Analisi Predittiva e Decision Intelligence
Soluzioni AI che ottimizzano, velocizzano e semplificano l’accesso alle informazioni
Sistema AI su misura per ottimizzare la gestione delle scorte e ridurre la svalutazione dei prodotti nei punti vendita cash&carry,
attraverso modelli prescrittivi e analisi predittive integrate.
Business Opportunity
Nel settore della distribuzione all’ingrosso, ottimizzare la gestion delle scorte è cruciale per ridurre perdite e aumentare l’efficienza.
Challenges
– Rischio di svalutazione prodotti
– Sovraccarico di magazzino
– Complessità nella pianificazione della domanda
Solution
Modello AI proattivo sviluppato in 5 fasi:
– Analisi dati
– Proof of concept
– Messa in produzione
– Sviluppo di modello prescrittivo
– Tuning dei dati
Tecnologie: modelli predittivi custom, dashboard interne, data tuning integrato
Business outcomes
– Riduzione delle svalutazioni tramite strategie “saldi zero”
– Miglioramento delle performance logistiche
– Ottimizzazione economica e riduzione costi di stock
Business Opportunity
Esigenza di uno strumento unificato per testare diversi modelli LLM con diversi parametri variabili e su basi di conoscenza differenti che si avvalgono di un’architettura RAG con possibilità di gestire agevolmente database e collection importate nel database vettoriale.
L’utilizzo di uno strumento di questo tipo è in grado di accelerare la realizzazione di PoC, ottimizzare lo sviluppo di applicativi che utilizzano soluzioni di AI.
Challenges
– Gestione di modelli LLM eterogenei: Necessità di supportare diversi modelli con parametri variabili e ottimizzarne le prestazioni.
– Integrazione con basi di conoscenza differenti: Difficoltà nel connettere fonti di dati strutturate e non strutturate in modo efficiente.
– Scalabilità e performance: Garantire tempi di risposta rapidi e gestione ottimizzata delle risorse per ambienti di test e produzione.
– Facilità di creazione di nuove collection su database vettoriali ed importazione di sorgenti dati: definire una pipeline in grado di supportare il processo che va dalla selezione di una fonte dati (per es. web) fino alla sua importazione nel database vettoriale.
– Manutenzione e aggiornamento continuo: Adattamento costante a nuovi modelli, tecnologie e requisiti aziendali.
Solution
– Gestione Modelli LLM: Supporto a modelli multipli con possibilità di selezione dinamica e tuning dei parametri.
– Integrazione con Basi di Conoscenza: Connessione a documenti, database, API e repository interni per la RAG.
– Motore di Elaborazione e Orchestrazione: Middleware che coordina richieste, ottimizza il flusso dei dati e gestisce il carico di lavoro.
– Interfaccia di Configurazione e Testing: Pannello di controllo per testare e confrontare modelli, parametri e output.
– Scalabilità e Deployment: Architettura modulare con supporto a infrastrutture cloud, on-premise e ibride.
Business outcomes
– Riduzione del tempo di sviluppo: Diminuzione considerevole del tempo necessario per la realizzazione di PoC e nuovi applicativi.
– Aumento della produttività dei sviluppatori: Miglior gestione dei test e dei parametri dei modelli, con un incremento dell’efficienza notevole.
– Maggiore scalabilità e flessibilità: Possibilità di integrare nuovi modelli e fonti di dati senza impatti significativi sulle performance.
– Riduzione del time-to-market: Accorciamento dei tempi di rilascio delle nuove soluzioni.
– Sostenibilità a lungo termine: Un’unica piattaforma centralizzata riduce i costi di manutenzione e ottimizza l’infrastruttura, garantendo una gestione efficiente nel tempo.
Business Opportunity
Esistono una serie di tributi locali per i quali la platea cui sono destinati è molto ampia e poco qualificata. In alcuni
casi, inoltre, sono richiesti più adempimenti per arrivare al pagamento e gli elmenti da considerare possono essere
collegati ad una normative estesa, complessa e soggetta a modifiche nel tempo. Gli enti locali mettono a disposizione della cittadadinanza sportelli e contatti telefonici / email per fornire l’assistenza necessaria. Gli sportelli hanno il grosso limite di essere aperti poche ore in quanto costosi per le amministrazioni, richiedono al Cittadino di presentarsi in loco e non sempre il personale addetto allo Sportello riesce a risolvere le esigenze dei cittadini. Il canale telefonico elimina solo la necessità di spostamento ma per sua natura risulta di difficile fruizione in quanto non sempre raggiungilbile e presenta gli stessi problem relative al personale sia di costo che di qualità non sempre idonea. Il canale emal è per sua natura offline e quindi somma anche il rpoblema di una interazione non fluida e non alla portata di tutti.
Challenges
La sfida è quella di superare I limiti dovuti all’impiego di persone da dedicare all’interazione con I cittadini e di sostituirli con un assistente disponibile da remote 24 ore al Giorno e sette giorni a Settimana. L’assistente deve essere costantemente aggiornato sulle evoluzioni normative e regolamentari ed interagire rispondendo esclusivamente sulla tematica per la quale è stato implementato.
Solution
La soluzione è stata basata su tecnologia IBM watsonx con la quale si è implementata una archietttura RAG. La Knowledge base era composta da documenti forniti dall’amministrazione e siti web contenenti aggiornamenti normative sulla materia. La KB è stata caricata in un database vettoriale milvus. L’LLM utilizzato è stato Granite-3-8b-instruct e l’assistente è stato implementato con wastonx assistant.
Business outcomes
I risultati ottenuti sono riassimubili in un risparmio economico ottenuto ricollocando il personale impegnato nelle attività di Sportello ad altri incarichi, un Guadagno di imagine importante dell’amministrazione conseguente al netto miglioramento del servizio offerto alla cittadinanza. Nel tempo ci si attende un ulteriore miglioramento nella raccolta dei tributi e un netto miglioramnto del contenzioso in mabito tributi locali, conseguente ad una migliore informazione sul tema erogata alla cittadinanza.