L’impiego dell’AI in tlc, sanità, risorse umane, energia

Anitec e Assinform hanno pubblicato a fine ottobre 2023 un white paper dal titolo “AI in azione”: un invito alle aziende ad adottare provvedimenti tangibili per capitalizzare le opportunità offerte, adattarsi ai mutamenti tecnologici e alle sfide globali e a consapevolizzarsi dei rischi associati a questa tecnologia.

Il white paper (di cui trovate qui le prime due sezioni) raccoglie nella terza sezione una serie di casi d’uso provenienti dalle aziende che hanno partecipato al gruppo di lavoro, oltre a ulteriori case study emersi durante gli incontri organizzati sul territorio.

Telecomunicazioni (TIM)

Le reti di nuova generazione, come l’FTTH, il 5G e il futuro 6G, stanno evolvendo verso architetture cloud-based e aperte, superando i modelli di rete tradizionali basati su standard chiusi. Allo stesso tempo, l’intelligenza artificiale si sta spostando dai cloud centralizzati verso il bordo della rete (edge cloud), consentendo un utilizzo più efficiente delle informazioni in tempo reale per beneficiare l’industria e la società.

Esiste una stretta correlazione tra l’adozione dei sistemi basati sull’AI e lo sviluppo delle reti di comunicazione, in particolare il 5G, che collegano dispositivi, raccolgono dati e utilizzano queste informazioni su larga scala per migliorare infrastrutture, sistemi, processi e servizi.

Si ritiene che le reti di telecomunicazioni diventeranno sempre più automatizzate per migliorare l’efficienza e l’efficacia nella loro gestione, nonché per creare servizi digitali con cicli di innovazione più rapidi. Questi servizi saranno offerti al mercato come “as a service” tramite le API di rete, seguendo il modello di successo delle app sugli smartphone.

È doveroso ricordare che l’AI, in questo scenario, svolge un ruolo sempre più importante nella progettazione e nella gestione delle reti, che attualmente dipendono ancora in gran parte dall’intervento umano. Di fatto, l’automazione intelligente consente di concentrare le interazioni umane su attività più complesse che richiedono empatia, creatività o giudizio, ovvero su lavori che non possono essere automatizzati.

Inoltre, l’AI applicata alle reti si baserà su una vasta quantità di dati provenienti dagli apparecchi e dai clienti, al fine di combinare lo sviluppo della rete con le aspettative degli utenti in termini di mobilità, banda e altre caratteristiche dei servizi digitali utilizzati.

Le reti in fibra ottica ad alta velocità e il 5G, insieme all’espansione delle telecomunicazioni nell’Internet delle cose (IoT), generano un flusso di dati in rapida crescita che consente ai sistemi di AI di migliorare costantemente l’esperienza degli utenti, ridurre i costi operativi per gli operatori di rete e rendere le infrastrutture più sostenibili dal punto di vista ambientale.

Pianificazione delle reti mobili

La pianificazione delle reti mobili mira a fornire la migliore copertura possibile del territorio, tenendo conto delle aspettative degli utenti e garantendo un’adeguata capacità di gestione del traffico generato dai servizi utilizzati. Questa pianificazione è un problema complesso e multidimensionale che può essere affrontato in modo efficace utilizzando algoritmi di AI.

L’AI offre significativi miglioramenti rispetto agli algoritmi attualmente utilizzati, ad esempio nella pianificazione dei tilt delle antenne che generano la copertura delle reti mobili a livello locale. L’AI consente, di fatto, di apportare aggiustamenti dinamici alla configurazione della rete, adattando le sue caratteristiche all’evoluzione dell’uso che ne fanno gli utenti in modo più efficiente rispetto ai metodi tradizionali.

I sistemi basati sull’AI favoriscono nuovi casi d’uso nei settori dell’IoT, della business intelligence, della robotica industriale, dei trasporti intelligenti, della realtà virtuale e altro ancora. L’AI consente l’automazione di molte attività, come la configurazione dei dispositivi, la fornitura di servizi, la manutenzione e la risoluzione dei guasti, la gestione più efficiente dei profili utente, prestazioni migliorate e una rapida implementazione di nuovi servizi, proponendo quelli più adatti in base al comportamento dinamico dei clienti.

L’uso di questi dati per l’AI è soggetto a rigorose normative, con gli operatori che devono conformarsi non solo alla regolamentazione generale sulla protezione dei dati (come il GDPR), ma anche alla regolamentazione specifica del settore delle telecomunicazioni (come la direttiva ePrivacy), che caratterizza il contesto italiano ed europeo.

Nel 2021, TIM ha condotto un progetto pilota nel comune di Fossano, che comprende un’area complessa di circa 130 chilometri quadrati. Questa zona include non solo il centro cittadino ad alta densità abitativa, ma anche stabilimenti produttivi, una zona collinare e ampie aree dedicate alle coltivazioni. Utilizzando l’intelligenza artificiale, in particolare l’algoritmo Eris (Enhanced reinforcement learning for innovating self-organizing networks) e la tecnologia Ret (Remote electrical tilt), è stato ottenuto un miglioramento delle prestazioni tra il 10% e il 20% nei siti più congestionati del territorio, che comprendono circa 130 antenne.

La tecnologia Ret ha permesso di regolare l’inclinazione delle antenne montate sulle torri in modo remoto, al fine di ottenere il throughput ideale. L’irradiazione delle antenne è stata ottimizzata per alleggerire i siti più stressati utilizzando le risorse sottoutilizzate di altri siti.

Eris è un algoritmo di apprendimento per rinforzo che è in grado di apprendere autonomamente, esplorando solo le soluzioni più promettenti tra miliardi di alternative possibili, fino a individuare la soluzione ottimale. Questo tipo di apprendimento è una sottocategoria del machine learning, che a sua volta rientra nell’ambito dell’intelligenza artificiale.

L’obiettivo dell’algoritmo è quello di massimizzare l’efficienza, combinando tutte le variabili possibili degli scenari di rete. Questo progetto rappresenta un importante elemento di innovazione e sostenibilità energetica.

Assurance di rete con il supporto dell’AI

L’impiego dell’AI nella gestione operativa delle reti offre importanti vantaggi, soprattutto per quanto riguarda la supervisione degli allarmi e la gestione delle anomalie in modo tempestivo. L’automazione basata sull’AI risulta particolarmente utile quando i dati grezzi sono disorganizzati o provengono da diversi ambienti software.

L’AI ottimizza la gestione delle anomalie di rete automatizzando un processo che solitamente richiede un intervento umano. La prossima frontiera dell’AI applicata alle reti è la manutenzione predittiva, che permette di prevedere i guasti di rete basandosi sull’esperienza passata, riducendo al minimo l’intervento dei tecnici sul territorio.

Le applicazioni basate sull’AI consentono di passare da una risoluzione reattiva delle anomalie a una proattiva, oltre ad essere in grado di valutare grandi quantità di dati e apportare correzioni prima che le anomalie vengano percepite dagli utenti dei servizi o delle applicazioni.

La risoluzione anticipata dei guasti migliora la disponibilità del servizio, la customer experience e la soddisfazione dei clienti, oltre a fornire una soluzione rapida in situazioni critiche. L’AI svolge anche un ruolo nell’individuazione delle attività necessarie, basandosi sui dati analizzati, e nella gestione della loro esecuzione, completando i processi di manutenzione all’interno della rete.

L’utilizzo dell’AI applicata ai dati delle reti mobili sarà fondamentale anche per un utilizzo sempre più orientato al bene comune. L’analisi approfondita delle aspettative degli utenti per la progettazione di smart cities, il supporto alla protezione civile in caso di disastri ambientali attraverso la rilevazione precisa dei segnali deboli dei cellulari e l’analisi dei pattern di utilizzo dei servizi per migliorare il welfare diventeranno sempre più diffusi, grazie alle partnership tra enti pubblici e operatori di telecomunicazioni.

Human Resources (MYLIA)

La ricerca propone un approccio sistemico per comprendere la complessità e il comportamento organizzativo nell’attuale scenario incerto e dinamico. Il metodo di analisi, utilizzando strumenti di ML, permette di individuare le interconnessioni tra i comportamenti di una persona all’interno del suo contesto operativo.

Il modello di lettura del comportamento organizzativo si basa su teorie presenti in letteratura e sull’esperienza pratica. Esso si divide in 4 aree e 16 comportamenti, i quali hanno guidato la scelta degli indicatori e degli item utilizzati nel questionario.

L’analisi dei dati combina l’approccio uni-variato con una tecnica multivariata basata su machine learning, permettendo di ottenere una rappresentazione reticolare delle relazioni tra i comportamenti attraverso l’utilizzo di una mappa di Kohonen, l’individuazione di cluster tramite il metodo k-means e la localizzazione delle persone all’interno della mappa e dei cluster individuati.

La ricerca dimostra l’efficacia degli strumenti di machine learning nel rilevare la complessità del comportamento organizzativo, offrendo una visualizzazione interattiva e multimediale della complessità emersa.

La ricerca è stata applicata sul campo attraverso la progettazione e lo sviluppo di un prototipo integrato in una piattaforma LMS tramite un plug-in che ha confermato l’efficacia del metodo nella creazione di percorsi di crescita professionale e sviluppo.

Grazie a questa sperimentazione, sono stati ottenuti dati significativi in diversi settori, tra cui farmaceutico, TLC, banking, automotive, macchinari e servizi.

Si forniscono di seguito alcuni dei casi riportati nel White paper.

Azienda settore automotive

Di seguito un caso specifico che riguarda un’azienda del settore automotive che desiderava ottenere una fotografia dei diversi stili manageriali del proprio team di management al fine di identificare tendenze comuni, osservare il modello prevalente di managerialità, valorizzare la diversità di approccio, riconoscere le priorità di sviluppo e focalizzare le aree di intervento necessarie nell’organizzazione.

L’obiettivo era fornire una rappresentazione grafica intelligente dei comportamenti funzionali ai processi organizzativi del team mappato. L’utilizzo di mappe intelligenti offre il vantaggio di un apprendimento non supervisionato per preservare le proprietà topologiche del campione.

È stata utilizzata una tecnica di apprendimento automatico che organizza e classifica gli input in base a caratteristiche comuni per effettuare ragionamenti e previsioni sugli input successivi, senza una graduatoria arbitraria. In questo modo si ottiene un sistema che si auto-organizza.

Attraverso il modello di lettura reticolare, è stata offerta all’HR la possibilità di acquisire consapevolezza e dati riguardo a diverse informazioni, tra cui:

• Come vengono espressi gli stili manageriali in risposta agli stimoli e alle richieste del contesto organizzativo.
• Quali sono gli orientamenti manageriali del gruppo, identificando i comportamenti più frequenti e quelli meno presenti nella routine quotidiana del team.

I comportamenti emersi sono stati distribuiti in 9 sottozone su un totale di 14 presenti nel campione di riferimento. Inoltre, i comportamenti maggiormente agiti dal gruppo descrivono un approccio manageriale che influisce sul contesto organizzativo in base agli obiettivi da raggiungere e alle attività da svolgere. La concentrazione dei manager in alcune sottozone rende queste ultime più significative per comprendere gli orientamenti del gruppo e identificare gli stili manageriali prevalenti.

La mappatura ha permesso di supportare il Management Team nello sviluppo di un’abitudine funzionale al confronto e alla condivisione, attraverso la creazione di un piano di sviluppo a medio termine. Inoltre, gli incontri programmati hanno offerto al team l’opportunità di lavorare insieme sia sul gruppo stesso – concentrandosi sulle dimensioni della managerialità ritenute prioritarie per lo sviluppo – sia su dinamiche e problematiche operative, quali iniziative interfunzionali, processi di lavoro condivisi e attività di condivisione delle conoscenze.

Fonte immagine – White paper “L’IA si evolve” – Mylia

L’approccio ha permesso al management team di:

• Coltivare una visione a lungo termine che finora era stata trascurata.
• Promuovere incontri regolari per lo scambio di idee e il confronto che hanno consolidato l’entusiasmo iniziale generato dal colloquio di restituzione obbligatorio.
• Instaurare l’abitudine di riunirsi come gruppo, mitigando l’inevitabile “effetto abbandono” legato alle pressioni dell’operatività quotidiana.
• Incoraggiare dall’alto la creazione di momenti dedicati allo scambio reciproco al di fuori delle attività operative ha dimostrato la sua utilità.

Natural Language Processing e Text Mining per individuare l’impatto sui profili professionali delle tecnologie e delle innovazioni tecnologiche

Il Natural Language Processing (NLP) è fondamentale nel dibattito sull’impatto delle innovazioni tecnologiche e della digitalizzazione sui mestieri e le competenze. L’NLP consente di identificare le correlazioni tra le tendenze tecnologiche e le competenze necessarie in un determinato settore o professione. Questo aiuta a prevedere l’obsolescenza di determinati ruoli di lavoro.

Gli algoritmi di NLP consentono di esaminare, raccogliere, confrontare e correlare informazioni da testi scritti in linguaggio naturale, come documenti scientifici, normative, profili professionali, brevetti, previsioni del mercato del lavoro e altro. Questo approccio utilizza un vasto numero di fonti testuali.

Questi dati testuali possono essere analizzati in relazione ai titoli e alle descrizioni dei lavori per scoprire come le competenze richieste stiano cambiando nel tempo. Ovvero, un’analisi utile per decisori HR, policy maker, responsabili di IT, COO, R&D, CTO, associazioni di settore e sindacati.

Gli algoritmi basati su Natural Language Processing (NLP), inclusi quelli scritti ad hoc o incorporati in piattaforme specializzate, sono in grado di svolgere diverse operazioni. Nel contesto di queste applicazioni specifiche, emergono tre domande chiave:

Decisore pubblico

• Come confrontare l’offerta di lavori pubblici, le relative competenze e tecnologie, con il mercato del lavoro privato?
• Come affrontare la carenza di lavoratori pubblici, attirando potenziali candidati che mostrano un maggiore interesse per il settore privato?
• Quali competenze correlate ai mestieri del settore privato possono essere integrate nei ruoli pubblici, ad esempio in enti locali o amministrazioni centrali?

Decisore privato (azienda)

• Quali innovazioni tecnologiche dovrebbero essere implementate nei processi lavorativi o nelle professioni del settore farmaceutico, scienze della vita e biotecnologie?
• Come dovrebbero essere gestiti gli investimenti in macchinari alla luce delle competenze tecniche attuali e future?

PNRR (Piano Nazionale di Ripresa e Resilienza)

• Quali impatti sul mercato del lavoro e sulle competenze risultano dall’applicazione del Piano, soprattutto se questo supporta la sostenibilità (Green New Deal) e le trasformazioni digitali?

In sintesi, gli algoritmi basati su NLP consentono di affrontare queste sfide offrendo analisi dettagliate e collegamenti tra le competenze, le tecnologie e le opportunità di lavoro nei settori pubblico e privato, nonché nel contesto dei piani di ripresa e sviluppo nazionale.

Digital twin per smart asset e facility management (Exprivia)

Il caso di utilizzo del Digital Twin in fase di Operation & Maintenance rappresenta una strategia avanzata di gestione degli asset, contrapponendosi ai tradizionali approcci. Il gemello digitale è una replica precisa di un asset fisico e costituisce la fonte principale di informazioni sul suo comportamento reale. Attraverso la raccolta e l’elaborazione dei dati da varie fonti, il Digital Twin diventa la “single source of truth”.

Il Digital Twin può essere utilizzato per alimentare algoritmi di AI, con l’obiettivo di migliorare le prestazioni dell’asset in questione e di asset simili. Questo approccio porta alla creazione di “smart asset” e “smart facility management” in cui gli asset diventano intelligenti grazie ai feedback dal gemello digitale e sono in grado di ottimizzare autonomamente le proprie prestazioni.

Le applicazioni delle strategie di gestione intelligente nell’ambito delle operazioni e della manutenzione includono:

• Ottimizzazione dei consumi energetici – Utilizzando dati provenienti dai sistemi di gestione degli edifici (BMS), è possibile identificare le fasce orarie in cui i sistemi possono operare in modalità ridotta, adattando il consumo energetico alle reali esigenze e alla presenza nelle strutture, contribuendo all’efficienza energetica.
• Manutenzione preventiva attraverso il monitoraggio delle anomalie – Il gemello digitale rileva comportamenti anomali negli impianti o nelle strutture e segnala tali anomalie, consentendo di prendere misure preventive per evitare guasti o rotture, ad esempio sostituendo un componente prima che si guasti.
• Manutenzione predittiva basata sull’analisi dei dati storici – Utilizzando dati storici raccolti dall’asset in manutenzione e da asset simili, insieme a dati previsti in fase di progettazione, è possibile sviluppare un piano di manutenzione che prevede interventi ordinari e straordinari. Questo approccio consente di prevedere i bisogni di manutenzione e di bilanciare risorse e prestazioni, considerando anche scenari alternativi.

Fonte immagine – White paper “L’IA si evolve” – Schema Rapporto asset Fisico – Exprivia

White paper “AI in azione”: scenari di applicazione su verticali (quarta sezione)

Di seguito alcuni esempi di applicazione su verticali riportati nel white paper di Anitec Assinform “AI in azione”.

Cybersecurity

Leonardo

L’utilizzo di tecniche di intelligenza artificiale e di Machine earning ha reso più sofisticate le attività di individuazione delle vulnerabilità e di esecuzione di attacchi informatici. Gli attaccanti possono sfruttare l’AI per identificare i migliori bersagli e le azioni più efficaci, compresi gli ambienti operativi OT. Gli attacchi possono essere di tipo “white-box” (se l’attaccante ha conoscenza dettagliata del sistema target) o “black-box” (se l’attaccante non dispone di informazioni dettagliate sul sistema).

Spesso, gli intrusi riescono a penetrare in un’infrastruttura e rimangono silenziosi per raccogliere informazioni e individuare il momento migliore per colpire.

L’AI è utilizzata dagli hacker per eseguire attacchi più veloci e su più obiettivi contemporaneamente. Questi attacchi possono includere:

• Elaborazione del Linguaggio Naturale (NLP): Gli attaccanti utilizzano l’NLP per creare messaggi di phishing che sembrano provenire da fonti affidabili.
• Apprendimento automatico: Gli attaccanti impiegano l’apprendimento automatico per analizzare grandi quantità di dati e individuare vulnerabilità nei sistemi informatici.
• Creazione di malware: L’AI è utilizzata per creare malware che può adattarsi e modificare il proprio comportamento in tempo reale, rendendolo più difficile da individuare.
• Attacchi di “Brute Force: L’AI genera molteplici combinazioni di password e altre informazioni di accesso per individuare le combinazioni corrette.

Di conseguenza, la difesa cibernetica deve essere altamente sofisticata. L’AI è impiegata per il rilevamento anticipato delle minacce, analizzando un’enorme quantità di informazioni per individuare malware noti o comportamenti anomali. Queste tecniche si basano sull’analisi di dati relativi alle reti, applicazioni e comportamenti per identificare pattern da confrontare con il comportamento normale.

Inoltre, l’AI è in grado di adattarsi alle minacce in evoluzione e apprendere dai modelli di comportamento delle minacce stesse, migliorando la gestione delle minacce e permettendo azioni immediate di verifica.

Nel contesto della sicurezza informatica, l’intelligenza artificiale agisce come supporto agli analisti esperti, rilevando correlazioni tra eventi al di là delle capacità umane:

• automatizza attività ripetitive, permettendo ai team di sicurezza di concentrarsi su compiti più avanzati e complessi. Inoltre, migliora l’efficienza e la tempestività delle risposte alle minacce.
• Riduce il rischio di errori umani, garantendo maggiore precisione e affidabilità nelle attività di sicurezza.
• Grazie al Machine learning e al Deep learning, apprende comportamenti e fenomeni, consentendo agli analisti di individuare attività anomale e anticipare azioni da parte degli attaccanti.
• È in grado di integrare dati da diverse fonti di sicurezza, fornendo una visione completa e chiara per decisioni più efficaci.
• Supporta l’analisi dei rischi associati agli attacchi e priorità in base alla minaccia.
• Agevola l’individuazione di azioni di contenimento efficaci e l’automazione dei processi contro il malware.

È doveroso sottolineare che, nonostante l’AI sia una risorsa preziosa, l’elemento umano rimane fondamentale nella gestione degli incidenti e nell’analisi delle minacce, considerando che le tattiche di attacco cambiano costantemente. La qualità e la quantità dei dati sono fondamentali per il successo dell’AI nella sicurezza informatica. Di fatto, è essenziale avere un punto unificato per rilevare i comportamenti di tutte le componenti (sistemi, rete, applicazioni e dati) in modo da permettere agli strumenti di AI di identificare immediatamente il tipo di attacco, valutare i servizi potenzialmente colpiti e scegliere le strategie di risposta e contenimento più adeguate.

Legal Technology (Eustema)

Nel settore della Legal Tech, l’intelligenza artificiale è utilizzata per semplificare le attività all’interno delle strutture legali, con l’obiettivo di aumentare la produttività, supportare decisioni strategiche e fornire valore all’organizzazione. Le applicazioni di Legal AI si concentrano su tre direzioni principali:

• Legal Automation – Queste applicazioni automatizzano attività svolte dai professionisti legali durante la gestione delle pratiche, migliorando l’efficienza operativa.
• Legal Discovery – Offrono funzionalità avanzate di ricerca intelligente su documenti e contenuti non strutturati, consentendo la ricerca basata su concetti, entità, parole semanticamente simili, citazioni e riferimenti legislativi.
• Legal Analytics – Queste applicazioni supportano la costruzione di sistemi proattivi per aiutare gli utenti a prendere decisioni e consentono l’analisi avanzata dei dati attraverso la creazione di dashboard personalizzate.

Tali applicazioni assistono avvocati e consulenti legali durante l’intero ciclo di gestione delle pratiche legali, migliorando la strategia e la lavorazione delle pratiche stesse, oltre a contribuire alla gestione complessiva della struttura legale.

AI per i processi HR e il mondo del lavoro (Engineering)

Nel campo delle HR (risorse umane), l’AI affronta sfide legate all’evoluzione delle professionalità e all’innovazione dei mestieri. L’AI supporta l’HR in diversi modi:

• Estrazione e immissione di informazioni – L’AI semplifica e personalizza le ricerche di lavoro per i cittadini e ottimizza i processi di backoffice. Utilizzando il riconoscimento di immagini e l’estrazione di informazioni, l’IA automatizza l’estrazione di dati da documenti digitali o scansioni, rendendoli ricercabili e riducendo il lavoro manuale di inserimento dati. Gli operatori HR possono concentrarsi sulla validazione delle informazioni. Questo è un primo passo per abbinare domanda e offerta di lavoro utilizzando sia query tradizionali che algoritmi di matching avanzati.
• Profondità informativa – L’AI utilizza tecniche di Natural Language Processing (NLP) per estrarre informazioni da campi strutturati (formati tabellari o semi-tabellari) e non strutturati (descrizioni in linguaggio naturale). Questo integra gli approcci tradizionali basati su corrispondenze con tassonomie consolidate. I modelli cognitivi basati sul Deep Learning comprendono il testo e associano concetti ed entità apprese in modo “data-driven,” sempre sotto il controllo dell’utente.

L’AI nel settore HR offre diverse opportunità:

• Potenza nella ricerca – L’integrazione di sistemi basati sul Deep Learning e Modelli Linguistici supera le ricerche basate su parole chiave. Le rappresentazioni matematiche favoriscono il superamento delle barriere linguistiche e consentono di combinare basi dati diverse. Questo supporta ricerche olistiche basate su profili generati da algoritmi.
• Percorsi di formazione personalizzati – Migliorando i sistemi di ricerca e creando profili professionali basati sull’informazione, è possibile suggerire percorsi di crescita personalizzati utilizzando algoritmi previsionali (forecasting). Ciò favorisce il reskilling dei lavoratori.
• Previsione domanda e offerta di lavoro – L’AI predittiva può stimare la domanda e l’offerta di lavoro basata su diverse variabili. Questo supporta la pianificazione dell’allocazione delle risorse umane, migliorando l’efficienza e il valore della produzione.
• Analisi avanzate del fenomeno – L’analisi di CV, offerte di lavoro e dati strutturati consente il monitoraggio costante delle richieste, delle posizioni aperte e delle competenze. Gli algoritmi di forecasting aiutano a definire scenari futuri per orientare politiche lavorative.

Pertanto, nel settore HR, l’AI non sostituisce gli operatori ma li supporta accelerando i processi. Tuttavia, è doveroso ricordare che un sistema di AI nel settore HR dovrebbe anche essere caratterizzato dai seguenti attributi:

• Spiegabile (explainable): Deve essere in grado di fornire spiegazioni del proprio output, interpretando e quantificando il ragionamento alla base delle sue decisioni, senza semplificare eccessivamente il processo di inferenza tipico dei sistemi artificiali adattivi.
• Responsabile (accountable): Deve implementare misure per garantire che le decisioni prese siano chiare e tracciabili, in modo che l’utente possa comprendere le ragioni di tali decisioni.
• Equo (fair): Deve essere progettato per essere resiliente contro potenziali bias e deve garantire l’accessibilità a tutti gli utenti, segnalando agli operatori qualsiasi possibile distorsione nei risultati per promuovere un trattamento equo e non discriminatorio.

Di fatto, l’utilizzo dell’AI permette di superare i limiti dei software tradizionali, innovare i processi e fornire strumenti di governance potenti. Ovvero, un approccio che mira a offrire misure quantitative sul mercato del lavoro e a semplificare l’adozione di misure di supporto per lavoratori e imprese.

AI per il risparmio energetico (Engineering)

L’uso dell’intelligenza artificiale è cruciale per affrontare le sfide legate all’energia, come il risparmio energetico e la riduzione delle emissioni. L’AI trova applicazione in diversi settori, inclusi:

• Previsione della domanda e dell’offerta di energia, consentendo analisi efficienti di grandi quantità di dati per generare previsioni accurate.
• Ottimizzazione e controllo delle reti elettriche e del gas per migliorare l’efficienza energetica, ridurre i costi e integrare fonti rinnovabili.
• Massimizzazione della generazione di energia rinnovabile tramite l’uso di AI per ottimizzare le configurazioni degli impianti rinnovabili.
• Monitoraggio dei consumi elettrici domestici tramite soluzioni NILM (Non Intrusive Load Monitoring) per identificare dispositivi elettrodomestici e monitorarne il consumo in modo non invasivo.
• Progettazione di sistemi di controllo energetico negli edifici e Smart building per prevedere i consumi energetici futuri, individuare schemi anomali e suggerire soluzioni per il risparmio energetico.
• Riduzione dei consumi industriali attraverso l’analisi dei dati relativi ai macchinari industriali per migliorare l’efficienza energetica e individuare componenti energivori.
• Applicazioni di Smart city, come la gestione intelligente dell’illuminazione pubblica, utilizzando sensori e algoritmi di AI per regolare l’intensità delle luci in base alle condizioni ambientali e alla presenza di persone.
• Ottimizzazione dei consumi in edifici pubblici e privati, come centri commerciali, hotel e ristoranti, monitorando il consumo energetico e identificando aree per il risparmio energetico tramite l’ottimizzazione della temperatura, l’illuminazione e l’uso di nuovi elettrodomestici.

Pertanto, l’AI contribuisce a una gestione più efficiente e sostenibile dell’energia.

AI per il settore della sanità (Reply)

L’applicazione dell’intelligenza artificiale nel settore sanitario offre valore sia alle imprese del settore sia ai pazienti. Tuttavia, la disponibilità di dati è limitata da aspetti tecnici come la mancanza di interoperabilità e la varietà dei dati acquisiti in modo non omogeneo, oltre a questioni regolatorie come il GDPR in Europa e regolamenti diversi o assenza di questi negli Stati Uniti. Un esempio significativo è UnanimousAI, un’azienda americana che ha sviluppato un sistema di AI che supporta i medici nella diagnosi e analisi dei dati clinici. Il sistema integra l’esperienza dei medici con dati da fonti globali e banche di informazioni, consentendo analisi avanzate. Le interazioni tra medici e il sistema sono mediate da chatbot basati su AI.

Laife Reply ha sviluppato diversi casi di studio nell’ambito dell’AI nel settore sanitario, tra cui:

1. Modelli predittivi per il rischio di riacutizzazioni.

2. Corporate Wellbeing (benessere aziendale).

3. Digital Twin per l’automazione della “vaccine discovery” (scoperta dei vaccini).

4. Digital Twin per la medicina dello sport.

5. Clinical data platform (piattaforma per dati clinici).

6. Analisi di immagini cliniche.

Questi casi di studio dimostrano le potenzialità dell’AI nell’ambito sanitario e sono presentati nel white paper pubblicato da Assinform dal titolo “Digital Transformation in Sanità”.