Il valore della spesa mondiale per i sistemi di intelligenza artificiale nel 2022 raggiungerà e supererà i 77 miliardi di dollari. Erano appena 24 miliardi nel 2018, pur in crescita di oltre il 50% rispetto al 2017. Nel nostro Paese, entro la fine dell’anno si conteranno investimenti per circa 25 milioni di euro. Sono numeri, quelli di Idc e di Anitec-Assinform, dietro cui si possono leggere anche altri segnali.
Per esempio, che la crescita del mercato si lega sì agli investimenti, sì alla maggiore disponibilità di servizi e applicazioni, ma anche alla democraticizzazione dei sistemi AI, e ai relativi ambiti di riflessione che questo comporta.
Salesforce, grazie alle novità della sua piattaforma Einstein, indirizza una richiesta specifica del mondo dello sviluppo e offre la possibilità di creare il proprio modello di AI affidabile integrandolo nella propria piattaforma Salesforce o in qualsiasi altra app, senza compromettere la sicurezza.
Lo fa in un momento in cui le aziende faticano a trovare professionisti e tecnici in grado di dar vita a soluzioni di AI su misura e hanno bisogno di “snellire” i processi di sviluppo. E lo fa attraverso i nuovi servizi Einstein che permettono agli sviluppatori di personalizzare l’AI in pochi clic automatizzando l’attività di analisi e reportistica in modo predittivo.
Grazie agli ultimi aggiornamenti, gli sviluppatori possono farlo con una stringa di codice, oppure possono programmare con Lightning Web Components, il framework di programmazione sulla piattaforma Lightning di Salesforce. Non servono competenze specifiche di data science per gestire servizi di machine learning come la traduzione, il riconoscimento ottico dei caratteri la valutazione del sentiment.
L’obiettivo è quello di riuscire a incorporare AI in tutto il panorama applicativo. La piattaforma Einstein consente agli sviluppatori di applicare l’intelligenza artificiale a ogni singolo caso d’uso. Gli operatori già oggi possono integrare le previsioni di Einstein Discovery in qualsiasi sistema di terze parti, come i sistemi Erp o HR. Per esempio è possibile impostare una previsione personalizzata per identificare quali dipendenti siano più propensi a lasciare l’azienda.
Questo dato può poi essere integrato tramite Api Einstein Predictions all’interno del sistema di gestione delle risorse umane.
Con la componente Prediction Builder è invece possibile prevedere le performance aziendali costruendo modelli di AI per ogni campo o oggetto Salesforce, personalizzato o standard. Si può anche predisporre un modello di valutazione del tasso di abbandono selezionando i campi e i dati più pertinenti all’account, come la cronologia dei casi gestiti e l’analisi del sentiment.
Per quanto riguarda l’AI applicata ai sistemi di traduzione, Einstein Translator permette di impostare la funzione per qualsiasi argomento o campo sfruttando strumenti di drag&drop. L’ambito di applicazione tipico è quello dei call center che ha in gestione una customer base globale, gli sviluppatori possono utilizzare Einstein Translation per tradurre le richieste di assistenza in entrata nella lingua nativa degli operatori.
La parte della piattaforma Einstein deputata all’utilizzo in ambito Ocr sfrutta l’AI per analizzare i documenti e aggiornare in modo automatico i record Salesforce. Serve quindi per eliminare le attività ripetitive di data entry. Anche in questo caso facciamo un esempio: è facilitato il caricamento delle fatture con l’analisi automatica dei dati non strutturati da parte di Einstein che trasforma dal file immagine il testo e così aggiornare il record cliente e fornitura.
Per quanto riguarda infine il tema ‘etico’ nell’utilizzo dell’AI, Salesforce ha voluto integrare la piattaforma Einstein con gli strumenti per consentire di avere visibilità sul perché di ogni previsione, per abilitare il controllo sull’accuratezza dei modelli e capire quali fattori predittivi sono stati inclusi.
Predisponendo i cosiddetti Protected Fields è possibile avvisare tramite un pop-up gli sviluppatori se ci sono pregiudizi predittivi di genere o di carattere razziale legati al proprio dataset, mentre con Model Metrics si valuta l’efficacia e l’impatto dei modelli di AI una volta implementati.
Servirà a comprendere i risultati imprevisti e rischiosi. Qualora fosse necessario fare una modifica; gli sviluppatori possono aggiustare il modello e visualizzare in anteprima il risultato nel record Salesforce per verificare che sia effettivamente corretto e accurato.
© RIPRODUZIONE RISERVATA
