Tutto è cominciato nel gennaio dello scorso anno, quando ho incontrato il dottor Mittal Monani nel corso del terzo evento della serie di incontri R+ Gatherings. Ho già raccontato qui e altrove di due di essi.
Il dottor Monani mi ha poi presentato sua moglie, la dottoressa Sangeeta Bari, una leader nel campo del software con decenni di esperienza, che mi ha chiesto se avessi qualcosa da condividere nell’ambito di una conferenza online dedicata alle applicazioni pratiche dell’Intelligenza Artificiale.
La conferenza si è svolta tra il 2 e il 3 ottobre di quest’anno e portava il titolo Practical AI Summit 2025.
Sistemi Decisionali guidati da LLM e analisi Dati per i Mercati Finanziari
Non posso certo recensire tutti gli interventi che si sono susseguiti nei due giorni del summit.
Devo ammettere che ho dovuto andare a dormire mentre la terza parte dell’evento era ancora in corso: gli organizzatori erano infatti basati a Vancouver, con un fuso orario di ben sette ore indietro rispetto al nostro CET europeo.
La mia scelta di cosa riportare è inevitabilmente influenzata dai miei interessi per i mercati finanziari e dalla mia conoscenza dell’ambiente R+, ma poiché sono io a scrivere questo articolo… così sia.
Decision Making e framework cognitivi
Kyle Speaks ha tenuto una presentazione estremamente profonda sul processo decisionale.
Come tutte le cose profonde, è difficile catturarne il messaggio centrale per interposta persona, quindi mi concentrerò sulla parte più empirica e consequenziale del suo intervento: è un dato pubblicato e riconosciuto che la media delle aziende Fortune 500 perde 62 milioni di dollari al giorno a causa di decisioni sbagliate.
Possiamo imparare a decidere meglio in due modi: il primo è quello “duro”, cioè per tentativi ed errori — cosa che tutti facciamo, prima o poi; il secondo è imparando dagli altri.
Il vero potere decisionale non risiede in un numero maggiore di regole, ma in regole più semplici e chiare, che permettano di attivare risposte istintive.
Le squadre che strutturano realmente il proprio processo decisionale si muovono in media il 50% più velocemente di quelle che non lo fanno.
Ma come possiamo sfruttare l’intelligenza artificiale generativa per diventare decisori migliori?
È un falso mito che il pensiero umano sia confinato al cervello: taccuini, checklist, strumenti informatici — tutto ciò che estende le nostre capacità cognitive — fa parte del nostro modo di pensare.
Da qui parte il punto cruciale: imparare a usare questi strumenti per potenziare le nostre capacità decisionali, invece di sovraccaricarci con zavorre cognitive improduttive.
Possiamo gestire al massimo 5 (più o meno 2) elementi contemporaneamente nella memoria di lavoro; raggruppandoli per somiglianza e sfruttando le associazioni, li processiamo molto più rapidamente.
Un autore che non conoscevo prima della conferenza, David Allen, ha ottenuto riconoscimento mondiale con il suo framework Getting Things Done (GTD), che organizza le attività in un flusso di cinque fasi: Capture, Clarify, Organize, Reflect, Engage (CCORE) — un metodo che aziende come Microsoft hanno adottato con successo.
Ora, i Large Language Models (LLM) sono in grado di digerire il contesto e riconoscere i punti chiave.
Ed è qui che entrano in gioco: possono pre-processare le informazioni, facendoci risparmiare enormi quantità di tempo ed energia, e permettendoci di concentrare le nostre risorse mentali sull’affinamento di decisioni basate su un segnale informativo con un rapporto segnale/rumore mai visto prima.
Se il processo di filtraggio è ben strutturato e ricorsivo, il tasso di successo delle decisioni tende ad aumentare sensibilmente, dopo un periodo di adattamento sufficiente a integrare questi metodi nei nostri schemi di lavoro abituali.
Dai dati alle decisioni finanziarie
Raphael Douady ha parlato invece di come trasformare i dati in decisioni operative di trading e investimento.
L’idea chiave è che non sono i dati il vero ingrediente delle decisioni quantitative efficaci — ma l’elaborazione dei dati.
Infatti, ciò che per una persona è segnale, per un’altra è rumore.
L’analogia che Douady utilizza spesso è perfetta: immaginate di essere in un ristorante, pieno di persone che chiacchierano ai tavoli. L’insieme dei suoni nella sala equivale a una giornata di dati di mercato.
Se pensiamo ai commensali come ai partecipanti del mercato, diventa evidente che ciò che è “dato utile” per una persona (quello che dicono al suo stesso tavolo) è rumore per tutti gli altri.
Distillare informazione dai dati è l’arte del data analyst — e non è un’arte economica.
Come diceva il leggendario Jim Simons di Renaissance Technologies, fare soldi con l’high-frequency trading significa trovare un piccolo bias: avere ragione anche solo il 52% delle volte basta per diventare immensamente ricchi sul lungo periodo!
Chabots ed API per LLM APIs per la gestione degli ordini
Per quanto riguarda il mio modesto contributo, ho parlato altrove della transizione digitale che stiamo portando avanti da anni e delle sue conseguenze profonde sul nostro modo di lavorare.
Negli ultimi sette anni abbiamo introdotto innumerevoli miglioramenti nella registrazione delle fatture, nella gestione degli ordini, nei comandi ai tavoli e molto altro.
In questa conferenza, tuttavia, mi sono concentrato specificamente sull’Intelligenza Artificiale e sul suo potenziale applicativo, con un focus su una possibile estensione della nostra web-app per la presa degli ordini.
Per i più tecnici, rimando al link alla cartella che contiene entrambe le versioni (.pdf e .pptx) della mia presentazione.
Per il lettore generale, ecco una visione d’insieme:
immaginate un chatbot basato su un Large Language Model, qualcosa come ChatGPT, addestrato su centinaia di conversazioni tra il nostro staff e i nostri clienti — e quindi in grado di gestire richieste di moltissimi tipi.
Ora, immaginate di connetterlo alla nostra chat di WhatsApp, dove già oggi forniamo assistenza ai clienti.
E se, oltre a essere un chatbot ben addestrato, potesse trasformare richieste scritte (e magari vocali) direttamente in ordini?
Un ordine registrato sulla nostra app è semplicemente un insieme di informazioni: i prodotti desiderati, il cognome del cliente, il numero di telefono e l’orario di ritiro, tutto in un formato standard chiamato .JSON — l’equivalente digitale delle vecchie schede d’ordine cartacee.
Ora, un LLM può essere fine-tuned, cioè “specializzato” in un compito specifico.
E dunque la domanda è: cosa ci impedisce di creare un LLM addestrato da Dentoni e specializzato nei Dentordini?
La risposta: in linea di principio nulla — in pratica, tanto lavoro di programmazione.
Due livelli di sfida
La sfida si articolerebbe in due livelli:
- Primo livello: creare un chatbot capace di assimilare tutte le informazioni necessarie per comportarsi come un operatore di customer care esperto.
Questo tipo di fine-tuning non è difficile: la parte tecnica principale consisterebbe nel far funzionare il bot in modo fluido su WhatsApp, in modo da gestire anche domande complesse e, magari, rispondere con cortesia a eventuali provocazioni. - Secondo livello: specializzare ulteriormente l’IA nel tradurre input verbali in file .JSON validi.
Questo richiederebbe un processo di addestramento più articolato, volto a insegnare al modello a gestire ordini via via più complessi e a convertirli correttamente nel formato previsto.
Uno sguardo al futuro
In questo momento, siamo entusiasti della sfida.
Il problema, come sempre, è trovare il tempo per inserirla nella nostra agenda già molto densa.
Si tratta di un progetto che può essere realizzato solo sotto la supervisione di un esperto locale — che, tradotto, significa il più giovane tra i sottoscritti (M.S.).
Troveremo il tempo per farcela?
Se sì, ne sentirete parlare di nuovo qui — speriamo prima di quanto noi stessi immaginiamo!
Mirko Serino e Franz Panarese
Accedi con Google