Dove un tempo l’uomo era necessario per esplicare attività decisionali, oggi è possibile coadiuvarlo o addirittura ottimizzare il processo utilizzando un cervello digitale: il digital brain appunto. E' importante allargare il perimetro di questa trasformazione non solo all’industria, ma anche al mondo dei servizi. Infatti, automatizzare i processi aziendali, di qualunque tipologia essi siano, non è più solo pertinenza delle industrie labour intensive ma anche di quelle knowledge intensive.
I digital brain permettono alle aziende di rimettere in discussione i processi più ripetitivi e laboriosi innestando nuove tecnologie che vadano a far leva sui costi e sui tempi, abbattendoli, sui ricavi, stimolandoli, o sui rischi aziendali, riducendoli.
Parliamo appositamente di digital brain in quanto la soluzione software che sottende a questo concetto può o meno contenere algoritmi di deep learning, integrare tecnologie multiple funzionali allo scopo (cloud, edge computing, wearable, computer vision, NLP, blockchain ecc.).
Con questi presupposti, il digital brain è definibile come un nuovo fattore produttivo che esegue compiti predeterminati e produce le utilità che sono alla base del modello economico del lavoro. Si può applicare a tutti i settori e a tutte le funzioni aziendali.
Un esempio di applicazione al mondo dei servizi può essere quello legale. Questo settore solitamente è oberato da attività knowledge intensive che implicano molte azioni di revisione e controllo documentale, con dispendio di tempo e di risorse umane. Ad esempio, nella fase di due diligence contrattuale, riuscire a riscontrare la presenza di clausole o paragrafi particolari, controllare che i documenti scansionati siano esattamente quelli necessari per la validità dell’atto, estrarre le informazioni utili e archiviarle, analizzare la composizione del documento, correlare eventualmente molteplici documenti tra di loro per poter trovare le affinità. Sono solo alcuni dei task che possono essere proficuamente implementati.
Ecco allora che gli studi legali iniziano a utilizzare software di due diligence che realizzano molti dei task sopracitati. Può essere in questo caso interessante percorrere il processo utilizzato per passare dal concept alla realizzazione di questi molteplici digital brain che sono integrati in un unico tool user-friendly.
Un processo di automazione parte solitamente dall’esigenza dell’utente e non dalla tecnologia.
Questo permette di articolare il bisogno (business plain) nelle sue varie componenti e scoprire, insieme al cliente, quelli che sono gli elementi cardine sui quali il processo deve articolarsi.
Attraverso il metodo del Design Thinking, con l’utente si procede a disegnare step by step il funzionamento del processo, avendo ben chiaro quello che sarà l’obiettivo finale, l’usabilità che l’utente desidera dai tool e soprattutto facendo progressivi studi di fattibilità, specialmente per le funzionalità cosiddette ‘intelligenti’. Con l’utente si disegna concretamente il flusso immaginato, i deliverable che si desidera ottenere, i kpi che bisogna aspettarsi dal processo. Terminato questo percorso si passa alla definizione del numero dei digital brain da realizzare e soprattutto come questi al loro interno dovranno funzionare.
Nel caso specifico della case history portata come esempio, sono stati realizzati diversi cervelli digitali: per l’information extraction da immagini, attraverso l’uso di computer vision applicata all’analisi di documenti di diverso genere. Attraverso la NER (Name Entity Recognition) è stato possibile analizzare e catalogare in automatico una molteplicità di informazioni all’interno dei documenti, estraendo non solo le informazioni stesse ma anche i relativi kpi (key performance indicator) di performance e di contenuto. Attraverso algoritmi avanzati di Sentence Classification, si è potuto realizzare un processo di analisi della compliance documentale tramite l’analisi automatizzata dei paragrafi contrattuali e la loro corrispondenza ai dettami di legge.
Oltre a questi digital brain, sono state sviluppate altre funzionalità intelligenti che hanno drasticamente velocizzato il processo operativo all’interno dell’azienda, portando una riduzione di oltre l’80% nei tempi di esecuzione dei task.
La riflessione che è necessario fare riguarda la necessità di questa trasformazione digitale e la necessità di rendere pragmatica la tecnologia, soprattutto dell’AI, nei contesti quotidiani di business. Le persone che precedentemente svolgevano lavori di routine, grazie al digital brain possono aumentare nettamente la loro produttività, spostarsi su attività di coordinamento e controllo degli input e degli output e possono contribuire all’efficacia del processo e sono ottimi ‘trainer’ per l’algoritmo.
Infatti, il beneficio di questi brain con intelligenza artificiale è la loro capacità di imparare dall’esperienza e i tool realizzati inglobano anche una sezione specifica per rendere l’utente ‘autonomo’ nella fase di training. Più l’utente usa questi brain, più loro diventano intelligenti. Da una ricerca di LawGeex, a supporto della bontà di queste soluzioni, è emerso chiaramente che a confronto umani e macchine su task di questo tipo, la macchina risulta non solo più accurata (94% vs 85%) ma nettamente più veloce (l’umano più veloce è risultato 100 volte più lento della macchina nell’eseguire il task). Vedendo nella pratica questi tool funzionare, effettivamente un manager comprende a colpo d’occhio il beneficio in termini di efficienza ed efficacia.
Natural Language Generation è uno strumento utile per convertire dati strutturati in un linguaggio naturale, informazioni nella lingua scritta e parlata dagli esseri umani e rende disponibili sistemi che producono contenuti testuali senza l’intervento umano. I vantaggi sono risparmio di tempo, creazione di contenuti in modo automatico e scalabile, in tempo reale.
l Natural Language Processing, nell’insieme delle applicazioni, va ben oltre i chatbot e gli assistenti vocali, dove comunque trova una immediata applicazione e soprattutto le motivazioni e una fonte di evoluzione continua. Tra tutte le tecnologie e gli algoritmi racchiusi nel NLP, un sottoinsieme di queste serve a costruire testi in linguaggio naturale, che siano più familiari all’essere umano e che possibilmente siano anche più comprensibili di un semplice testo composto da frasi precostituite e codificate: il Natural Language Generation.
Cos’è il Natural Language Generation
Per Natural Language Generation intendiamo l’insieme di tecniche e algoritmi per la generazione automatica di informazioni scritte in linguaggio naturale che è quello della lingua parlata, quello naturale per gli esseri umani; nel caso applicativo di chatbot e assistenti vocali fa parte dell’ultima fase del processo in cui prima viene compreso un input in linguaggio naturale, viene trasformato in un insieme di dati strutturati, ne viene elaborata una risposta o un’azione e infine l’output viene trasformato in un linguaggio simile a quello di input che spesso è la lingua parlata e a volte tradotto in un’altra lingua per i sistemi più evoluti.
A questo proposito non si può ignorare uno dei trend di ricerca per lo sviluppo di sistemi che, nel campo degli assistenti vocali, possano fare la traduzione simultanea di un discorso elaborando tutta la catena di processo in tempo reale, dall’ascolto del messaggio in lingua parlata, la trasformazione in strutture dati, la comprensione semantica, l’elaborazione e la traduzione in un’altra lingua, la generazione del testo tradotto e la trasformazione da testo in lingua parlata (Text To Speech).
In “Breeding Gender-aware Direct Speech Translation Systems” si può trovare una ricerca fatta in contesti di traduzione simultanea (senza trascrizione intermedia) con l’analisi della voce e del riconoscimento del genere in input e la riproduzione del genere in output. Adesso però abbandoniamo un momento il contesto principale trainante e ampiamente conosciuto per citare alcune tra le applicazioni interessanti e utili che il Natural Language Generation rende possibili. La sfida che viene affrontata nei diversi scenari applicativi è partire da testi strutturati e molto complessi per generare una rappresentazione in linguaggio naturale anche in più lingue con un livello di complessità adeguato al lettore o all’ascoltatore. Al momento sembra che sia il modello che garantisce i risultati migliori GPT-3, ma qui ci focalizziamo principalmente sui contesti applicativi più che sul modello utilizzato.
Cos’è il Natural Language Generation persuasivo
Il “Persuasive NLG” è un sistema che può creare discorsi focalizzati alla persuasione di un utente su uno specifico argomento. Alcune ricerche (Persuasive Natural Language Generation) dimostrano che modelli pre-addestrati come per esempio GPT-3, possono raggiungere risultati sensazionali; tali modelli consentono di creare testi come se fossero scritti da esseri umani e di ottimizzarne il contenuto in modo da indurre persuasione in chi li legge o li ascolta. Il contesto applicativo va dalla semplice pubblicità di successo all’azione psicologica e forse curativa dei soggetti destinatari. Non ci sarebbe da stupirsi se un giorno avremo uno psicologo virtuale ottimizzato sul carattere del paziente.
Già in passato, nel 1966, Joseph Weizenbaum creò un software che avrebbe potuto essere un utopico psicologo virtuale, si tratta di Eliza. In realtà lo stesso autore disse che il software realizzava una parodia delle domande di uno psicoterapeuta inoltre era realizzato con l’utilizzo di espressioni regolari sostituendo parole chiave in frasi già preparate o modificando la frase di input in output sostituendo solo alcune parole e ripetendo il concetto; ma i risultati degli attuali sistemi di NLG, realizzati con algoritmi basati su reti neurali, sono molto più efficienti nella simulazione di un dialogo umano.
Conclusioni
Il Natural Language Generation è uno strumento utile per convertire dati strutturati in un linguaggio naturale, informazioni nella lingua scritta e parlata dagli esseri umani; è possibile disporre di sistemi che producono contenuti testuali senza l’intervento umano.
Tra i vantaggi nell’uso di NLG possiamo trovare risparmio di tempo, creazione di contenuti in modo automatico e scalabile il tutto in tempo reale. Tra le possibili applicazioni pensiamo ai contesti in cui in sostituzione di un report o di una comunicazione schematica si può produrre un documento nel linguaggio naturale più familiare e comprensibile; messaggi informativi nel settore della logistica, nel settore legale, nelle diverse branche della medicina, nella fruizione di contenuti web, nell’esplorazione di basi di dati.
La necessità e la creatività determinano i limiti applicativi.
Cosa ne pensate ?
La stada è già tracciata. Tra quanto tempo arriveremo all’utilizzo comune di questa nuova tecnologia di generazione automatica del linguaggio ?
Unisciti alle menti principali della tecnologia legale e ricevi mensilmente le ultime notizie e gli aggiornamenti su legge, tecnologia legale, intelligenza artificiale e molto altro.