L’automazione cambia Data Science e visual analytics TIBCO Software spiega come ottenere insight eseguibili, che abbiano un impatto sui processi di business, con AutoML di Gaetano Di Blasio
U
n obiettivo fondamentale per i visual analytics e la data science è quello di identificare insight eseguibili, i cosiddetti “actionable” che abbiano un impatto sui processi di business con lo scopo di aumentare il fatturato, migliorare la produttività o mitigare i rischi. «L’intelligenza artificiale automatizzata o il machine learning automatizzato specificamente per la data science possono aiutare a raggiungere questo obiettivo - afferma Michael O’Connell, Chief Analytics Officer di TIBCO Software – che aggiunge - AutoML può aumentare in modo notevole la produttività dei data scientist automatizzando i compiti più banali e consentendo di dedicare maggior tempo all’innovazione». AutoML with transparency, spiega ancora il manager può anche guidare e formare gli utenti su come ottenere il massimo dai loro dati e dall’ambiente di data science, implementando nel contempo best practice. «Il ruolo e la funzione dei data scientist sono in crescita: essi hanno accentrato tutto quello che serve per portare a termine il loro compito». Un compito che può comprendere il progetto e il deployment di sistemi end-to-end per testare i modelli e per inferenza. Questo per job batch che girano lanciati con un clock o un trigger e per elaborazione di eventi in tempo reale. «Tali sistemi end-to-end comprendono tipicamente accesso e federazione di dati, strategie di caching, feature engineering, machine learning e model ops, che può comprendere la “containerizzazione” di modelli, l’aggiunta di Artificial Intelligence 44 PRIMO PIANO
interfacce RESTful e il deployment in sistemi operazionali, in ambienti ibridi e qualche volta multi-cloud», ci spiega ancora O’Connell. I data scientist vogliono diventare più produttivi. Per questo, afferma il manager di Tibco «AutoML li aiuta assistendo gli analisti nella preparazione dei dati, la pulizia degli stessi, la feature selection, feature engineering e modellazione, con explainability». L’assistenza digitale di AutoML, continua il manager, è in fase di estensione alle piattaforme di data science che scalano attraverso ambienti cloud ibridi con deployment in architetture basate su eventi. Idealmente, i sistemi AutoML dovrebbero generare flussi automatici che sono modificabili e informativi in merito al funzionamento del software. Questo dovrebbe includere il far emergere i passi o i nodi del workflow e come essi vengono creati e configurati per l’analisi. «I flussi generati dovrebbero, e possono, rappresentare un’esperienza educativa per il data scientist su come utilizzare il software in modo ottimale. Un sistema AutoML è anche un modo per implementare best practice, sia per il data scientist esperto e professionale, sia per il praticante con meno esperienza. Così, quando l’utente si muove attraverso una pipeline di data science, l’ambiente aiuta a collegare, pulire e preparare i dati, oltre a ingegnerizzare caratteristiche per la costruzione di modelli. Inoltre, il sistema dovrebbe idealmente offrire una guida su questioni come i set di validazione di blocco (hold-out), combinazioni di caratteristiche e modelli e possibilità di spiegazione (explainability) dei modelli» sostiene il Chief Analytics Officer di Tibco.
P A R T N E R S 50
