Data Science & AI

Data Science & AI: definizioni, applicazioni e approfondimento nel matching finanziario.

Appunti

La data science è un settore interdisciplinare che esplora i dati per estrarre informazioni significative sulla base delle quali prendere decisioni. 

L’intelligenza artificiale (IA) è un ramo della computer science che consente la progettazione di sistemi hardware e software in grado di fornire prestazioni che sembrerebbero di pertinenza dell’intelligenza umana.

Accedi per sempre a tutte le lezioni FREE con video ed esercizi spiegati!

Mappa Data Science e AI

Qui trovi i principali concetti su Data Science e AI.

Scarica la mappa!

Introduzione Data Science & AI: Finanza.tech

Finanza.tech è una IT Finance Company che si occupa di consulenza finanziaria alle imprese in modo nuovo. Si tratta di una piattaforma digitale che permette alle aziende di dialogare in ambito finanziario con banche, investitori e altri enti in modo tempestivo, semplice e flessibile. Non solo consulenza finanziaria; Finanza.tech vuole rivoluzionare le logiche di accesso e partecipazione al mercato dei capitali, riducendone i tempi e i costi di accesso. La sua forza è il processo: assessment gratuito - piano d'azione operativo che indica quali strumenti utilizzare per migliorare la competitività e un matching tempestivo tra azienda e investitore.

Per approfondimenti, qui il link al sito: https://www.finanza.tech/

DATA SCIENCE & AI - Definizione

La data science è un settore interdisciplinare tra matematica, statistica, scienza dell'informazione, informatica e scienze sociali che esplora i dati per estrarre informazioni significative sulla base delle quali prendere decisioni. 

L’Artificial Intelligence (AI) è un ramo della computer science che studia i fondamenti teorici, le metodologie e le tecniche che consentono la progettazione di sistemi hardware e software in grado di fornire prestazioni che sembrerebbero essere di pertinenza esclusiva dell’intelligenza umana: il ragionamento, l’apprendimento, la pianificazione e la creatività.

DATA SCIENCE - introduzione

La data science è uno strumento che si è sviluppato in modo importante negli ultimi anni grazie all’aumento esponenziale del volume di dati disponibili, i cosiddetti Big Data. Si stima infatti che il 90% dei dati disponibili nel mondo siano stati prodotti negli ultimi due anni. L’obiettivo della data science è quello di estrarre conoscenza e insight da dataset strutturati o non strutturati, tipicamente ampi e complessi. In secondo luogo, si occupa di applicare la conoscenza e gli insight emergenti per risolvere problemi in diversi (e molto variegati) domini, dalla robotica alla medicina, dal mondo del lavoro a quello finanziario. 

Questa disciplina contempla 5 attività principali: 

  • raccogliere e preparare i dataset da analizzare;
  • formulare il problema al quale si vuole dare risposta grazie all’analisi;
  • analizzare i dati;
  • sviluppare soluzioni che siano basate su quel dataset;
  • presentare i risultati per guidare le decisioni da intraprendere.

Molte imprese si basano infatti su queste procedure e i risultati di queste analisi per ridurre, ad esempio, i costi di produzione, prevedere trend futuri e sviluppare prodotti nuovi.

Dunque, i dati contengono preziose informazioni che possono fornire un importante vantaggio competitivo a coloro che sono in grado di interpretarli. È evidente che per riuscire a farlo servono competenze specifiche. Lo specialista in data science, il “data scientist”, non è infatti un semplice informatico. Egli deve possedere una preparazione anche in matematica e statistica, conoscere il settore di business che si sta analizzando e saper comunicare i risultati ottenuti ai decisori finali. Molto spesso, per realizzare progetti nell’ambito della data science, vengono infatti creati team composti da più figure professionali multidisciplinari.

Le aziende che intendono competere e innovare, siano esse PMI o Grandi aziende, non potranno più prescindere dallo sviluppare processi decisionali basati sull’analisi dei dati.

ARTIFICIAL INTELLIGENCE - introduzione

L’Artificial Intelligence (AI) è stata definita come disciplina accademica nel 1956 durante il workshop di Dartmouth, dove è stato formulato il suo assioma fondativo: “l’intelligenza umana può essere così puntualmente descritta e definita che possono essere create macchine che la simulano”.

L’Intelligenza Artificiale, come la Data Science, non è un’unica metodologia, ma si avvale di diverse teorie, strumenti e discipline. 

Tutti i diversi segmenti di ricerca dell’AI si basano su specifici obiettivi e relativi strumenti per raggiungerli. I più comuni sono:

  • il ragionamento e la rappresentazione della conoscenza (ovvero la possibilità di creare collegamenti e prove a domande poste alla macchina);
  • la pianificazione (ovvero partendo da uno stato di fatto e ponendole degli obiettivi, la macchina opterà per il piano migliore per agire, ottimizzando le risorse per raggiungere gli obiettivi);
  • il Machine Learning (il più utilizzato e discusso degli ambiti di interesse dell’AI, la macchina impara da dati pregressi e nuovi per dare risposte inaspettate a problemi posti);
  • l’elaborazione del linguaggio naturale (interpretazione del linguaggio umano e delle sue sfumature da usare in comunicazione);
  • Il dare percezione alla macchina e con essa l’abilità di muovere e manipolare oggetti (è il segmento chiave per la robotica e l’indipendenza dall’uomo per i trasporti). 

Per affrontare questi temi, i ricercatori che operano in questo campo usano strumenti quali ricerca e ottimizzazione matematica, logica formale, reti neurali artificiali e tutta una serie di discipline: statistica, probabilità, economia, informatica, psicologia, linguistica, fino ad arrivare alla filosofia e all’etica.

Applicazioni dell’Intelligenza Artificiale

Ci sono tante applicazioni che utilizzano l’intelligenza artificiale, molto spesso senza che ce ne accorgiamo.

Shopping in rete e pubblicità
L’intelligenza artificiale è largamente usata per fornire suggerimenti basati, ad esempio, su acquisti precedenti, su ricerche e su altri comportamenti registrati online. L’intelligenza artificiale è anche molto usata nel commercio al dettaglio, per ottimizzare gli inventari e organizzare i rifornimenti e la logistica.

Ricerche online
I motori di ricerca imparano da un grande numero di dati, forniti dagli utenti, per offrire i risultati di ricerca pertinenti migliorando costantemente gli algoritmi e i crawler (robot informatici che ricercano informazioni in rete) utilizzati.

Assistenti digitali personali
I telefoni cellulari usano l’intelligenza artificiale per offrire un prodotto più personalizzato possibile. Gli assistenti virtuali rispondono alle domande, forniscono suggerimenti e aiutano a organizzare l’agenda di tantissimi possessori di smartphone.

Traduzione automatica
I software di traduzione automatica, basati su testi audio o scritti, usano l’intelligenza artificiale per fornire e migliorare le traduzioni. Un altro uso sono i sottotitoli automatici dei video.

Case, città e infrastrutture intelligenti
I termostati intelligenti imparano i nostri comportamenti per ottimizzare energia. L’intelligenza artificiale può servire nelle città per migliorare la viabilità e ridurre gli ingorghi.

Veicoli
Anche se le auto a guida autonoma sono ancora rare, le automobili che guidiamo hanno già alcune funzioni di sicurezza che usano l’intelligenza artificiale. 
La navigazione è inoltre in gran parte dipendente dall’intelligenza artificiale.

Cyber sicurezza
I sistemi di intelligenza artificiale possono aiutare a riconoscere e combattere gli attacchi e le minacce informatiche. Lo fanno imparando dal continuo flusso di dati, riconoscendo tendenze e ricostruendo come sono avvenuti gli attacchi precedenti.

Lotta alla disinformazione
Ci sono applicazioni di intelligenza artificiale che sono in grado di individuare fake news e disinformazione, analizzando i contenuti dei social media e identificando le parole e le espressioni sospette, perché sensazionalistiche o allarmanti. Possono così aiutare a capire quali fonti possono essere considerate autorevoli.

Salute
Alcuni ricercatori stanno studiando come usare l’intelligenza artificiale per analizzare grandi quantità di dati medici e scoprire corrispondenze e modelli per migliorare le diagnosi e la prevenzione. Ad esempio, hanno sviluppato un programma per rispondere alle chiamate di emergenza che riconosce più velocemente un arresto cardiaco rispetto a un operatore umano.
Nel caso dell’epidemia di COVID19, l’intelligenza artificiale viene usata per i controlli della temperatura nei luoghi pubblici. In medicina, è usata per riconoscere le infezioni a partire da immagini delle TAC dei polmoni. L’AI può anche essere usata per fornire i dati sulla progressione dell’epidemia.

Produzione industriale
L’AI è alla base della produzione robotica ed è usata per pianificare i canali di vendita, la logistica o le manutenzioni.

Filiera agricola e alimentare
L’AI è usata per ottimizzare e razionalizzare l’uso di fertilizzanti, pesticidi e irrigazione, aiutando la produttività e riducendo l’impatto ambientale, aiutando di fatto a produrre cibo più sano.

Esempi di applicazione dell'AI e della Data Science in ambito finanziario

Dal 1956, anno in cui l’informatico John Mc-Carthy teorizzò il concetto, l’Intelligenza Artificiale ha trovato nel settore finanziario uno dei più floridi campi di applicazione.

Ricordiamo che l’AI e la Data Science vanno sempre a braccetto e anzi, la loro combinazione è quella che più ha dato impulso a questo straordinario sviluppo e applicazione in ambito economico finanziario, rivoluzionando il rapporto tra azienda, utente, banca e altre istituzioni finanziarie.

I primi impieghi di queste discipline si sono avuti nel trading con lo sviluppo dei primi sistemi esperti (programmi in grado di riprodurre le prestazioni di professionisti in un determinato campo) che negli anni ‘80 hanno portato all’automatizzazione degli ordini di compravendita nel mercato borsistico. 

Via via gli algoritmi si sono evoluti e ad oggi sistemi di AI supportati da Data Science vengono impiegati in ogni ramo dell’industria finanziaria.

Oltre al trading algoritmico, l’AI e la Data science sono oggi largamente impiegate in tanti ambiti:

  • nella composizione e ottimizzazione dei portafogli;
  • nell’automazione delle procedure di analisi del rischio finanziario;
  • nell’analisi e ricerca di eventuali frodi;
  • nella realizzazione di modelli previsionali;
  • nella valutazione del merito creditizio;
  • nella consulenza robotizzata (robo-advisory).

Oggi la complessità e l’autonomia raggiunta dai sistemi di AI in campi di applicazione specifici come quello economico finanziario è notevole, ma ancora siamo lontani dalla realizzazione di sistemi di AI forte, in grado di soppiantare interamente l’essere umano.

L’impiego dell’AI e della Data Science in campo finanziario ha non solo permesso di automatizzare gran parte delle operazioni, ma ha anche dato vita a nuovi modelli di business in grado di rispondere più prontamente alle esigenze del mercato: la nascita del mondo Fintech. 

Con il mondo Fintech, i cui player operano in tutti gli ambiti in cui la tecnologia fa la differenza, il maggiore portato di novità deriva dalle soluzioni di finanza alternativa che sfruttano i nuovi strumenti digitali per prendere vita: dall’invoice trading al crowdfunding (equity e lending), dal platform lending al digital factoring sono tante le soluzioni che velocizzano le procedure di istruttoria e di accesso al credito. E la sempre maggiore digitalizzazione promette di diffondere ulteriormente il suo impiego anche tra gli operatori tradizionali.

Approfondimento: Storia e teoria del matching

Storia e teoria del matching (statistica e matematica)

 

L’applicazione principale di AI e Data Science che vorremmo approfondire in questa lezione è invece quella del Matching, ovvero la corrispondenza e l’abbinamento ideale di due o più oggetti. Il Matching è una tematica molto interessante, trasversale a diverse discipline e ambiti di applicazione. 

Proprio per questo lo tratteremo facendo un rapido excursus storico della sua origine, di chi per primo ha teorizzato modelli in grado di facilitare e ottimizzare gli sforzi per trovare l’accoppiata migliore possibile in un dato contesto.

Scarica il PDF

 

Approfondimento: Applicazione della teoria del matching in finanza

Applicazione della teoria del matching in finanza

In questo post trattiamo un caso di applicazione del matching in ambito finanziario, nella gestione di una decisione di finanziamento. 

Scarica il PDF 

 

Un esempio concreto di matching basato sui dati e l’AI

 

 

Finanza.tech utilizza l’analisi dei dati e algoritmi di Intelligenza Artificiale per comprendere le necessità e gli strumenti più adatti al miglioramento della situazione finanziaria aziendale.

La digitalizzazione e l’automazione del processo permettono di fornire una consulenza avanzata e un accesso al credito più semplice e tempestivo anche alle PMI, quindi per un numero molto maggiore di aziende rispetto alla tradizionale consulenza finanziaria.

All’iscrizione di un utente (ad esempio il rappresentante legale di Alfa S.p.A.) al portale FT, si attivano automaticamente algoritmi che recuperano molti dati e li processano; i consigli e le operazioni effettuabili dall’utente cercano di essere sempre più precise e si adattano ogni volta che cambiano le informazioni a disposizione.

Il caricamento di un bilancio, della Centrale Rischi di Banca d’Italia, la risposta a un questionario smart o l’intervento di un analista (e molto altro) riattivano il sistema di raccomandazione che ricalcolerà tutte le possibilità a disposizione dell’utente.

Gli analisti di Finanza.tech hanno a disposizione uno strumento che in qualsiasi momento permette di calcolare la percentuale di successo di una determinata operazione tra un’azienda (ad esempio la Alfa S.p.A) e lo strumento finanziario di un investor.

Le necessità aziendali, calcolate da un altro algoritmo, incidono sulla percentuale di successo del match e creano una gamification per l’utente a cui è subito chiaro quali sono le opportunità più urgenti per la sua azienda.

Un esito positivo (o negativo) di un’operazione migliorerà ulteriormente la qualità dei suggerimenti: è qui che entra in gioco il Machine Learning con cui la macchina “impara” dal passato e affina i parametri del modello.

La teoria e le formule dei paragrafi precedenti sono stati spunti importanti per lo sviluppo del complesso sistema di raccomandazione alla base di Finanza.tech, che, grazie all’aumento dei dati a disposizione e all’esperienza della figura dell’analista finanziario, continua a migliorare giorno dopo giorno.

Approfondimenti - Data Science & AI

Per scaricare la pubblicazione “Il Fintech dalla A alla Z” vai a questo link:​​ https://italiafintech.org/il-fintech-dalla-a-alla-z/

Per approfondire i contenuti della lezione vai a questi link: