Dalla piattaforme di Machine Learning ML.NET agli interrogativi che i progettisti si pongono quando si affidano ai dati elaborati dalle intelligenze artificiali. Nuovi ecosistemi di business per nuove esperienze utente. Come cambiano le skills di chi lavora nel Back e Front End Developing

Riprogettare l’ecosistema dell’usabilità delle piattaforme grazie alle creatività generate dai strumenti di AI. E’ questa una delle potenzialità dei Big Data: un’analisi dei dati al fine di tradurli in azioni intelligenti provenienti dai devices. Gli strumenti in gioco sono diversi, ma tra quelli più in evidenza troviamo:

• Automated Speech Recognition
• Computer Vision
• Natural Process Language

Il Mondo della User Experience: elaborare dati in evoluzione

L’AI modifica l’esperienza degli utenti – così come quella di chi lavora per modellare i devices – e possiede una proprietà particolare: quella di rendere i vecchi ecosistemi aziendali obsoleti. Lavorare su una visione nuova per chi è a contatto con il mondo della User Experience può essere complicato, soprattutto quando si tratta di produrre qualcosa di vivo e in continuo rapporto con i feedback provenienti dall’utente.

L’interazione dei device con l’utente è curata da UI, UX Designer e Mobile Developer, ai quali si affiancano competenze di Hardware, Software Engineering e Business Intelligence. L’Internet Of Things è infatti il risultato di skills di Predictive Analytics, PaaS, Apache Hadoop e NoSQL. Tuttavia la metamorfosi delle competenze di back end non può però essere elaborata senza un adeguata ridefinizione delle skills di UI e UX Designer.

La possibilità di tenere sotto controllo in maniera predittiva e non solo reattiva i diversi scenari di User Experience permette di creare modelli di Business che vanno incontro in modo più congruo alle diverse esigenze del target di riferimento, differenziando obiettivi e strumenti

In cosa consiste quindi la transizione della User Experience?

L’AI procura effetti verificabili sul piano Front End attraverso strumenti per l’automazione delle azioni ripetitive e nella predizione delle risposte dell’utente. In questi cambiamenti avviene un processo chiamato AI Disruption, nel quale tutte le fasi della progettazione dei devices sono rivisitati al fine di :

• Individuare i bisogni degli utenti al fine di una più efficiente interazione con gli stessi.
• Valutare il prodotto e la sua fattibilità sul mercato
• Confrontare rischi e opportunità in una visione complessiva, che comprende esigenze di aziende, società, persone e ambiente.
• Identificare quali delle esigenze vengono soddisfatte e quale obiettivo si business si intende perseguire.

Nella User Experience vengono infatti raccolti parametri essenziali per comprendere l’andamento del proprio business:

• Esperienza
• Etica
• Sostenibilità
• Impatto

Machine Learning e AI Disruption

Tra le tecniche di Deep Learning, la Machine Learning è una di quelle più avanzate, che permette di esporre reti neurali artificiali a quantità di dati significative, in modo tale che queste possano imparare da essi e svolgere compiti in maniera autonoma. Tra gli interrogativi cruciali nelle trasformazioni legate alla AI Disruption, c’è quello che riguarda una corretta comunicazione tra dati grezzi e dati processati e quello che concerne la neutralità delle informazioni percepite durante il procedimento di estrapolazione del dato. Tali interferenze possono infatti essere una discriminante per l’identificazione del prodotto offerto all’utente – e quindi del Business – in relazione ai parametri sopra citati Esperienza, Etica, Sostenibilità, Impatto.

Prevedere eventi per progettare nuovi obiettivi e strumenti

Le tecnologie di ML permettono altresì di applicare dei modelli di manutenzione predittiva, i quali consentono di monitorare lo stato passato, presente e anche futuribile dell’asset al quale fanno riferimento. In tal modo permettono di ottimizzare ogni strategia messa in atto, quella legata alla direzione del business, ad esempio, come anche quella che interessa attrezzature e hardware.

La possibilità di tenere sotto controllo in maniera predittiva e non solo reattiva i diversi scenari di User Experience permette di creare modelli di Business che vanno incontro in modo più congruo alle diverse esigenze del target di riferimento, differenziando obiettivi e strumenti.

ML.NET: Model Building e funzionalità di Automated Machine Learning

ML.NET è un esempio di funzionalità di Machine Learning applicata alle piattaforme .NET, la cui prerogativa è eseguire stime attraverso modelli di dati. Attraverso ML.NET è possibile eseguire un modello di dati con specifici algoritmi oppure importando modelli TensorFlow e ONNX.

La prima versione stabile 1.0 del framework è stata annunciata alla Build Microsoft Conference del 2019. Essa comprendeva l’aggiunta di uno strumento di Model Building e funzionalità AutoML (Automated Machine Learning). La versione 1.3.1 ha poi introdotto un prototipo di addestramento di rete neurale profonda utilizzando C## per Tensorflow e uno strumento di Data Loading che consente l’addestramento dei modelli di dati su database.

Lo stesso anno alla Build Conference, tenutasi al Washington State Convention Center nel maggio del 2019 a Seattle, Microsoft annunciò il lancio di altre piattaforme di rilievo per l’elaborazione dei dati. Qui di seguito l’elenco completo:

.NET 5: next multi-platform .Net Core
Azure: Azure SQL Database Edge
Fluid Framework
Visual Studio: IntelliCode
Visual Studio Code: Remote Development Extension Pack
Visual Studio Online
Windows Subsystem for Linux 2
Windows Terminal: cmd, PowerShell, and WSL in tabs

Come cambia il lavoro dei progettisti

L’attività di chi lavora nel back e front-end sarà proiettata in un futuro dove la validità dei dati processati sarà un valore fondamentale per la definizione di business e skills. Si tratta di un lavoro basato sulla interdisciplinarietà delle competenze degli addetti ai lavori e l’obiettivo sarà non solo capire come i sistemi di Machine Learning interagiscono con i dati rilevati, e quindi con l’utente/user finale, ma anche tra di loro.

Author: Claudia Sistelli

© Riproduzione Riservata