Levi Strauss & Co

Levi Strauss & Co già nel 2019 aveva stretto un sodalizio vincente con l’AI assumendo Katia Walsh in qualità chief AI e strategy officer dell’azienda per guidare un intero team dedicato all’Intelligenza Artificiale. Un aspetto particolare è l’attenzione alla formazione delle persone: l’anno scorso la Walsh ha lanciato il primo Bootcamp di apprendimento automatico dell’azienda, un programma intensivo di otto settimane che ha permesso a più di 40 persone di conoscere meglio i vantaggi dell’Intelligenza Artificiale e del Machine Learning.

Abbiamo visto i vantaggi che il Machine Learning (ML) e l’Intelligenza Artificiale (AI) possono portare in azienda se associati alla metodologia giusta. Nell’articolo di oggi andiamo a scoprire come alcune delle realtà più conosciute al mondo li stanno integrando nei loro processi. 7 storie da cui prendere ispirazione per ottimizzare sempre di più il business grazie alla tecnologia.

Se l’argomento ti incuriosisce la metà di quanto appassiona noi continua a leggere.

Oggi Levi’s impiega ML e AI in numerosi processi, a partire dal reparto creativo: l’analisi di data set relativi al denim fornisce un valido aiuto ai fashion designer nella realizzazione di nuovi capi e modelli. Inoltre, lo sviluppo di algoritmi e programmi che automatizzano il lavoro ha permesso di ottimizzare la produttività e sbloccare la crescita del reparto di progettazione.

Disney

L’interesse di Disney per l’Intelligenza Artificiale e il Machine Learning risale a più di 12 anni fa con la nascita del Disney Research|Studios, la sezione dedicata alla ricerca e all’innovazione tramite ML, AI e visual computing applicati ai contenuti multimediali. Nel tempo queste tecnologie sono state utili in vari ambiti: dall’uso dell’apprendimento automatico e il deep learning per creare nuvole realistiche, alla visione artificiale che consente di prevedere e influenzare la reazione del pubblico target ai contenuti.

Non solo: Disney ha la peculiarità di possedere uno degli archivi più ricchi della storia dell’animazione, che risulta accessibile a sceneggiatori e disegnatori in cerca di riferimenti o ispirazioni. Per catalogare tutto il materiale, Disney fa affidamento sui metadati che includono informazioni su storie, scene e personaggi di film e spettacoli. L’azienda utilizza poi deep e machine learning per applicare tag a questi contenuti con metadati in automatico e semplificare di conseguenza le attività di classificazione e ricerca.

Netflix

Netflix rientra sicuramente tra le realtà che hanno saputo utilizzare l’Intelligenza Artificiale a proprio vantaggio. Come per la NASA, anche in questo l’AI è profondamente integrata nella maggior parte delle attività dell’azienda. Vediamo qualche esempio.

Netflix è in grado di predire il successo di una serie tv grazie al transfer learning. Mettendo insieme l’enorme mole di dati raccolta ogni giorno, l’algoritmo è in grado di produrre dei modelli che descrivono quale sarà il pubblico finale di specifici film o serie tv. I parametri valutati sono molteplici, molti dei quali sono riconducibili al comportamento delle persone sulla piattaforma. Inoltre, allo stesso modo, Netflix è capace di stabilire se il successo avuto da un film in un Paese può essere replicato in altri mercati.

In ogni caso l’obiettivo dell’azienda è trattenere le persone il più possibile all’interno della piattaforma quindi via libera alle tecnologie in grado di rendere l’esperienza utente ammaliante e personalizzata. Il sistema di raccomandazione dei contenuti è tra i più performanti che esistano: è in grado di proporti la miniatura graficamente più in linea con i tuoi gusti e di consigliarti i prodotti migliori in base a ciò che hai già visto.

Tesla

Elon Musk da anni parla della volontà di estendere l’AI oltre il mondo automotive per farne un pilastro portante del proprio business. Lo fa finanziando lui stesso degli studi sull’argomento. Un esempio è OpenAI, società che ha fondato insieme a Sam Altman, Ilya Sutskever, Greg Brockman e Wojciech Zaremba, con l’obiettivo di democratizzare l’accesso all’AI.

Per quanto riguarda l’applicazione pratica dell’AI in Tesla, tutto gira intorno allo studio per arrivare alla guida autonoma. Il software dedicato viene allenato a riconoscere l’ambiente circostante attraverso migliaia di esempi. L’obiettivo è renderlo capace, nel tempo, di identificare la strada ed eventuali ostacoli come altre auto, persone e animali. Grazie al super computer Dojo, Tesla dà in pasto ogni giorno una serie di immagini all’algoritmo che etichetta autonomamente quello che vede. Attualmente l’AI sembra in grado di riconoscere veicoli, pedoni e moto, insieme a varie architetture stradali e cartelli. La strada per diventare Full Self-Driving rimane comunque lunga e, per ora, è ancora impossibile prescindere dalla presenza delle persone.

Nasa

Per la NASA AI e ML rappresentano potenti alleati: dall’automazione dei processi di analisi delle immagini per classificare le galassie, allo sviluppo di sonde spaziali, all’uso di una tecnologia radio basata sull’Intelligenza Artificiale per lanciare e ricevere comunicazioni pulite dalle interferenze.
Una delle applicazioni più affascinanti rimane però quella per la creazione di lander autonomi come i Mars Rover, usati per vagare sulla superficie di altri pianeti e acquisire informazioni importanti. I Rover si muovono attraverso AutoNav, il sistema di navigazione e mobilità basato sull’apprendimento automatico.

TikTok

La scalata di TikTok verso il podio dei social più usati è dovuta anche all’algoritmo in grado di restituire un feed super-personalizzato e avvincente. I contenuti nella sezione For You vengono scelti in base agli input e al coinvolgimento specifico della persona sul social. Ma come fa TikTok a capire quali sono i video simili a quelli che hai già apprezzato da poterti proporre?

La strategia di recommendation del social si basa sull’analisi di ogni video in base a tre fattori: visione artificiale, elaborazione del linguaggio naturale e metadati. La visione artificiale è un processo di apprendimento profondo che utilizza le reti neurali per decifrare rapidamente il contenuto visuale del video. L’elaborazione del linguaggio naturale prima estrae le informazioni audio e poi le analizza in base a diversi modelli di classificazione o clustering. Infine, i metadati prendono in considerazione i dati inseriti direttamente dall’utente nel momento del caricamento come didascalia e hashtag. Tutto questo consente alla piattaforma di determinare chi potrebbe essere interessato a uno specifico contenuto e a offrire la migliore esperienza utente possibile.