?

La risposta a questa domanda non è scontata, in particolare quando riflettiamo concretamente sul tema dei dati che realmente sono disponibili su larga scala e a livello mondiale.

Innanzi tutto, dovremmo chiederci:

• Quali sono le nazioni/mercati che oggi producono dati?
• Quali sono i contesti culturali di cui fanno parte queste nazioni?

Ci dovremmo porre queste domande prima di lanciare ogni nuova attività di training di Engine IA che non riguardi fenomeni particolari, ma che abbia un respiro internazionale o si occupi di fenomeni a livello globale.

E se i dati che disponiamo fossero afflitti da un tremendo bias semplicemente perché si tratta di dati parziali?

Rappresentatività dei dati

Per approfondire questo argomento è opportuno dare un’occhiata ad un articolo pubblicato sulla Harward Business Review dal titolo “Which Countries Are Leading the Data Economy?” (Nota 3) scritto da Bhaskar Chakravorti, Ajay Bhalla e Ravi Shankar Chaturvedi, che vi invito a leggere.

In questo articolo viene stillata la classifica delle 30 nazioni al mondo che producono più dati. La classifica tiene conto dei seguenti fattori:

1. Volume: quantità assoluta di banda larga consumata da un paese, come indicatore della quantità di dati grezzi generati.
2. Utilizzo: numero di utenti attivi su Internet, come indicatore dell’ampiezza dei comportamenti, delle esigenze e dei contesti di utilizzo.
3. Accessibilità: apertura istituzionale ai flussi di dati come modo per valutare se i dati generati in un paese consentono una più ampia usabilità e accessibilità da parte di più ricercatori, innovatori e applicazioni di IA.
4. Complessità: volume del consumo a banda larga pro capite, come indicatore per la sofisticazione e la complessità dell’attività digitale

Gli autori, nel loro articolo, segnalano che il concetto di “dati” è obiettivamente molto ampio ed è difficile da definire in modo univoco. È interessante capire quale sia l’approccio che i ricercatori hanno proposto per definire il concetto di dato: è noto che, per riconoscere la traccia digitale generata dai sistemi di scambio di dati di tutto il mondo, bisogna coprire ed analizzare una vasta gamma di attività, dall’invio di un messaggio di testo, una email, un post sul social, un SMS, i dati IOT, fino alle transazioni economico-finanziarie.

Per consentire un confronto omogeneo tra dati molto diversi e provenienti da tutto il mondo, hanno proposto di utilizzare la quantificazione della banda larga disponibile pro capite come misura di dell’ampiezza e della complessità dello scambio di dati che avviene in quel luogo del mondo (in qualche modo, imitando l’uso del reddito pro capite come indicatore della prosperità complessiva).

Ed ecco la classifica delle nazioni al mondo che producono più dati, rispetto ai quatto fattori sopra esposti:

Vorrei porre l’attenzione sul fatto che, per i fini del presente articolo, quando si conta il numero delle nazioni al mondo, indirettamente si contano quante diverse aggregazioni “uniche” esistono di individui che tipicamente condividono una lingua, un luogo geografico, una storia, delle tradizioni, un’etnia ed eventualmente un governo: queste aggregazioni sono indirettamente rappresentative di quante diverse Culture (per quanto simili, ma non equivalenti) esistano al mondo.

Mi sono quindi posto una domanda molto semplice: queste 30 nazioni quanto rappresentano in termini di numero di individui, rispetto alla popolazione mondiale?

Dall’ultima stima sulla popolazione mondiale redatta dall’ONU con riferimento al 01/07/2015 (Nota 4) si evince quanto segue:

Dei 7,3 miliardi di persone esistenti al mondo sparse in 196 nazioni:

• Le prime 20 nazioni che producono dati hanno una popolazione di 2,5 Miliardi di persone, pari al 34,2% della popolazione totale
• Se si aggiungono le successive 10 nazioni produttrici di dati, si raggiungono i 4,6 miliardi di persone

pertanto, le prime 30 nazioni produttrici di dati al mondo rappresentano il 15,3% delle 196 nazioni, e coprono solo il 63,6% della popolazione totale.

Si deve considerare che la classifica delle 30 nazioni maggiori produttrici di dati non coincide con le 30 nazioni più popolose al mondo: ben 14 nazioni della classifica di quelle più popolose sono escluse dalla classifica delle 30 nazioni produttrici di dati e queste nazioni escluse, da sole, raggiungono il 18,3% della popolazione mondiale.

Considerando che complessivamente l’ONU censisce 196 diverse nazioni al mondo, ne consegue che ci sono ben 166 nazioni che sono praticamente escluse dalla classifica dei 30 maggiori produttori di dati e in esse vive il 36,4% della popolazione mondiale.

Il tutto poi deve essere letto alla luce del fatto che nelle prime 30 nazioni che producono dati al mondo compaiono anche la Cina e l’India (che complessivamente ammontano al 37,1% della popolazione mondiale), dove è risaputo che la maggior parte della popolazione è ridotta a livelli di povertà tali da non produrre in realtà alcun dato.

Se solo si sottraesse la metà dei cinesi e degli indiani, i quali non dovrebbero comparire nel conteggio delle popolazioni correlate con la produzione di dati, la rappresentatività delle prime 30 scenderebbe dal 63,6 al 45,0% della popolazione mondiale.

Tale rappresentatività parziale delle nazioni/culture correlate alla produzione di dati diventa ancora più marcata se si analizza l’area geografica di provenienza di quei dati

Da questa rappresentazione geografica chiaramente emerge che:

• Ci sono intere aree culturali che non rientrano nella lista delle 30 nazioni che maggiormente producono dati al mondo
• Tali aree culturali (stiamo parlando di ben 166 diverse nazioni) seppur minoritarie per numero di abitanti, o per estensione territoriale, non sono rappresentate termini di dignità e di rappresentatività nelle basi di dati che rappresentano fenomeni globali.

Le 30 nazioni maggiori produttrici di dati ricalcano perfettamente il modello delle nazioni definite WEIRD: Western, Educated, Industrialized Rich and Democratic (occidentali, istruite, industrializzate, ricche e democratiche), che ovviamente non possono essere considerate rappresentative dell’intera umanità. Dobbiamo rassegnarci: i dati oggi a disposizione ed analizzabili con algoritmi di Intelligenza Aumentata, se applicati all’intera popolazione del mondo non sono per ora (purtroppo) rappresentativi.

Conclusione

C’è il concreto rischio che quando gli algoritmi di Intelligenza Aumentata vengono applicati a fenomeni di tipo “macro o globali” i due bias citati in questo intervento si sommino:

• Un primo bias generato dal lato più umano del Data Scientist
• Un secondo bias generato dalla parzialità dei dati generata dal fatto che essi non sono rappresentativi di intere aree culturali del nostro pianeta o non rappresentano determinati gruppi di individui.

Ciò può minare pesantemente l’efficacia delle elaborazioni eseguite tramite un algoritmo di Machine Learning o di Deep Learning, il quale non ha una sua volontà autonoma: si limita solo a studiare i dati che gli vengono forniti.

Non è che l’Intelligenza Aumentata sia “razzista” in sé, ma l’elaborazione generata partendo da dati parziali o affetta da bias dell’implementatore possono trasformare un Engine di IA in un razzista della peggior specie. L’effetto poi è ulteriormente amplificato quando un’elaborazione eseguita su un ridotto set di dati viene estesa in modo arbitrario a livello globale, perdendo quindi di significatività. Ciò può portare in modo fallace anche alla conferma di teorie illogiche, trend inesistenti e fenomeni non reali.

Concludendo, in un progetto di Intelligenza Aumentata, i dati utilizzati per la fase di Machine Learning devono essere sempre “rappresentativi della globalità dei fenomeni”.

Per fare ciò si parte dalla scelta della composizione del team dei Data Scientist, perché già essa stessa è cruciale. Se è vero che è impossibile evitare i bias spesso involontari generati da singoli operatori, è altrettanto vero che tali “bias del singolo” possono essere significativamente mitigati attraverso la creazione di team d’implementazione multiculturali, composti da esperti con percorsi di formazione complementari e con esperienze professionali ed umane le più diversificate possibili.

I dati poi devono rispondere sempre a 4 criteri fondamentali: devono essere rappresentativi di un intero fenomeno, devono essere rilevanti, non devono contenere errori e, cosa assai importante, fin dalla fase di prima analisi, è necessario che tutti quei dati siano validati da persone esperte di settore o di quegli specifici domini di dati.

Solo applicando sempre tutte queste attenzioni si può evitare che un algoritmo di Intelligenza Aumentata generi risultati talmente parziali da rasentare in modo involontario il razzismo.

La sfida oggi è quella di sviluppare algoritmi di Intelligenza Aumentata in maniera etica, inclusiva, non discriminante, ma si parte dalla qualità dei dati e dalla qualità delle persone che li analizzano.

La piena rappresentatività dei dati e la composizione diversificata del team di esperti implementatori sono i principali antidoti a questi rischi, che comunque sono sempre presenti e devono essere tenuti in debita considerazione.

Note e fonti dei dati

Bias cognitivo: è un errore sistematico nell’elaborazione delle informazioni utilizzate durante la fase di machine o deep learning di un Engine di IA. Tale errore comporta la generazione di elaborazioni sbagliate, parziali, basate su pregiudizi consci e inconsci o generanti una visione distorta della realtà. Il bias può essere del tutto involontario e di solito lo è e dipende da una scorretta scelta dei dati sui quali eseguire la delicata fase di machine o deep learning. Un sistema basato su un bias dà origine a un machine bias, che può essere poi molto difficile da indentificare una volta che è messo a regime e in funzionamento.

Definizione di Razzista dal Vocabolario Treccani: “Razzista è chi predica e pratica il razzismo, inteso sotto il profilo storico come (scrive il Vocabolario Treccani) «ideologia, teoria e prassi politica e sociale fondata sull’arbitrario presupposto dell’esistenza di razze umane biologicamente e storicamente “superiori”, destinate al comando, e di altre “inferiori”, destinate alla sottomissione, e intesa, con discriminazioni e persecuzioni contro di queste, e persino con il genocidio, a conservare la “purezza” e ad assicurare il predominio assoluto della pretesa razza superiore».” http://www.treccani.it/magazine/lingua_italiana/articoli/parole/razzista.html Nel contesto di questo intervento, l’approccio razzista consiste nella non rappresentatività statistica di intere popolazioni all’interno dei database che vengono utilizzati per eseguire cicli di machine learning

Which Countries Are Leading the Data Economy? By Bhaskar Chakravorti, Ajay BhallaRavi and Shankar Chaturvedi JANUARY 24, 2019
https://hbr.org/2019/01/which-countries-are-leading-the-data-economy

ONU – World Population Prospects: The 2012 Revision,  http://esa.un.org e https://it.wikipedia.org/wiki/Stati_per_popolazione

Dettagli su elaborazione propria, basata sulle fonti di dati (Nota 3) e (Nota 4)

Ma qual è la differenza tra chatbot divergente e chatbot convergente? Non potevo non rivolgermi a GPT-3 per chiederlo, questa è la sua risposta:

“Un chatbot convergente è progettato per rispondere a domande specifiche o eseguire compiti specifici in modo efficiente. Di solito, questo tipo di chatbot segue un percorso di conversazione lineare, in cui l’interazione è guidata dall’utente e dal chatbot in modo da raggiungere un obiettivo preciso. Ad esempio, un chatbot convergente potrebbe essere utilizzato per assistere gli utenti nel completamento di un ordine o per rispondere a domande frequenti su un prodotto o servizio. 

D’altra parte, un chatbot divergente è progettato per avere una conversazione più libera e aperta con l’utente, senza seguire un percorso di conversazione lineare. Questo tipo di chatbot è in grado di gestire una vasta gamma di argomenti e può rispondere a domande aperte e generiche, fornendo anche informazioni aggiuntive o intrattenimento. Ad esempio, un chatbot divergente potrebbe essere utilizzato per chiacchierare con gli utenti, fornire informazioni su eventi locali o consigli su attività da fare. 

In sintesi, la principale differenza tra un chatbot convergente e uno divergente è che il primo segue un percorso di conversazione lineare e mirato, mentre il secondo permette una conversazione più aperta e flessibile. La scelta tra i due dipenderà dall’uso specifico per cui si intende utilizzare il chatbot e dagli obiettivi dell’interazione.“

Molte aziende in questo momento si stanno infatti chiedendo quale tipo di chatbot impostare in base ai loro fini: ognuna delle due tecnologie ha aspetti positivi e negativi, vediamole nel dettaglio.

Meglio un chatbot divergente o un chatbot convergente?

L’ovvia risposta è che dipende dai casi d’utilizzo, ma in generale per realizzare un chatbot cognitivo aperto al pubblico, come ad esempio un venditore digitale, se si vuole aggiungere contenuti non lineari, servono entrambi. Vediamo il perché.

La potenza di tutti gli engine di IA di tipo divergente (come lo è chatGPT) consiste nella capacità di dare risposte appunto non lineari, risposte sulle quali il progettista del chatbot o data scientist non ha pre-determinato in modo esplicito la relativa risposta. 

Gli aspetti più critici della tecnologia chatbot divergente sono:  

• L’engine di IA è tecnicamente è in grado di rispondere praticamente a qualunque domanda e in un chatbot per uso reale, non sempre è necessario (o opportuno) rispondere a certi tipi di domanda 

• Non sempre le domande sono precise ed accurate anzi, spesso contengono degli errori, talvolta macroscopici. 

Certamente tramite queste criticità sono parzialmente risolvibili tramite: 

• Il prompt-engineering, che è la capacità di indicare all’engine di IA delle caratteristiche ricercate, degli stili di risposta e, cosa più importante, di focalizzare l’engine di IA in modo che si concentri su uno specifico obiettivo; 
• Il training su delle knowledge base specifiche, per fare in modo che l’engine di AI, quando risponde, usi anche tale “conoscenza aggiuntiva specialistica”. 

Ma ciò non basta.

Voi investireste un centesimo in un chatbot che quando gli viene posta la domanda “chi è la migliore azienda che produce…” e la risposta è il nome del vostro peggiore concorrente? Non credo. Cosa doppiamente grave se poi tale risposta non è neanche vera!

Come integrare i due tipi di chatbot

Quando si vuole dotare un chatbot di alcune capacità di risposta di tipo divergente, bisogna utilizzare nella stessa piattaforma molteplici engine: 

• Uno o più di tipo divergente, orchestrati da uno di tipo convergente; 

• Uno di tipo convergente (quello lineare, con risposte controllate ed in grado di monitorare intenti ed entità presenti nella comunicazione con l’utente) al quale dare il ruolo dell’ORCHESTRATORE CONVERGENTE, che filtra tutte le richieste utente e decide quale engine debba dare la risposta (lui stesso se ha già la risposta, oppure uno diverso); 
• Ai vari engine divergenti (quelli non lineari, con risposte creative) il compito di rispondere solo se l’orchestratore ha inviato loro una domanda. 

Solo così è possibile sviluppare un chatbot che: 

• Continui a rispondere in modo corretto a tutte le domande di interesse dell’organizzazione, fornendo risposte puntuali, precise e corrispondenti al vero; 
• Possa, in alcuni casi, rivolgersi agli engine divergenti, in base all’uso (permettendo anche di filtrare la risposta ottenuta ripassandola al chatbot convergente per una doppia risposta);
• Possa filtrare la presenza nelle domande di argomenti non voluti, fuori tema, oppure di domande che contengono certe funzioni “nascoste” degli engine di IA che permettono di evitare i filtri etici e legali.

Conclusione

Per fare questo serve quindi una piattaforma chatbot in grado di gestire molti engine di IA contemporaneamente. La nostra piattaforma di chatbot MCC, per esempio, è strutturata per integrare entrambi i tipi di engine.

Noi teorizzavamo questo già 6 anni fa, all’inizio del nostro percorso nel mondo dei chatbot cognitivi basati su IA: cioè la co-presenza in un chatbot di diversi engine specialistici che vengono utilizzati in modo controllato da un engine orchestratore e da alcuni algoritmi di programmazione standard che collaborano per dotare un chatbot convergente anche di funzionalità divergenti. 

Per sviluppare oggi un vero assistente digitale basato su IA, la presenza di una moltitudine di engine è una caratteristica imprescindibile ed è l’unico modo (assieme al prompt engineering ed al training specifico) di realizzare soluzioni chatbot “industrial grade” in grado di produrre risultati eccezionali, ma rispettando l’etica dell’organizzazione, le norme etiche condivise a livello internazionale e che risponda a criteri di legalità, aiutando le organizzazioni a rispondere meglio ai propri clienti o a presentare prodotti in modo innovativo.

Vuoi vedere come funziona il nostro chatbot MCC?

Tipologie di Knowledge

Coerentemente con tale modello, distinguiamo infatti due tipologie di Conoscenza o Knowledge:

• Knowledge Formalizzato: tipicamente è quello di proprietà delle organizzazioni
• Knowledge delle Persone: normalmente rimane nelle disponibilità quasi esclusive di alcune persone all’interno delle organizzazioni.

Lo possiamo rappresentare nel seguente modello grafico:

Knowledge Management: le tre fasi principali

Questo modello aiuta a mettere in evidenza che, per giungere ad un completo Sistema di Knowledge Management , si rende necessario utilizzare degli appropriati strumenti, i quali devono essere in grado di gestire le tre macro fasi che caratterizza il processo di gestione della conoscenza:

• FASE 1: Attività di Espansione del Knowledge, che si divide in:
  • ACQUISIZIONE della conoscenza da fonti esterne all’organizzazione;
  • INTERNALIZZAZIONE della conoscenza, che è la fase di acquisizione di quella parte del knowledge che spesso è detenuto in modo esclusivo delle Persone nell’organizzazione. Questa tipologia di conoscenze, perché possano diventare fruibile dall’intera organizzazione, necessitano prima di essere formalizzate tramite appositi strumenti.
• FASE 2: Attività di Consolidamento del Knowledge, che caratterizza ogni Enterprise Search Engine, il quale per essere chiamato tale deve essere in grado di gestire in modo opportuno le seguenti fasi:
  • SELEZIONE dei contenuti: un vero sistema di gestione della conoscenza deve essere in grado di eseguire delle ricerche sulla Knowledge Base dell’organizzazione, usando una moltitudine di tecnologie che non si limitano alla sola ricerca testuale;
  • UTILIZZO dei contenuti: i contenuti devono essere resi fruibili, cioè devono essere in qualche modo “messi in azione” nell’ambito delle attività svolte dagli operatori nell’ambito dei processi gestiti dall’organizzazione;
  • GENERAZIONE di nuova conoscenza: il continuo monitoraggio sull’utilizzo della conoscenza permette alle organizzazioni di riconoscere quali siano le vere informazioni da considerare utili le quali sono quelle che poi alla fine caratterizzano l’organizzazione stessa in quanto sono quelle che sono state riconosciute come correlate con l’operato dei collaboratori.
• FASE 3: Attività di esternalizzazione
  • CONDIVISIONE. Rappresenta la possibilità di condividere in sicurezza con i propri clienti, fornitori e stakeholders alcuni ambiti selezionati del proprio Knowledge. Ciò può avvenire anche attraverso l’utilizzo di piattaforme basate su IA come i Chatbot cognitivi.

Quando un sistema di gestione della conoscenza è in grado di garantire tutte queste funzionalità, allora possiamo iniziare definire tale sistema con un Sistema di Gestione della Conoscenza, anche detto Sistema di Knowledge Management (consulta anche la nostra bibliografia sul Knowledge Management).

Knowledge Management: il nostro sistema

La nostra soluzione che si occupa di tutto questo è BoK – Branches of Knowledge che è una Soluzione di Knowledge Management sviluppata per:

• Espandere e consolidare la conoscenza delle organizzazioni
• Trasformare la conoscenza in Asset Digitale
• Creare valore, basato sulla conoscenza, perché la conoscenza trasformata in Asset Digitale diventa Patrimonio dell’organizzazione.

Vuoi saperne di più? Richiedi subito una demo della nostra soluzione BoK

Si tratta di quel tipo di creatività che può essere messa all’opera indirizzandola verso il raggiungimento di un obiettivo. La Creatività Operativa è insomma la creatività che possiamo sperimentare nelle nostre organizzazioni e che le qualifica in modo distintivo.

Oggi, grazie ad un sapiente utilizzo delle tecnologie digitali disponibili è possibile raccogliere, strutturare e rendere fruibile la conoscenza che può essere messa a servizio della Creatività Operativa.

Quando la tecnologia digitale è messa al servizio della gestione e della valorizzazione del “know-how” che è presente nelle organizzazioni, nascono dei veri e propri Asset Digitali, che sono parzialmente in grado di rendere tangibile la conoscenza.

Gestione della conoscenza su Asset Digitali

La cosa interessante del processo di gestione della conoscenza basata su un Asset Digitale è che grazie a quella tecnologia si può accettare la presenza di un certo livello (controllato e gestito) di disordine nei dati e nelle informazioni che spesso è presente nelle organizzazioni indipendentemente dalla loro dimensione.

Si tratta del cosiddetto “disordine creativo” il quale, se opportunamente gestito, può divenire fonte di ispirazione, come accade nelle botteghe degli artigiani creativi, dove spesso c’è:

• Ordine dei mezzi e degli strumenti
• Un certo livello di disordine nei materiali

che messi assieme permettono all’artigiano creativo di raggiungere con efficacia lo scopo delle proprie attività, ma nel contempo lasciano aperta la possibilità che dal disordine possano emergere nuove idee.

Questo esempio può esserci da guida rispetto al fatto che nonostante nelle nostre organizzazioni possa essere presente un certo livello di disordine nei dati e nelle informazioni, se si usano gli opportuni Asset Digitali per gestire la Conoscenza, ecco che da quel parziale disordine possono emergere delle idee e soluzioni creative.

Ho parlato di tutto questo nell’evento Udine 3D Forum organizzato da Confartigianato Udine.

Durante l’annuale incontro aperto a tutti i Business Partner italiani, nello slot dedicato alle applicazioni funzionanti dell’innvazione tecnologica, IT’S.:.B2B Srl presenterà il progetto Pennino, basato su piattaforma VenDi nata dalla collaborazione tra da IT’S.:.B2B srl, SegnoProgetto Srl e Kjosul Srl di Udine.

VenDI diventa Pennino

Il progetto Pennino è stato sviluppato per conto di un produttore italiano di penne del settore luxury ed è il primo esempio di Venditore Digitale.

VenDi è l’anello mancante tra un sito web istituzionale e un sito di e-commerce.

VenDi è anche uno strumento evoluto  di story-telling e di marketing 1 to 1.

VenDi è un Venditore Digitale basato su tecnologia Cognitive IBM Watson Assistant e 3D sviluppato dalla collaborazione tra IT’S.:.B2B Srl, Business Partner IBM,  SegnoProgetto Srl e Kjosul Srl, tutte società friulane.

VenDi è in grado di accompagnare un cliente utilizzando uno o più funnel di vendita, ed oltre alla consueta capacità di gestire un dialogo in linguaggio naturale tipica di un chatbot cognitivo, è in grado di rappresentare oggetti 3D ad altissima risoluzione.