Case Study

L’Analisi Semantica, basata su tecniche di Intelligenza Artificiale, consente alla macchina di comprendere testi ed estrarre informazioni.

Il nostro Motore di Ricerca Semantico consente di esaminare grandi quantità di documenti per scoprire informazioni e rispondere a domande di ricerca specifiche. La nostra soluzione identifica fatti e relazioni che altrimenti rimarrebbero nascosti nella massa dei big data testuali. Una volta estratte, le informazioni vengono convertite in una forma strutturata che può essere ulteriormente rappresentata attraverso oggetti grafici intuitivi.

Il nostro Motore di Ricerca Semantico, nello specifico, consente di:

• estrarre testo, tabelle, immagini e altri elementi costitutivi da articoli di giornale, pubblicazioni scientifiche, manuali, schede tecniche, relazioni, contratti, etc.;
• tradurre, tramite OCR, immagini contenenti testo in testo vero e proprio;
• sottoporre i testi ottenuti ad analisi semantica, con il duplice scopo di ottenere l’indicizzazione dei contenuti e di ricostruire il testo in forma web friendly;
• creare un sistema di question answering che risponda automaticamente alle domande poste attraverso il linguaggio naturale, estraendo i contenuti dalla knowledge base creata nel punto precedente.

Rispondere alle domande non è più cercare una stringa in un testo, ma un concetto in un corpo di conoscenza (ontologia), tenendo conto del contesto.

La nostra soluzione è orientata per i seguenti settori:

• Editoria
• Studi commercialisti, notai, avvocati
• Studi di ingegneria
• Organizzazioni scientifiche

Questo progetto è volto a traghettare la clientela dai canali di vendita tradizionali a quelli digitali.

La soluzione consente di indirizzare gli sforzi del team di vendita verso quei clienti che potrebbero essere più sensibili a questa opzione andando a identificarli con una soluzione di intelligenza artficiale.

La soluzione proposta deve essere quanto più indipendente da parametri e soglie arbitrari.

La soluzione implementata ha analizzato, all’interno del datalake del cliente, le informazioni che potessero descrivere la base della clientela in termini di abitudini di acquisto assolute e digitali.

Da questo dataset, standardizzato e ridotto di dimensionalità tramite PCA, sono stati eliminati gli outliers tramite algoritmo DBSCAN. Sui dati restanti sono stati sviluppati algoritmi di clustering volti a trovare regolarità tra clienti: in particolare, data l’accurata scelta del dataset, uno dei due clusters in cui è stata suddivisa la popolazione è risultato formato dai soli clienti che hanno già la tendenza a operare su canali online. Il centroide di questo cluster è stato preso come “cliente online modello” dove è stata calcolata per ogni punto la distanza rispetto al modello.

Il risultato consente di individuare all’interno della base clienti i cluster con maggiore propensione ad operare su piattaforme di acquisto online.

Sviluppo di uno strumento di valutazione dei Leads a supporto della forza vendita.

Questa soluzione utilizza algoritmi di intelligenza artificiale per assegnare una probabilità di vincere per ogni Lead/trattativa, al fine di concentrare la forza vendita sui contatti vincenti, e allo stesso tempo cercare strategie preventive per aumentare le possibilità di successo.

La strategia si è rivelata vincente perché consente di utilizzare direttamente dati significativi ma non quantitativi, quindi impossibili da inserire in un modello matematico.

Ogni giorno le organizzazioni finanziare mondiali devono affrontare la minaccia delle frodi. La nostra linea di soluzioni di Intelligenza Artificiale include strumenti di apprendimento automatico per identificare le transazioni fraudolente nei mercati finanziari. Il nostro sistema è in grado di identificare:

• Se una giornata di Borsa per un titolo è normale o anomala, in base alla sua storia passata
• Se un cliente ha eseguito movimenti anomali, rispetto alla sua storia passata

Questi problemi sono ascrivibili alla classe dei problemi cosiddetti di anomaly detection, cioè legati alla scoperta di situazioni anomale sommerse in un sottofondo di dati considerati normali.

Per ottenere una buona accuratezza dell’algoritmo è necessario avere un dataset ricco di informazioni della storia passata dei titoli e della clientela. Per i titoli sono necessarie tutte quelle informazioni relative alle singole giornate di mercato come per esempio prezzo medio, volatilità e quantità scambiata. Mentre per i clienti è necessario avere tutte le informazioni possibili relative a dati anagrafici, demografici, dati del portafoglio e la storia dei movimenti.

Le giornate di negoziazione di titolo o i movimenti di un cliente vengono pensate come punti in moto in un opportuno spazio. Al passare dei giorni, il punto disegnerà una traiettoria in questo spazio, che per lo più resterà confinata in una zona, uscendone occasionalmente in concomitanza con eventi che perturbano questo moto. La zona in cui il punto passa la maggior parte del tempo rappresenta la normalità delle condizioni descritte dalle coordinate, mentre i punti occasionali al di fuori di questa zona rappresentano situazioni anomale.

Le reti unsupervised sono addestrate per ricercare i punti di anomalia indipendentemente da parametri e soglie, solo facendo riferimento alla storia passata del titolo o del cliente.

Le nostre soluzioni sono attualmente in uso presso importanti realtà finanziarie italiane e internazionali.

Questa soluzione prevede l’adozione di uno strumento di intelligenza artificiale per “leggere” le risposte di un test di 350 domande sviluppato da psicologi specializzati nel reclutamento.

L’obiettivo è utilizzare la capacità dell’intelligenza artificiale di scoprire le relazioni annidate in grandi quantità di dati per fornire ai valutatori uno strumento di feedback oggettivo.

Questo progetto mira a ottimizzare le vendite di materiali di consumo che sono di natura ripetitiva.

L’obiettivo è utilizzare la capacità dell’analisi predittiva per scoprire i modelli nelle vendite dei clienti per ottimizzare i tempi in cui la forza vendita contatta i clienti e prevedere la necessità di prodotti di consumo.

Il risultato è una migliore previsione dei lead e un’ottimizzazione delle vendite.

Questa soluzione è rivolta alle pubbliche amministrazioni, alle forze di pubblica sicurezza e le aziende che hanno bisogno di ispezionare video di atti vandalici, eventi, incidenti, furti, ecc ecc.

Il sistema implementato è in grado di analizzare video e identificare persone, veicoli o eventi, come l’incendio, in modo da supportare le forze dell’ordine nel controllo del territorio.

Il sistema è in grado di effettuare analisi dettagliate, ad esempio ricercando il volto di una figura umana, quando questa viene rilevata, oppure ricercando la targa di un veicolo.

Questa soluzione consente di determinare la probabilità di abbandono di un cliente attraverso tecniche di Intelligenza Artificiale. Un’accurata previsione della probabilità di abbandono di un cliente (churn prediction) ha impatto su diversi aspetti del business, inclusi: Marketing proattivo orientato al cliente, Previsione delle vendite, Modelli di Prezzo orientati alla ritenzione della clientela.

La soluzione può predire se un cliente abbandonerà o meno considerando questo come un problema di classificazione e costruendo, a partire dalle fonti presenti in azienda, un dataset descrittivo dei comportamenti del cliente. La risposta viene fornita in termini di classe di appartenenza del cliente (churn/no churn) e di probabilità associata.

È anche possibile dare una stima di quali siano le variabili del dataset che hanno maggior peso nell’una o nell’altra classe, ricavando informazioni su dove è più vantaggioso agire per prevenire l’abbandono.