Advertise on podcast: GFT Talks IT

Gli istituti finanziari, anche in risposta al forte impulso sia a livello italiano sia europeo, hanno realizzato progetti di adeguamento alla privacy che spesso si traducono però nel mero recepimento di regole. In questo contesto, andrebbe invece definita una strategia di comunicazione efficace in grado di unire GDPR e brand reputation. Si tratta di essere in grado di veicolare il messaggio che la banca non si limita ad adeguarsi a una specifica normativa, ma ha a cuore la privacy dei suoi clienti e la trasparenza del dato, come impegno etico e non come semplice monetizzazione dell’informazione.

La “data monetization” è il processo attraverso il quale un’impresa decide di far fruttare la mole di dati che ha a disposizione (i dati dei propri clienti e quelli generati dalla relazione con loro, i dati dei propri partner commerciali e ancora, più in generale, tutti i dati provenienti dall’intero ecosistema all’interno del quale si sviluppa il business aziendale), rendendoli informazioni di valore e ricavandone guadagno in forma diretta e indiretta.

Nel podcast Giovanni Scarzella spiega in che modo GFT collabora con i più importanti player del Cloud per dare vita all'Intelligenza artificiale in ambito industriale e generare vantaggi economici immediati per i suoi clienti. MOM e MES sono il punto di partenza e la piattaforma Shpinx Open di GFT permette di raccogliere i dati provenienti da questi sistemi o altri, raccoglierli tutti insieme, amalgamarli e connetterli alle altre fonti dati provenienti da sistemi interni, il tutto condito dalla potenza dell’intelligenza artificiale che permette a questi dati di essere interpretati e trasformati in KPI di business.

Le tecnologie core AI si stanno focalizzando nell’aiutare le organizzazioni a far scalare le loro iniziative, magari partite come POC. In particolare le priorità, sul fronte dei dati e analytics, riguardano ambiti quali, per esempio, la “synthetic data generation” (tecnologie che permettono di ottenere dati di training per i modelli di Machine Learning (ML) in presenza di dati scarsi o incompleti o difficili da recuperare), il rendere operativi e scalabili i progetti di AI, il poter lavorare su use case complessi, utilizzando il concetto di explainability, ovvero il poter spiegare il perché di una particolare predizione. Far scalare le iniziative di AI è spesso complicato sia da sfide strategiche (es. aspetti sociali sull’utilizzo dei dati, etica, privacy) sia da sfide tattiche, ovvero trovare i dati corretti ed integrarli nei processi di business e nelle applicazioni. Il concetto di Explainability, su cui in GFT lavoriamo da tempo, è di notevole importanza in ambito AI. Infatti, algoritmi predittivi che rendono possibile l’explainability, quali i cosiddetti “Clear Box”, permettono agli utenti di comprendere molto di più circa il processo decisionale, passando da “cosa” un modello predice a “come” il modello predice. Comprendere le ragioni che stanno dietro alle predizioni è molto importante quando si sta valutando la fiducia in un modello ML – se il business non ha fiducia in un modello non lo userà.