Nel 1959 il premio Nobel per la fisica Eugene P. Wigner ha tenuto alla New York University una conferenza incentrata sul tema de “L’irragionevole efficacia della matematica nelle scienze naturali”. Da quella conferenza è stato estratto poi un piccolo volume dove viene approfondito il tema dello stupore e della bellezza nello scoprire come la matematica si applichi in maniera elegante e “naturale” al mondo fisico e aiuti a capire, interpretare e prevedere quello che ci circonda.
Fast forward di 60 anni. Quello di cui si potrebbe discutere oggi, in una conferenza ipotetica (e probabilmente virtuale), potrebbe essere “l’irragionevole efficacia della matematica nel business”. Dove il termine irragionevole deve essere inteso, adesso come allora, nel senso di “incredibile” o “stupefacente”.
Il rischio però è che, con un titolo del genere, il numero di iscritti alla conferenza risulti basso. Per questo chi si occupa di questi temi al giorno d’oggi usa narrative e metodi di comunicazione più diretti e d’impatto.
Per fare alcuni esempi, negli ultimi anni possiamo trovare sugli scaffali virtuali di Amazon The ten equations that rule the world, oppure Algoritmi per un nuovo mondo, The Master Algorithm o molti altri titoli di libri più o meno divulgativi. In questi libri non si parla più di equazioni di Maxwell o della legge di Newton come in quello di Wigner, ma si parla di machine learning, AI, Netflix, guida autonoma, business e molto altro.
Esiste però, indipendentemente dai titoli o dall’anno di pubblicazione, un filo conduttore comune ai testi citati sopra, ed è lo stesso tema del quale ci capita spesso di discutere con clienti e colleghi: come può la matematica (e tutte le sue derivazioni, dall’informatica all’AI), essere efficace nelle sue più svariate applicazioni e, soprattutto, è davvero così efficace come qualcuno vuole farci credere?
La risposta breve è: sì, la matematica e le sue derivazioni non sono una chimera o una fake news, ma funzionano davvero, e ci sono miliardi di esempi per dimostrarlo.
La risposta più dettagliata invece passa dalla comprensione del “come” la matematica riesce a essere così efficace nel business, in quali ambiti viene utilizzata con più efficacia e anche perché non sempre l’AI e la matematica portano ai risultati sperati.
I progetti che portano la matematica al servizio del business hanno (o dovrebbero avere) un grande focus su questi componenti fondamentali:
Togliendo o non considerando con sufficiente attenzione uno qualsiasi di questi ingredienti, la matematica si rivelerà meno efficace di quanto promesso nell’incipit di questo articolo. Vediamo meglio questi cinque ingredienti.
L’aspetto di cultura aziendale e di formazione delle persone è la chiave della riuscita dell’implementazione di progetti di AI o di “matematica” di supporto al business. Per andare oltre semplici POC (proof of concept) e progetti di ricerca è fondamentale che ci sia un dialogo continuo fra le funzioni di business e le funzioni tecniche a supporto.
Si tratta spesso di lavorare a livello di cultura aziendale, di formazione (non tecnica, non bisogna essere tutti data scientist, ma formazione a livello di mindset) e di contaminazione. Si tratta di adattarsi a un nuovo modo di pensare e un nuovo mondo.
Un mondo dove un algoritmo batte il campione del mondo di scacchi ed è in grado di scrivere un intero articolo semplicemente con un breve brief. Wigner nella sua conferenza era facilitato in questo compito, perché parlava a una platea di ricercatori del suo stesso campo. Il compito più sfidante invece è quello di far comprendere questa irragionevole efficacia a una platea ben più eterogenea, che è la popolazione delle aziende di oggi.
La matematica è uno strumento che aiuta a risolvere problemi e ad analizzare scenari possibili. Ma per farlo, il problema deve essere messo a fuoco. Parte del nostro lavoro e della nostra competenza sta proprio qui, nell’aiutare in quello che noi chiamiamo problem framing. Immaginate di essere al liceo e risolvere brillantemente un problema dal vostro libro di testo, per poi scoprire che in realtà il problema da svolgere era quello della pagina accanto. Uno spreco di energie. Noi ci assicuriamo di non far accadere questo.
L’individuazione del problema, o più in generale l’allineamento fra strategia di business e data strategy (o AI strategy), è legato a doppio filo al discorso sulle persone del paragrafo precedente. Esistono anche applicazioni della matematica il cui obiettivo è proprio “scovare il problema”, ma in quel caso l’approccio è leggermente diverso.
Parlando di dati, facciamo subito una precisazione. Per noi in H-FARM Innovation i dati sono tutte quelle “cose” che si possono dare in pasto a un algoritmo. Le immagini sono dati, i testi sono dati, i suoni sono dati, un foglio excel è un insieme di dati, uno scontrino è un dato, il tempo che voi impiegate a leggere questo articolo è un dato.
Questi sono esempi di dati sia strutturati sia non strutturati. Ma tutti dati. Per sfruttare la potenza della matematica nel business servono dati, pochi o tanti, ma servono. Spesso le aziende non sfruttano i dati che hanno (per approfondire, leggi il nostro post di LinkedIn), o non sono a conoscenza di processi come il data fusion (o data integration), dove si vanno ad arricchire i dati interni con dati raccolti da aziende o realtà terze. A seconda dei dati a disposizione e del problema che si vuole risolvere, si scelgono poi la tecnologia e la matematica più adatte.
Una volta per risolvere i problemi matematici si usava carta e penna. Oggi la questione è un po’ più complicata. L’importanza di saper maneggiare l’aspetto tecnologico di un progetto di dati è una condizione essenziale per la sua buona riuscita.
Oggi per mettere a terra questo tipo di progetti si utilizzano spesso architetture cloud, database non relazionali e molti altri “strumenti” che rendono un task e un’implementazione molto più veloce e efficace. Ogni azienda ha un approccio diverso alla tecnologia e il nostro compito è anche quello di capire quale sia il metodo che più è adatto alla risoluzione del problema e la sua implementazione all’interno del panorama tecnologico aziendale per rendere i risultati fruibili e integrati nei processi.
Ultima ma non ultima. La competenza teorica in ambito di modelli e algoritmi che stanno alla base di qualsiasi progetto di questo tipo è di fondamentale importanza per la sua riuscita. Scegliere il modello sbagliato, usare un set di dati sbagliato per addestrare la rete neurale, o settare alcuni parametri in maniera errata, possono portare a risultati insoddisfacenti e sbagliati.
Per evitare di incappare in questo problema, in H-FARM Innovation, abbiamo scelto di creare un team di data scientists eterogeneo con competenze di statistica e di modellistica. Un’insieme di persone capaci di guardare il problema da vari punti di vista prima di decidere l’approccio corretto.
Come molto spesso si fa in matematica, abbiamo qui semplificato il problema e creato un modello generale. Ogni caso merita la sua specifica analisi e attenzione. Una cosa però è certa e sempre valida: anche per chi come noi crede in questo approccio e ne vede i risultati positivi sulle aziende che lo applicano quotidianamente, rimane quello stupore di cui parlava Wigner nel vedere l’incredibile accuratezza con cui un algoritmo prevede i possibili incidenti sul lavoro solo basandosi su report testuali, o la bellezza di poter ragionare con un semplice click del mouse su un numero potenzialmente infinito di scenari possibili e capirne gli impatti.
