L'Intelligenza Artificiale pone diversi problemi di approccio, anche concettuale, alle soluzioni che supporta. Oggi va per la maggiore l'approccio in stile funzionale-utilitaristico: l'AI funziona e permette di ottenere risultati utili, porsi altre questioni oltre la sua efficacia non serve. È una visione alla "move fast, break things", per la quale gli algoritmi di machine learning possono benissimo operare come scatole chiuse e opache. L'importante è il risultato.

In realtà è altrettanto importante che un algoritmo sia pensato sin dall'inizio in modo che si possa comprendere il perché delle sue decisioni e tenendo conto delle loro possibili conseguenze. Perché Ai e machine learning non sono la strada verso distopie o utopie - a seconda di quanto siete pessimisti od ottimisti sul tema - ma semplicemente strumenti. E come tutti gli strumenti, dobbiamo poterli controllare e sapere come funzionano.

È partendo da un assunto di questo genere che si comprende come la modenese Ammagamma possa parlare di AI "inclusiva", non per usare un termine che oggi va di moda ma perché il suo approccio allo sviluppo di soluzioni basate sul machine learning "include" sin dall'inizio chi quelle soluzioni poi le userà nella pratica. Un approccio diametralmente opposto a quello delle AI "black box" dei grandi provider.

Ammagamma ha iniziato a occuparsi di AI quasi dieci anni fa, mettendo a frutto le sue competenze in data science e matematica applicata prima di tutto nel settore energetico. "Man mano siamo cresciuti insieme alle esigenze dei clienti - racconta Giovanni Anceschi, Head of Innovation della società - mantenendo un approccio consulenziale. Nel 2020 abbiamo avviato un percorso diverso che ci ha portati dalla sola consulenza allo sviluppo di veri e propri prodotti, diversificando i campi di applicazione, dal mondo energy al manufacturing, dalla GDO al fashion".

L'odierna Ammagamma nasce allora, con anche una diversificazione della sua strategia: da un lato ancora una quota importante di progetti custom, dall'altro un modello di business legato a piattaforme verticali per use case specifici.

I due approcci, in realtà, partono dalla medesima filosofia, perché l'AI non può essere davvero completamente "standardizzata" se si vuole mantenere la sua massima efficacia. "Costruire un prodotto di AI B2B - spega Anceschi - è un viaggio tutto da esplorare". L'AI in sé non si standardizza: si nutre di dati e ha bisogno di dati specifici per dare una esperienza d'uso significativa e utile. "Per questo realizzare un prodotto di AI per noi significa ingegnerizzare un core di algoritmi per un tema specifico, mantenendo però un'ampia flessibilità su come si gestiscono i dati", sottolinea Anceschi.

La pratica dell'AI inclusiva

L'incontro tra la trasversalità dell'AI e la specificità del caso d'uso verticale è il momento in cui l'AI, nell'approccio di Ammagamma, diventa inclusiva: la progettazione della soluzione coinvolge gli utenti sin dalle prime battute e anche nelle successive fasi di sviluppo e test i feedback degli utilizzatori sono considerati essenziali. "Oggi ogni nostro progetto nasce con una sessione di design sprint - spiega Anceschi - in cui ciascuno porta le sue competenze e conoscenze specifiche. Noi spieghiamo quello che c'è 'dentro' la soluzione e siamo pronti a cambiarlo: ovviamente il cliente non può spingersi sino al codice vero e proprio, non ne ha le competenze, ma è pesantemente coinvolto nel design delle interfacce e delle interazioni con l'AI".

Rendere inclusivo il design delle applicazioni non è semplice, richiede che si confrontino e collaborino persone con skill molto diverse, che devono arrivare a parlare la stessa lingua. Ma per Ammagamma è il modo migliore, forse l'unico, di lavorare.Giovanni Anceschi, Head of Innovation di Ammagamma

"Se non siamo inclusivi non arriviamo al risultato migliore", spiega Anceschi: "Qualunque prodotto o soluzione custom di AI deve avere un algoritmo che funzioni, ovviamente, ma deve anche offrire una interazione semplice, immediata e collegabile alle altre esperienze software degli utenti. Facciamo loro vedere come funziona la soluzione e in che modo si interagisce con il suo algoritmo, anche se questo non è ancora ottimizzato per il caso specifico. Sembra poco, ma fa una enorme differenza e ci distingue rispetto a quello che propongono i classici operatori dell'AI". E, il che non guasta affatto, velocizza tutto il progetto: la prima vera raccolta di feedback operativa si ha in una decina di giorni invece che dopo un paio di mesi.

Per i più tecnici, il modello di sviluppo di Ammagamma è anche in linea con le linee guida europee per una AI affidabile (le Ethics Guidelines for Trustworthy AI). "Stiamo lavorando - dettaglia Anceschi - per rendere il nostro approccio del tutto allineato con le Guidelines, in particolare per la parte di auditing delle decisioni prese dagli algoritmi, e in generale per rendere il più trasparente possibile la tipica 'black box' del machine learning. Tra l'altro, il funzionamento dei nostri algoritmi è continuamente monitorato per evidenziare immediatamente l'eventuale necessità di un ri-addestramento".

Proporre soluzioni di AI così evolute è certamente un elemento tecnico importante. Ma diventa anche un valore distintivo per il mercato? "Nelle grandi imprese - racconta Anceschi - ci confrontiamo con vere e proprie divisioni di data science e questo tema è molto sentito. Quindi sì, poter proporre soluzioni 'trasparenti' fa la sua differenza. Nel midmarket dipende dai singoli casi. I CIO preparati e consapevoli del rischio bias ci fanno richieste puntuali in questo senso. Nella fascia più bassa del mercato la trasparenza viene apprezzata, ma non ci scelgono per questo".

L'AI in declinazione "vertical"

Ammagamma ha declinato le sue tecnologie di AI in vari "vertical" per casi d'uso mirati. Quattro sono i più distintivi in questa fase. Si parte da una soluzione per l'optimized planning, adottata in particolare per lo scheduling delle linee di produzione in ambito manufacturing. Già adottata in aziende che fanno ad esempio stampaggio plastico, lavorazione del legno o lavorazioni meccaniche conto terzi, la soluzione è pensata per tutti i processi che devono raggiungere uno scheduling ottimale in base a determinati vincoli e requisiti di performance.

Una seconda soluzione riguarda la previsione della domanda collegata al rifornimento dei magazzini intermedi. Il suo obiettivo è, spiega Anceschi, "garantire che un magazzino abbia sempre livelli ottimali di stock in base a una domanda difficile da prevedere, in una fase di mercato volatile come quella che stiamo vivendo". Tra i plus della soluzione - che Gartner ha selezionato per la sua Market Guide 2022 del mercato FAR (Forecasting, Allocation and Replenishment) - c'è la capacità di interfacciarsi con i classici ERP per ricavarne le informazioni necessarie.

Due altre soluzioni riguardano l'analisi smart dei documenti e la previsione dell'andamento dei tassi di cambio. La prima piattaforma è pensata per analizzare il contenuto di generici documenti ed estrarne una parte di significato specifico, identificando la presenza contemporanea di particolari termini che rimandano a particolari entità. È una analisi che di norma farebbe un utente umano, ma molto più lentamente. L'AI però non agisce da sola, è sempre prevista la presenza di un analista umano che, alla fine, valida le valutazioni dell'algoritmo.

L'applicazione per la previsione dell'andamento dei tassi di cambio è in fase di finalizzazione ed è pensata per tutte le aziende che presentano un rischio di credito legato alle fluttuazioni dei cambi. Sono soprattutto le aziende che esportano, perché nella loro attività vivono un ritardo significativo tra l'accettazione di un ordine, l'emissione della relativa fattura e il suo incasso. L'AI prevede come variano i tassi di cambio in questo lasso di tempo e suggerisce di conseguenza alcune strategie finanziarie per ridurre il rischio di trovarsi ad incassare, in euro, meno del previsto.