Al termine di questo modulo formativo, diventerai consapevole di quanto sia sempre più necessario e strategico agganciare la propria Azienda o la propria Organizzazione ai temi legati alla Digital Transformation. Avrai modo di comprendere come una soluzione di Intelligenza Artificiale applicata specificatamente ai propri processi di business possa rappresentare sin da subito una leva competitiva imprescindibile per migliorare il proprio posizionamento all’interno del Mercato di business di riferimento. Riuscirai a comprendere il valore inestimabile dei dati e di come dagli stessi si possa estrarre “conoscenza” per favorire le decisioni strategiche, innestando opportunamente i processi della “Scienza dei dati” all’interno della propria Azienda odella propria Organizzazione.

• Introduzione alla Digital Transformation
• Le motivazioni della Trasformazione Digitale
• La Trasformazione Digitale nell'industria:
• Analisi di alcuni casi: (Nike, Codelco, Starbucks)
• I fattori alla base della Digital Transformation
• Investimenti nelle tecnologie digitali
• Leadership e sviluppi organizzativi
• Lo Sviluppo delle Capacità Digitali
• Business Model innovativi e/o alternativi
• La Customer Experience
• La digitalizzazione dei Processi Produttivi
• L’importanza della Leadership
• Lo sviluppo di una Vision
• La necessità di attivare l’intera azienda
• Il ruolo della Governance
• La convergenza di competenze IT e
• Business Il modello di business a
• Piattaforma
• Introduzione alle Piattaforme
• L’effetto Network

Al termine di questo modulo formativo, diventerai consapevole di quanto sia sempre più necessario e strategico agganciare la

propria Azienda o la propria Organizzazione ai temi legati alla Digital Transformation.

Avrai modo di comprendere come una soluzione di Intelligenza Artificiale applicata specificatamente ai propri processi di

business possa rappresentare sin da subito una leva competitiva imprescindibile per migliorare il proprio posizionamento

all’interno del Mercato di business di riferimento.

Riuscirai a comprendere il valore inestimabile dei dati e di come dagli stessi si possa estrarre “conoscenza” per favorire le

decisioni strategiche, innestando opportunamente i processi della “Scienza dei dati” all’interno della propria Azienda o

della propria Organizzazione.

• Introduzione alla Digital Transformation 
• Le motivazioni della Trasformazione Digitale
• La Trasformazione Digitale nell'industria: Analisi di alcuni casi: (Nike, Codelco, Starbucks)
• I fattori alla base della Digital Transformation
• Investimenti nelle tecnologie digitali Leadership e sviluppi organizzativi
• Lo Sviluppo delle Capacità Digitali
• Business Model innovativi e/o alternativi
• La Customer Experience
• La digitalizzazione dei Processi Produttivi
• L’importanza della Leadership
• Lo sviluppo di una Vision
• La necessità di attivare l’intera azienda
• Il ruolo della Governance
• La convergenza di competenze IT e Business Il modello di business a Piattaforma
• Introduzione alle Piattaforme
• L’effetto Network

La Data Science ha avuto un enorme sviluppo negli ultimi anni, determinato dalla sempre crescente disponibilità di dati provenienti dalle fonti più disparate, dall’evoluzione degli algoritmi di machine learning e, in ultima analisi, dalla disponibilità di capacità computazionale a basso costo per il rattamento di grandi moli di dati con algoritmi sempre più sofisticati.

Dalla Data Science ogni industry può trarre vantaggi in termini di customer segmentation, demand forecasting, risk analysis e fraud detection, solo per citarne alcuni, utilizzando piattaforme di analisi e sviluppo flessibili rogettate per business analysts o esperti data scientists.

OBIETTIVI

Data Science

• Why Data Science - What is Data Science

Theory and applications of Data Science

• Streams, frequent items, association rules, attribute importance
• Example of Market Basket Analysis in Oracle Autonomous DB
• Clustering, Outliers, Time Series
• Practical data analysis in Oracle Analytics Cloud

Machine Learning

• Supervised learning
• Unsupervised learning
• Reinforcement learning
• Evaluation metrics
• Clasification (binary & multiclass)
• Practical example in Oracle Autonomous DB
• Regression
• The most important machine learning algorithms
• Decision Tree - Random Forest
• Support Vector Machines
• Generalized Linear Models
• XGBoost - MSET-SPRT
• Predictive Maintenance use case.
• Neural Network
• AutoML for productive approach to the Machine Learning projects.

Industry adoption

• Top organizational pitfalls
• Project phases
• Oracle platforms: OCI Data Science, Autonomous DB, OAC.
• Strategy Pitfalls & recommendations Examples of industrial application

Le reti neurali sono oggi alla base dei maggiori successi ottenuti nel campo dell’Intelligenza Artificiale.

Nel seminario esploreremo cosa sono le reti neurali, in che cosa consiste e come si effettua l’addestramento di una rete. Esamineremo le principali tipologie di reti (Dense, CNN, RNN...) utilizzate oggi e le applicazioni a cui sono destinate. Infine, esploreremo alcune delle più importanti applicazioni delle reti: dal riconoscimento delle immagini applicato alla medicina, all’utilizzo delle reti per dati strutturati (customer churn, fraud detection, etc).

OBIETTIVI

Deep Learning & Reti Neurali

(Riprendiamo) l’apprendimento con supervisione (superviseed learning)

L’unità computazionale: come funziona un

“neurone artificiale

Una rete composta da N layer, Deep Learning

Universalità delle Reti per modelli di Machine Learning

Funzioni di attivazione e non linearità, funzioni di costo, Gradient Descent; Come avviene l’addestramento di una rete

Tipologie di reti: Reti Dense, Convolutive (CNN), RNN, LSTM

La “magia” del Transfer Learning: riuso della conoscenza accumulata da una rete

I principali framework usati oggi: Tensorflow, Keras, PyTorch.

Risorse computazionali per Deep Learning: GPU, ruolo del Cloud

Applicazioni in generale: Computer Vision, NLP, reti per dati strutturati

Esempi

• La Computer Vision applicata alla diagnostica, in medicina: diagnosi di lesioni pigmentose della pelle, diagnosi della retinopatia diabetica
• Anomaly detection e Proactive Mainteinance: AutoEncoders
• Sviluppo di modelli di Customer Churn, Fraud Detection
• Reti per dati strutturati, nella ricerca
• biomedica: Mechanism of Actions of drugs (MoA)

Business Digitale e nuove sfide per la sicurezza

• La Trasformazione Digitale sta generando sorprendenti nuove modalità di fare business; una grande creatività pervade l’ambiente di coloro che facendo leva su moderne tecnologie e piattaforme (digital enablers) realizzano servizi integrati sempre più sofisticati ed innovativi. Ma al pari dell’entusiasmo, aumenta l’esposizione a nuove tipologie di rischi di sicurezza per le quali è necessario adottare strategie vecchie e nuove di prevenzione, difesa e contrasto alle minacce.

l’Intelligenza Artificiale e la Robotic Process Automation (RPA)

• L’AI applicata nell’automazione di processi operativi (RPA) è una dimostrazione concreta di quanto l’innovazione digitale abbia il potenziale di ridisegnare il modo di lavorare di interi settori industriali e di quanto possa efficientare i processi produttivi e rendere più competitivo il comparto industriale Europeo e le PMI a livello globale. In questo contesto la Cybersecurity è un ambito ancora poco esplorato e viene affrontato utilizzando paradigmi consolidati, ma poco adatti al contesto innovativo di cui parleremo.

Strategia EU per l'AI: sostenere l’Eccellenza, costruire la Fiducia (Trust)

• Raggiungere livelli eccellenti di conoscenza nel settore dell’Intelligenza Artificiale, sostenerne la diffusione e l’adozione in tutti i settori, compresa la Pubblica Amministrazione. Questi i punti chiave della strategia EU per l’Intelligenza Artificiale che però si fonda sulla necessità di costruire fiducia piena in questo nuovo strumento, attraverso politiche che mirano a garantire trasparenza, affidabilità ed il rispetto di principi etici. La Cybersecurity ancora una volta gioca un ruolo fondamentale per il raggiungimento di questi obiettivi

Come affrontare le nuove sfide per la Cybersecurity: Security by Design

La Cybersecurity non è solo uno dei tanti fattori di cui tener conto per garantire adeguata protezione al business, ma deve essere parte integrante del disegno complessivo dei servizi sin dalle prime fasi del loro sviluppo. Servizi, quindi, ideati per essere sicuri tenendo in considerazione il modello organizzativo, i processi, le tecnologie, i software e le informazioni.

Approccio multi-faceted alla Sicurezza

Numerosi aspetti di natura differente, concorrono nel garantire adeguati livelli di sicurezza e di compliance di prodotti e servizi. È necessario avere un approccio onnicomprensivo che tenga in adeguata considerazione Metodologie, Standard e Procedure, Requisiti, Infrastrutture di Sicurezza e Presidi Operativi. 

Gestione del Rischio Informatico, Cyber-Risk e Cyber-Insurance

In tempi di crisi economica è sempre più necessario ottimizzare gli sforzi necessari per presidiare servizi e informazioni a valore per l’organizzazione. Un approccio basato sulla stima del Rischio Informatico che tenga in considerazione le moderne Cyber-Minacce, rappresenta una soluzione ottima per indirizzare le proprie energie in modo da massimizzare i risultati.

Ricerca e Innovazione nella Sicurezza

Il Cyber-Crime è sempre più redditizio; le organizzazioni criminali di tutto il mondo investono notevoli capitali in ricerca e prendono al loro servizio hackers di notevole competenza, attratti dall’idea di facili guadagni. Anche le attività di Guerra Elettronica (Cyber-arfare) e di spionaggio militare e industriale, sono sempre più diffuse, sospinte da interessi politici e competitivi di stati nazionali dotati di risorse considerevoli. È quindi necessario che le organizzazioni, di pari passo, acquisiscano consapevolezza e competenza sulle Cyber-Minacce esistenti e del prossimo futuro, attraverso attività di Ricerca e Innovazione che consentano di predisporre opportune misure di prevenzione e contrasto.

Attacchi informatici e Data Breach: statistiche e trend

Da oltre un decennio i Cyber-attacchi sono in costante crescita perché particolarmente lucrativi. Il profitto non viene più realizzato solamente manipolando denaro in modo illecito, ma anche indirettamente sottraendo informazioni di valore alle organizzazioni.

I dati (inclusi quelli personali) sono la nuova miniera d’oro

Focalizzandoci sui Data-Breach, cercheremo di capire quanto il fenomeno sia diffuso, come e perché le informazioni vengano sottratte e quali perdite possano procurare alle organizzazioni che le subiscono.

Esempi di incidenti di sicurezza reali

La sicurezza è un problema che riguarda tutti: istituzioni, organizzazioni pubbliche e private, le infrastrutture critiche, il settore della sanità e dei trasporti, le istituzioni finanziarie, l’industria, il mondo accademico e persino le piccole e medie imprese. Gli effetti degli incidenti informatici sono spesso clamorosi.

Prevenzione e Gestione degli Incidenti

Attività di prevenzione, monitoraggio e individuazione degli attacchi; strumenti di gestione, triage, contenimento, eradicazione e recovery

Far fruttare le esperienze: la lesson learn 

A seguito di un incidente informatico è importante raccogliere le idee e le evidenze di quanto accaduto. Una analisi approfondita post-mortem consente di apprendere dagli errori e introdurre azioni di miglioramento nell’organizzazione, nei processi e procedure.

L’Intelligenza Artificiale rispetto ai diritti sanciti dalla normativa GDPR

È possibile utilizzare le AI nel totale rispetto della normativa sulla privacy? Gli innumerevoli vantaggi portati dall’introduzione di tecnologie AI-based comportano necessariamente di dover rinunciare alla propria sovranità sul dato, e di dover concedere fiducia cieca ad algoritmi e produttori di soluzioni software e hardware?

Data-Masking, Minimization, anonimizzazione e pseudonimizzazione dei dati

Quali strategie e strumenti possono essere adottati per ottenere previsioni brillanti dalle nostre AI nel pieno rispetto della compliance normativa?

Limiti e sfide future per la AI: tracciabilità e trasparenza nelle operazioni

Fino a che punto possiamo fidarci e prenderci la responsabilità delle decisioni che prendono i nostri algoritmi? Quali sono gli attuali confini e limiti dell’Intelligenza Artificiale applicata a contesti in cui vengono gestiti dati personali o sensibili?

L’AI a supporto della Privacy: Personal Data Discovery

Gli algoritmi possono “imparare” quali sono i dati personali e sensibili e andarli a scovare negli sterminati ed eterogenei archivi digitali delle organizzazioni per consentirne la corretta gestione ai sensi della normativa vigente.