InfoCamere

Pubblicato il 16 Oct 2020
Pubblicato il 16 Oct 2020
Le reti neurali in InfoCamere

Le reti neurali in InfoCamere


Nell’era della digital transformation, dell’informazione diffusa e dei big data risulta fondamentale saper estrarre informazioni utili dalla miniera di dati grezzi che ogni giorno ognuno di noi produce. Conoscere quello che è accaduto, come e perché, permette di prevedere quello che potrebbe accadere.
La capacità di gestire dati e di estrarre da essi informazioni utili acquista quindi sempre maggiore rilevanza: da una parte per le imprese e i professionisti che, in questo modo, si pongono in una posizione di indiscusso vantaggio in qualsiasi tipo di mercato; dall’altra per le Pubbliche Amministrazioni, al fine di elaborare input preziosi in materia di pianificazione (territorio, mobilità, ecc.) e allineamento dei servizi alla domanda di cittadini e imprese. 
Non solo: l’analisi dei dati che ogni impresa produce quotidianamente consente di migliorare i processi aziendali e di ottimizzarne la gestione.

Ma il valore dei dati non è racchiuso nel dato stesso, bensì è frutto di un articolato processo di creazione di valore che passa attraverso una particolare tecnica di elaborazione e analisi di specifiche tipologie di dati. Alla base di questo processo ci sono i cosiddetti algoritmi: insiemi più o meno complessi di funzioni matematiche che, dato un input, restituiscono un output. L’input è rappresentato dai dati grezzi, di solito organizzati in un database, l’output è il risultato, che può essere di tipologie diverse secondo l’obiettivo prefissato. 

Tra gli algoritmi più utilizzati, le reti neurali artificiali (RNA) risultano quelli più efficaci. Il motivo risiede nella loro flessibilità, nella possibilità di essere applicate in innumerevoli campi e per assolvere a diversi compiti.
Il nome deriva dalla loro struttura: l’insieme di funzioni utilizzate e la loro interazione ricorda la struttura delle reti neurali biologiche (per esempio quelle del cervello umano) costituite da miliardi di neuroni interconnessi tra loro in modo da variare la loro configurazione in risposta agli stimoli esterni: similmente i modelli artificiali cercano di catturare questo tratto distintivo della biologia e quindi anche nel caso delle RNA si può parlare di “apprendimento”.

Analogamente a quelle biologiche, anche le RNA sono composte da “neuroni” (detti nodi) suddivisi in diversi strati (chiamati layers) interconnessi tra loro attraverso funzioni matematiche dette funzioni di attivazione, che trasferiscono informazioni da un nodo all’altro e tra i vari layers. Il primo strato di una rete è formato dai dati di input, l’ultimo è rappresentato dall’output e tutti gli altri strati intermedi sono detti hidden layers. Come avviene a livello biologico, una RNA può essere “addestrata” per diversi task: dalla previsione di fenomeni quantitativi al riconoscimento e classificazione di oggetti.

In InfoCamere sono state sperimentate alcune tipologie di RNA, con ottimi risultati. In particolare sono state implementate reti neurali ricorrenti con l’obiettivo di analizzare le serie storiche relative ai volumi di richiesta di alcuni servizi online e prevederne l’andamento futuro. Questo è importante da un lato per tarare le risorse necessarie affinché il servizio sia sempre online e dall’altro per avere una stima dei ricavi, utile in fase di pianificazione del budget. Un altro tipo di rete neurale artificiale addestrata in IC è stata quella di tipo convoluzionale, ossia reti specifiche per il riconoscimento di immagini relative a documenti di varia natura, con lo scopo di automatizzare alcune attività di controllo altrimenti svolte manualmente e quindi più soggette a errori.

Al fine di potersi avvalere di questa tecnologia in modo sempre più organico e funzionale, InfoCamere sta investendo sulle nuove professionalità create dal mondo digitale; come quella del Data Scientist, figura deputata a ricavare analisi, report e “insight” dai Big Data.
Questo consente di trasformare le informazioni di cui disponiamo in una vera e propria miniera di valore.

Nell’era della digital transformation, dell’informazione diffusa e dei big data risulta fondamentale saper estrarre informazioni utili dalla miniera di dati grezzi che ogni giorno ognuno di noi produce. Conoscere quello che è accaduto, come e perché, permette di prevedere quello che potrebbe accadere.
La capacità di gestire dati e di estrarre da essi informazioni utili acquista quindi sempre maggiore rilevanza: da una parte per le imprese e i professionisti che, in questo modo, si pongono in una posizione di indiscusso vantaggio in qualsiasi tipo di mercato; dall’altra per le Pubbliche Amministrazioni, al fine di elaborare input preziosi in materia di pianificazione (territorio, mobilità, ecc.) e allineamento dei servizi alla domanda di cittadini e imprese. 
Non solo: l’analisi dei dati che ogni impresa produce quotidianamente consente di migliorare i processi aziendali e di ottimizzarne la gestione.

Ma il valore dei dati non è racchiuso nel dato stesso, bensì è frutto di un articolato processo di creazione di valore che passa attraverso una particolare tecnica di elaborazione e analisi di specifiche tipologie di dati. Alla base di questo processo ci sono i cosiddetti algoritmi: insiemi più o meno complessi di funzioni matematiche che, dato un input, restituiscono un output. L’input è rappresentato dai dati grezzi, di solito organizzati in un database, l’output è il risultato, che può essere di tipologie diverse secondo l’obiettivo prefissato. 

Tra gli algoritmi più utilizzati, le reti neurali artificiali (RNA) risultano quelli più efficaci. Il motivo risiede nella loro flessibilità, nella possibilità di essere applicate in innumerevoli campi e per assolvere a diversi compiti.
Il nome deriva dalla loro struttura: l’insieme di funzioni utilizzate e la loro interazione ricorda la struttura delle reti neurali biologiche (per esempio quelle del cervello umano) costituite da miliardi di neuroni interconnessi tra loro in modo da variare la loro configurazione in risposta agli stimoli esterni: similmente i modelli artificiali cercano di catturare questo tratto distintivo della biologia e quindi anche nel caso delle RNA si può parlare di “apprendimento”.

Analogamente a quelle biologiche, anche le RNA sono composte da “neuroni” (detti nodi) suddivisi in diversi strati (chiamati layers) interconnessi tra loro attraverso funzioni matematiche dette funzioni di attivazione, che trasferiscono informazioni da un nodo all’altro e tra i vari layers. Il primo strato di una rete è formato dai dati di input, l’ultimo è rappresentato dall’output e tutti gli altri strati intermedi sono detti hidden layers. Come avviene a livello biologico, una RNA può essere “addestrata” per diversi task: dalla previsione di fenomeni quantitativi al riconoscimento e classificazione di oggetti.

In InfoCamere sono state sperimentate alcune tipologie di RNA, con ottimi risultati. In particolare sono state implementate reti neurali ricorrenti con l’obiettivo di analizzare le serie storiche relative ai volumi di richiesta di alcuni servizi online e prevederne l’andamento futuro. Questo è importante da un lato per tarare le risorse necessarie affinché il servizio sia sempre online e dall’altro per avere una stima dei ricavi, utile in fase di pianificazione del budget. Un altro tipo di rete neurale artificiale addestrata in IC è stata quella di tipo convoluzionale, ossia reti specifiche per il riconoscimento di immagini relative a documenti di varia natura, con lo scopo di automatizzare alcune attività di controllo altrimenti svolte manualmente e quindi più soggette a errori.

Al fine di potersi avvalere di questa tecnologia in modo sempre più organico e funzionale, InfoCamere sta investendo sulle nuove professionalità create dal mondo digitale; come quella del Data Scientist, figura deputata a ricavare analisi, report e “insight” dai Big Data.
Questo consente di trasformare le informazioni di cui disponiamo in una vera e propria miniera di valore.