AI per Team Leader

Programma in fase di aggiornamento, potrebbe subire delle variazioni:

Richiedi informazioni per ricevere l’anteprima

CHE COS’È L’INTELLIGENZA ARTIFICIALE E QUALI SONO I BENEFICI CONCRETI

Il vocabolario da padroneggiare

• ANI (Artificial Narrow Intelligence)
• AGI (Artificial General Intelligence)
• ASI (Artificial Super Intelligence)

Quali sono le tecnologie a disposizione AI ed esempi di utilizzo

• Machine Learning (ML): supervisionato, non supervisionato e per rinforzo
• Deep Learning (DL)
• Intelligenza Artificiale Generativa (Generative AI): Large e Small Language Models
• Reinforcement Learning (RL)

Le 5 aree in cui utilizzare l’Intelligenza Artificiale per iniziare a trarre i primi benefici

• Automazione ed efficienza operativa
• Decisioni basate sui dati
• Miglioramento dell’esperienza del cliente
• Ottimizzazione delle catene di fornitura e logistica
• Innovazione e sviluppo di nuovi prodotti/servizi

Perché evitare soluzioni standard e come personalizzare l’AI con investimenti limitati

ELEMENTI NORMATIVI E DI DATA GOVERNANCE DA CONOSCERE PER PREVENIRE E GESTIRE I PERICOLI E I RISCHI INTRINSECHI ALL’AI

Tipologie di AI in base alle modalità di accesso e alla proprietà del dato input/output

Quadro normativo europeo e governance: AI Act

• Obiettivi e principi chiave del Regolamento europeo AI Act
• Approccio basato sul rischio e classificazione dei sistemi di AI
• Obblighi, requisiti e responsabilità per i “deployer” di sistemi AI ad alto rischio
• Valutazione d’impatto sui diritti fondamentali per i sistemi di AI ad alto rischio
• Sanzioni dell’AI Act per le violazioni
• Obblighi di registrazione per i deployer di sistemi di AI ad alto rischio

Modelli di governance e compliance specifici per i deployer

• Gestione dei dati aziendali nel contesto dell’AI
• Sviluppo di un codice etico e di sistemi affidabili dal punto di vista etico
• Tipi di responsabilità derivante dall’uso dei sistemi AI
• Accountability per i sistemi di AI
• Ruolo delle autorità di vigilanza e dei comitati etici nella governance dell’AI

Rischi e limiti dell’AI

• Allucinazioni e bias nei sistemi di AI
• Problematiche legate ai modelli generativi pre-addestrati
• Sfide di cybersecurity e vulnerabilità dei sistemi di AI
• Rischi specifici legati all’implementazione e gestione dei sistemi di AI da parte dei deployer

Trasparenza e spiegabilità delle decisioni basate sull’AI

• Importanza e limiti della trasparenza e della spiegabilità (explainability)
• Metodi, tecniche ed esempi per favorire la trasparenza e la spiegabilità
• Approccio Human-in-the-loop: la conoscenza e l’esperienza delle persone al centro dei processi di apprendimento automatico

AI e protezione dei dati personali (GDPR)

• Limitazione della conservazione dei dati personali nell’ambito dell’AI
• Utilizzo dei dati personali per la creazione e l’addestramento di sistemi di AI
• Le Privacy Enhancing Technologies (PET) come soluzione
• Diritti degli interessati e strumenti di tutela nella gestione dei dati personali da parte di sistemi AI

Prospettive di evoluzione normativa, etica e tecnologica nell’ambito dell’AI

STRUMENTI E TOOL A DISPOSIZIONE IN AZIENDA CHE POSSIAMO UTILIZZARE SUBITO

I player più interessanti dell’attuale mondo AI

• Le piattaforme Gemini, Claude3, ChatGPT, MID Journey, SORA
• Quando scegliere sistemi proprietari e quando open source

Come utilizzare il prompt engineering per interagire con i sistemi di AI generativa

• Tecniche e struttura del prompting
• Agenti di AI: dal prompt conversazionale ad azioni automatiche
• Modalità RAG per vincolare l’intelligenza artificiale generativa ai contenuti aziendali

In esercitazione integra ChatGPT con i tuoi sistemi di Office (Outlook ed Excel) e allenati all’utilizzo:

I partecipanti metteranno in pratica delle tecniche di prompt engineering in modalità RAG su tool conversazionali per constatare come cambia l’output in base alla qualità dell’input

Sessione di case study di applicazione del prompt engineer nel mondo reale e lesson learned da successi e insuccessi

QUALI SONO LE APPLICAZIONI PIÙ EVOLUTE DA IMPLEMENTARE

Partendo da un’ampia base di use case reali di progetti AI, identifichiamo 5 aree di implementazione validi in diversi settori

• Strumenti e piattaforme di AI problem solving
• Sistemi di apprendimento automatico
• Controlli strategici e processi di decision making in contesti data-driven
• Assistenti virtuali (Agente) per attività quotidiane, massive e ripetitive per il team e per il cliente
• Next best action con la GenAI secondo cluster di comportamento

Lezioni chiave e linee guida utili alla realizzazione di un progetto di AI

• Identificare obiettivi SMART calando le aspettative sul caso reale
• Raccogliere dati disponibili e utilizzabili per definire l’architettura di destinazione
• Coinvolgimento delle persone per evitare il rifiuto della soluzione
• Monitoraggio del risultato: cosa ha funzionato e cosa poteva essere migliorato
• Dalla bozza di progetto (PoC) all’ambiente di produzione

VALUTARE L’EFFICACIA E L’EFFICIENZA DEI PROGETTI DI AI

ROI e analisi quantitative

• Analisi Costi-Benefici (CBA): costi totali del progetto rispetto ai benefici finanziari e non finanziari attesi
• Forecast per valutare la redditività nel tempo
• Performance di modelli AI basate su accuratezza, precisione, recall e F1 score
• KPI di business: traduzione delle metriche in benefici economici tangibili

Identificare e ridurre le criticità di progetto più frequenti

• Sviluppare strategie per rispettare le tempistiche ed evitare ritardi
• Affrontare le sfide nella raccolta, pulizia e integrazione dei dati provenienti da diverse fonti
• Mantenere human-in-loop per la verifica dell’output e ottenere la fiducia del team durante il processo

BEST PRACTICE E DIFFICOLTÀ INCONTRATE IN 4 CASE STUDY DI IMPLEMENTAZIONE AI

Esame di casi d’uso in settore diversi per capire come adattare le tecnologie a contesti specifici e migliorare l’efficacia complessiva dei progetti AI in ottica di continuous innovation

• Metodologie di Machine Learning e legame con l’internal audit: progetti di ricerca e case study
• Un progetto di implementazione di Intelligenza Artificiale in ambito forecasting
• Gestione del progetto di sviluppo di un chatbot intelligente basato su modelli di AI generativa (LLM) per la consultazione di dati di anagrafica
• Utilizzo di modelli di Generative AI per automatizzare i processi estrapolando informazioni strutturate da dati non strutturati

COME COSTRUIRE UN PROGETTO CUSTOM DI INTELLIGENZA ARTIFICIALE: OPPORTUNITÀ, RISORSE, RISCHI, ROI E TEAM

Come declinare un Framework AI nei processi già in atto in modo efficiente ed efficace

• Mappatura dei processi per trovare margini di implementazione
• Origine e utilizzo del dato
• Il giusto mix tecnologico per lo specifico use case

Costruire un sistema scalabile e dinamico per un aggiornamento continuo

• Investimenti flessibili e sostenibili per l’infrastruttura
• Database strutturati, semi-strutturati e non strutturati
• Prompt continuamente affinati

Usare l’Intelligenza Artificiale in un processo di Change Management

• Facilitare e accelerare i cambiamenti organizzativi con l’AI
• AI Assisted Decision Making
• Migliorare la capacità di risposta ai cambiamenti del mercato
• Implementare sistemi di monitoraggio continuo

People management e il concetto di human-in-the-loop per non sottovalutare il fattore umano

• Composizione del team e identificazione dei responsabili addestramento
• Formazione per i dipendenti
• Comunicazione e coinvolgimento interno
• Dedicare il tuo team ad attività di valore

Case study: le dinamiche reali di progetti implementati, dal fabbisogno all’implementazione, con analisi ROI per misurare il ritorno sull’investimento.

What’s next? Farsi trovare pronti agli sviluppi futuri

• Impatto della AI in diversi settori a livello mondiale
• Principali linee di ricerca per nuove soluzioni