Si è conclusa a Milano nei giorni scorsi la SAS Analytics Experience 2019, evento internazionale di tre giorni dedicato ai temi della data science, occasione colta dai circa 2000 partecipanti internazionali per aggiornamenti sullo stato dell’arte nell’ambito delle tecnologie analitiche, AI/ML e sui possibili impieghi al servizio delle imprese. Occasione scelta da SAS anche per alcuni significativi annunci di prodotto.
Nel saluto iniziale, il CEO di SAS Jim Goodnight (nella foto) ha sottolineato l’importanza attuale delle tecnologie analitiche e la posizione di leadership conquistata nel settore della advanced & predictive analytics (27,7% market share secondo i più recenti dati IDC), un campo in cui la società intende continuare a crescere e a investire, mantenendo massima focalizzazione su ciò che trasforma i dati in valore di business.
A cominciare dall’intelligenza artificiale, tecnologia su cui SAS ha annunciato sette mesi fa investimenti per 1 miliardo di dollari in 3 anni. Goodnight ha dichiarato l’interesse a rendere le tecnologie analitiche e AI sempre più accessibili ai potenziali utenti aziendali (non più solo data scientist) e ad aiutare le imprese ad adottare supporti decisionali in tempo reale. Ha poi fornito esempi di come la comprensione del linguaggio naturale, le capacità di analisi delle immagini e altre attuali applicazioni dell’AI stanno portando cambiamenti nei diversi ambiti d’impresa e mercati.
Secondo dati dello studio Experience 2030: The future of Customer Experience di Futurum Research, entro 10 anni i sistemi intelligenti, operanti in real time, avranno in carico oltre i due terzi del lavoro di engagement dei consumatori, comprese campagne marketing e promozionali. Per il 67% dei marchi intervistati dagli analisti, rimpiazzeranno gli esseri umani nel contatto con i clienti sui canali online e mobile.
L’AI nella SAS Platform e la testimonianza di Yolo Group alla SAS Analytics Experience
SAS riconosce nella facilità d’uso delle soluzioni analitiche a AI l’elemento chiave per aiutare le imprese a ottenere maggior valore dai dati. Un impegno che si traduce nell’aggiunta di nuove capacità interpretative e d’automazione intelligente nella SAS Platform. Con il prossimo aggiornamento, previsto a novembre, del motore analitico in-memory abilitato al cloud Viya, SAS promette nuove capacità analitiche e AI a vantaggio sia dei data scientist sia dei business user. Tra le novità più importanti, gli strumenti per semplificare la creazione dei modelli di ML e per l’automazione della gestione del ciclo di vita dei modelli analitici.
All’evento milanese sono state portate testimonianze di aziende che impiegano tecnologie di AI e ML in business innovativi. Tra queste, la startup italiana Yolo Group che offre servizi assicurativi ‘on demand’ personalizzati ai clienti di grandi aziende, banche e altre compagnie assicurative. La tecnologia di SAS permette a Yolo di essere competitiva anche nel maturo e consolidato settore assicurativo.
“La nostra piattaforma ci permette di elaborare le richieste e i dati dei clienti in tempo reale, per poter assicurare una vacanza, un acquisto e altro – ha spiegato il cofondatore e CEO Gianluca De Cobelli -. La tecnologia ci permette di tenere in massimo conto le esigenze del consumatore, e quindi poter offrire la migliore esperienza in ambito mobile”.
I tool per migliorare la produttività dei data scientist
Gli sviluppi dell’analisi dati, AI e ML costringono i data scientist ad avere a che fare con un numero sempre crescente di modelli e criticità nel rilascio in produzione secondo le esigenze del time to market. Secondo dati IDC meno del 50% delle aziende è oggi in grado di mettere in produzione in tempi soddisfacenti i modelli analitici e un numero ancora minore di aziende (14%) ha inquadrato la figura del data scientist in processi di lavoro ben organizzati.
L’obiettivo dei nuovi tool SAS Open Model Manager e ModelOps è affrontare i problemi “dell’ultimo miglio” nell’impiego aziendale dell’analisi dei dati. Open Model Manager permette l’organizzazione e l’acquisizione di modelli esistenti e open source, riducendo i processi manuali nelle varie fasi di sviluppo, aiutando la collaborazione tra IT e LOB. ModelOps indirizza invece le esigenze del passaggio dei modelli analitici dalle fasi di laboratorio a quelle di test e produzione, accelerando i tempi, semplificando il monitoraggio e l’aggiornamento nel corso del ciclo di vita.
