Visualizzazione post con etichetta Big data. Mostra tutti i post
Visualizzazione post con etichetta Big data. Mostra tutti i post

sabato 2 maggio 2020

Intervista a Massimo Cacciari sulla situazione post-pandemia...



Francesco Bei per la Stampa, 1 mag 2020

Il Coronavirus come «formidabile acceleratore» di una gigantesca trasformazione del capitalismo, una rivoluzione che «investirà in maniera irreversibile il lavoro» e determinerà non solo il destino personale di milioni di persone, ma la stessa possibilità di sopravvivenza della democrazia. Di fronte alla pandemia, il filosofo Massimo Cacciari osserva questo Primo Maggio senza lavoro come l' alba di una nuova era. Gravida di incognite e pericoli per il mondo come l' abbiamo conosciuto finora.


Non possiamo che iniziare dall' Organizzazione mondiale del lavoro: dicono che un miliardo e mezzo di persone - la metà degli occupati del pianeta - potrebbe perdere i propri mezzi di sussistenza a causa del Covid. È davvero questa la dimensione della crisi che stiamo vivendo?

«È come nella Grande Crisi del 1929, solo che stavolta stiamo assistendo un cambiamento profondo dei rapporti di forza all' interno del capitalismo e tra Capitale e Lavoro. Ci sono settori distrutti e altri, come il sistema dei Big Data e l' e-commerce, che stanno realizzando guadagni strepitosi. Il gioco prevede vincitori e vinti».

Gli sconfitti chi sono?

«Non c' è dubbio che la crisi del Coronavirus abbia portato alle estreme conseguenze tendenze già in atto da tempo. Si è rivelata come un formidabile acceleratore della trasformazione del lavoro e della sostituzione della attività umane più "meccaniche" con la tecnologia. La velocità del cambiamento è tale che rende quasi impossibile governarlo e dirigerlo. Quale politica è in grado di farvi fronte?».

Appunto, la democrazia non rischia di restarne schiacciata insieme al lavoro?

«C' è da temerlo. Se in pochi mesi in Italia raddoppia il numero già alto dei disoccupati, si pongono problemi sociali ed economici gravissimi. Si impone l' esigenza di immaginare interventi assistenziali poderosi. Il Reddito di cittadinanza, nonostante tutte le critiche, si è dimostrato un' idea necessaria, perché la tendenza è quella».

È possibile che almeno una parte di questi milioni di lavoratori si possa reimpiegare nei settori della cura alla persona, nella scuola, nella sanità?

«È quello che va fatto. Ma se vuoi permettere alle persone di reinventarsi nel campo dei servizi ti devi porre il problema delle risorse, di come fare ad accompagnare in questo percorso chi deve cambiare strada».

Il pasto non è mai gratis. Lo Stato si può indebitare senza limiti?

«Ovviamente la risposta è no, quindi il passo successivo è chiedere qualcosa in più a quei settori industriali che sono sulla frontiera di queste innovazioni e ne stanno traendo legittimi e grandi profitti».
Il problema è come tassarli, sono quasi tutti all' estero «Infatti deve essere l' Unione europea a lottare senza indugio contro i paradisi fiscali, a partire da quegli Stati canaglia dentro i suoi confini. Se non c' è un sistema fiscale equo, all' altezza della sfida che viviamo, non ne usciamo».

Lo Stato come ne esce dalla crisi?

«Parliamoci chiaro, se si può sperare che l' emergenza sanitaria finisca presto, le trasformazioni innescate saranno perenni. Tra queste, lo Stato sarà spinto ad assumere una fisionomia decisionista-autoritaria».

Il lavoro e i sindacati che fine faranno?

«Stiamo assistendo in corpore vivi a un esperimento di scomposizione totale dell' organizzazione del lavoro. È la nascita del lavoro virtuale, con il lavoratore che resta a casa sua: ma così lavora il doppio e costa all' azienda la metà. È chiaro che, con i lavoratori soli a casa, anche il sindacato - che già viveva una sua crisi di rappresentanza - sparisce definitivamente».

Parliamo di Conte? Il governo come ha gestito questo cigno nero?

«La risposta del governo è stata occasionale, la vicenda dei "congiunti" dimostra lo stato confusionale che regna. La crisi ha fatto venire alla luce i vizi storici del sistema italiano, a partire dalla fragilità delle Regioni. È evidente che il sistema regionalistico così non funziona e va rivisto. Mi chiedo, ad esempio, se avessimo avuto un Senato delle Regioni ci sarebbe stato questo caos? E con le macro-Regioni?»

Glielo richiedo. La democrazia sopravviverà a queste spinte?

«Dipende. La politica deve mettersi gli stivaloni magici del gatto e dobbiamo tutti sperare che si metta a correre davvero. Perché, se non ce la fa, sarebbe l' infarto delle democrazie liberali e già si vedono i modelli che riscuotono più consenso: la Cina e la Russia sono davanti a noi. La sfanghiamo se tutti i leader europei diventano consapevoli del rischio».

Altrimenti?

«Altrimenti finiamo lì».



giovedì 18 luglio 2019

Da dove partire per approfondire le nuove tecnologie della conoscenza...



Giuditta Mosca, 23 giu 2019


In informatica e nelle sue derivazioni nulla è trascendentale. Qualsiasi argomento, anche ostico, è perfettamente comprensibile e assimilabile. Occorre un metodo di studio, certo, così come occorre partire da risorse attendibili e adeguate al proprio livello di conoscenza.
Cominciamo quindi con risorse dedicate ai novizi, gratuite e (per fortuna) in lingua inglese.

Un mondo variegatissimo

Multidisciplinarità e trasversalità sono più che parole d’ordine, sono l’antefatto embrionale all’acquisizione delle conoscenze. Chi è interessato ai Big data deve per forza fare suoi concetti di programmazione, di data mining e visualizzazione delle informazioni, così chi è interessato all’intelligenza artificiale non può prescindere dal machine learning e dal deep learning.
Considerata l’ampiezza degli argomenti da trattare può essere utile scegliere percorsi di studio e apprendimento circoscritti e definiti, in un’offerta di risorse e piattaforme che sembra davvero sconfinata.
Qui suggeriamo da dove iniziare. Piattaforme, manuali, ambienti e linguaggi di programmazione citati in questo articolo sono solo una parte delle risorse a disposizione, questa vuole essere una sorta di guida per acquisire conoscenze fondamentali.

Big data e analisi dei dati

Raccogliere e archiviare i dati è un compito relativamente semplice. Cosa farne è tema più complesso. Distinguo necessario, in questo caso almeno, per tenere ben definiti il comparto dei Big data e quello della data analysis, collimanti certo ma non per forza di cose sovrapposti.
Chi volesse avvicinarsi al mondo dei Big data può cominciare dai corsi gratuiti organizzati da Cognitive Class, concepiti per i principianti e suddivisi in 3 moduli della durata totale di 12 ore.
In seguito, per approfondire la materia, Dataquest permette di lavorare in modo guidato e gratuito con la programmazione, sfruttando dati preselezionati e dando vita a un esercizio completo con il quale misurarsi.
Per approfondire le necessarie competenze in programmazione, qui c’è una discreta quantità di manuali di Python (anche in lingua italiana), mentre qui c’è un libro essenziale per chi volesse approfondire il linguaggio R. Entrambi questi linguaggi di programmazione sono prelevabili gratuitamente (qui si può prelevare Python, mentre qui si può prelevare R).
Python soprattutto è essenziale per l’analisi dei dati. Due estensioni di questo linguaggio di programmazione (nel caso specifico NumPy e Pandas) sono utili per l’analisi dei dati. Udacity offre un corso immersivo e gratuito che ne sfrutta le capacità di calcolo e di analisi.

Database e framework

I database sono necessari per l’archiviazione delle informazioni in modo logico e ordinato. Anche in questo caso l’offerta è ampia, citiamo MySQL (gratuito) Microsoft SQL express, a costo zero fino a 10 GB di dati. I principianti di MySQL possono avvalersi di corsi gratuiti e di una vasta documentazione online, di un nutrito e completo forum e di documentazione supplementare per neofiti. Chi volesse avventurarsi con il database relazionale di Microsoft può indirizzarsi verso corsi online gratuiti concepiti per non necessitare requisiti tecnici e conoscenze particolari, partendo magari da un corso di teoria generale. Un ottimo manuale è invece prelevabile qui.

Data mining

L’analisi dei dati e il data mining sono due cose diverse. Mentre la prima si prefigge, tra i propri scopi, la pulizia, la trasformazione, la modellazione e la visualizzazione dei dati al fine di rivelare informazioni utili, il data mining è un’estrapolazione di dati secondo ottiche diverse, per esempio per trovare risposte a domande specifiche e individuare modelli e relazioni tra le informazioni.
Le tecniche di data mining sono per lo più automatizzate e fanno leva su alberi decisionali e reti neurali.
Per entrare in sintonia con questo argomento esistono diverse piattaforme. Tra queste, tenendo soprattutto fede al principio della gratuità, va segnalata Knime (Konstanz Information Miner), risorsa Open source che offre anche un’adeguata documentazione e dei corsi online che però hanno un costo che varia dai 50 euro ai 250 euro.
Le attività di Data mining si appoggiano a costrutti di machine learning, altra materia che può legittimamente affascinare e alla quale ci si può avvicinare per gradi.

Machine learning

La piattaforma Knime, già citata nel paragrafo precedente, offre componenti di machine learning. Tuttavia, considerando la complessità del tema, occorre approfondirne i principi teorici. La letteratura è vasta, il suggerimento è di cominciare da questo documento, un must read per chi vuole accostarsi al machine learning e una lettura essenziale anche per prendere parte al corso online gratuito offerto da Class Central e Udacity. Altre letture gratuite raccomandate sono Bayesian Reasoning and Machine Learning del professore David Barber (il libro viene aggiornato periodicamente) e, per approfondire il connubio tra Python e Machine learning, dopo avere appreso i documenti citati sopra, vale la pena affidarsi ad almeno uno di questi 5 libri gratuiti.

Intelligenza artificiale

È un costrutto che si erige su altre discipline, tra le quali il machine learning e il deep learning. Ancora prima è un pensiero filosofico e, compiendo un piccolo atto di coraggio, si può affermare che affonda le proprie radici in tempi remoti, nonostante se ne parli con diversa enfasi ufficialmente dagli anni Cinquanta del secolo scorso.
Circa nel 400 a. C. Platone, riferendosi a Socrate, ne descrive la volontà di riuscire a scindere la pietà dalla non pietà. Un algoritmo rudimentale che ha il merito di dimostrare bene sia la curiosità intrinseca dell’uomo che oggi si manifesta anche nell’Intelligenza artificiale, sia la natura filosofica dei quesiti le cui soluzioni ancora oggi vogliono essere demandate alle macchine.
Per orientarsi in questo universo che appare essere difficilmente definibile, consigliamo di leggere il libro gratuito Artificial Intelligence: foundations of computational agents e soltanto dopo fare un’immersione nel tomo dedicato alle logiche computazionali e a come l’uomo si appoggia alla natura per imbastire studi e considerazioni in materia di Intelligenza artificiale. Gli aspetti filosofici sono invece egregiamente riassunti e concentrati in questo documento gratuito.
I novizi dovrebbero partire da questo corso online, la cui durata è di 16 settimane e prevede un impegno di 6 ore a settimana, per poi proseguire con la formazione offerta da quest’altro corso online (adatto fin da subito alle persone con competenze avanzate), un viaggio approfondito nell’Intelligenza artificiale con particolare focus sulla guida autonoma e che prevede un impegno di circa 10 ore a settimana per 12 settimane. Google mette a disposizione una piattaforma pensata per soddisfare le necessità dei neofiti e quelle di chi nutre appetiti più mirati e ha già acquisito conoscenze solide.

Visualizzazione dei dati

Dopo avere raccolto, pulito ed elaborato i dati, dopo avere applicato logiche di machine learning o di deep learning e intelligenza artificiale per ottenere dei risultati, questi vanno normalmente mostrati a una platea specifica. Ci sono strumenti gratuiti anche per assolvere questo compito.
Chi ha familiarità con Microsoft Excel può provare Power BI, strumento di visualizzazione e business intelligence di Microsoft.
Uno dei migliori software è Tableau Public (l’unica versione gratuita tra quelle offerte), ampiamente documentata e supportata da una numerosa  community di utenti e appassionati.


lunedì 21 gennaio 2019

Un interessante articolo sui numeri primi...



di Fabio Fantoni, 7 gen 2019

Se state leggendo questo articolo, molto probabilmente dovreste essere appassionati di numeri o quantomeno averne una certa familiarità.
A differenza del solito, in questa occasione non ci si servirà dei numeri per rappresentare un fenomeno, bensì si proverà ad approfondire un ambito piuttosto affascinante della materia, vale a dire i numeri primi.

Se i numeri sono gli elementi base di tutta la matematica, i primi sono di fatto gli ingredienti per creare qualsiasi altro numero visto che ogni cifra può essere ottenuta moltiplicando numeri primi e, da definizione, un numero primo è un numero naturale strettamente maggiore di uno che sia divisibile solo per sé stesso o per uno.

I primi studi relativi a questi numeri risalgono ai tempi dell’Antica Grecia quando Euclide diede un grande contributo alla materia dimostrando che i numeri primi sono infiniti.
Per farlo si chiese se esistesse un numero finito di numeri primi che moltiplicati tra loro potesse produrre tutti gli altri numeri e come primo tentativo prese in esame il due, il tre e il cinque.

Dalla loro moltiplicazione si ottiene trenta, e il colpo di genio di Euclide fu quello di sommarvi uno in modo da ottenere il trentuno, numero non divisibile né per due, né per tre né per cinque, rendendolo a sua volta primo.

Anche aggiungendo il trentuno alla lista dei numeri primi, Euclide poteva ripetere lo stesso trucco dell’aggiunta di un’unità all’infinito e per quanti numeri ci fossero sulla lista, poteva dimostrare che ce n’erano sempre dei mancanti, a dimostrazione della loro infinità.
Anche a dispetto di questa prima grande intuizione, Euclide non fu in grado di prevedere con quale frequenza questi numeri si disponessero e, ad oggi, il modo in cui si presentano resta uno dei misteri più enigmatici di tutta la matematica.

Nell’infografica sono rappresentati i primi mille numeri primi colorati in modo da farli risaltare all’interno dell’insieme che li contiene fino al numero 7919 e che li ordina dall’alto a sinistra (1) fino in basso a destra (7919).
In aggiunta viene fornita sia il loro conteggio ad intervalli di centinaia (1-80) sia la loro distribuzione in funzione della loro ultima cifra alla quale è stato assegnato un colore che li contraddistingue anche nel grafico principale.



Osservandone la disposizione risulta impossibile trovare una frequenza o un pattern con il quale appaiano tra tutti gli altri numeri: a volte sono separati per poche unità, mentre in altri casi ci sono “buchi” molto più vasti come ad esempio nella parte finale del grafico tra 6491 e 6521.

Inoltre, benchè possa essere facile pensare che la maggior parte dei numeri primi si concentri principalmente all’inizio della sequenza, fatta eccezione per il primo centinaio che contiene venticinque primi ed il secondo che ne conta ventuno, proseguendo con la divisione a blocchi di cento è possibile notare come la distribuzione sia piuttosto aleatoria senza presentare alcun tipo di andamento regolare.

Tenendo a mente che l’ultimo centinaio (80) non è completo visto che l’ultimo numero è il 7919, ci sono comunque diversi casi di blocchi successivi che presentano una differenza significativa come ad esempio tra il cinquantanovesimo ed il sessantesimo nei quali si registrano rispettivamente sedici e sette occorrenze.

Quando poi si passa ad esaminare l’ultima cifra che compone i primi mille numeri primi, ci si accorge che analogamente non esiste uno schema distributivo.
Comprensibilmente il due e il cinque compaiono solo una volta a testa perché sono esclusi dalla lista tutti i numeri pari – ad eccezione del due stesso – e tutti i multipli del cinque che finiscono appunto per cinque se sono dispari, visto che quelli che terminano per zero sono già esclusi in quanto pari.

Per lo stesso motivo non si trova traccia di quattro, sei e otto, mentre tra le uniche cifre rimaste si riscontra un sostanziale equilibrio senza però alcun cenno di simmetria, spaziando dalle 254 occorrenze del sette fino ad arrivare alle 245 dell’uno, il meno gettonato per l’insieme considerato, intervallati dal tre (253) e dal nove (246).

Contributi Storici

Nel corso degli anni sono stati molteplici gli studiosi che si sono cimentati nel campo dei numeri primi, con nomi illustri quali Fermat ed Eulero, ma un vero punto di svolta nell’approccio alla tematica si è presentato grazie a Carl Friedrich Gauss sul finire del diciottesimo secolo.

Grande appassionato di numeri primi, specialmente grazie una raccolta di tavole matematiche ricevute come regalo per il suo quindicesimo compleanno, Gauss capì che era impossibile prevedere quando sarebbe apparso un numero primo, pertanto come spesso accade per i grandi pensatori, cercò di pensare in modo più creativo e spostò la sua attenzione su un altro punto di vista.

La domanda che si pose non era più quali fossero i numeri primi, bensì quanti fossero.
Se Euclide aveva dimostrato che erano infiniti, Gauss – che a quanto si dice fosse in grado di scomporre in fattori primi mille numeri nell’arco di quindici minuti – cominciò a quantificare quanti ce ne fossero in determinati intervalli.

Notando che all’aumentare del conteggio, i numeri primi diventavano sempre più rari, Gauss si chiese se ci fosse un sistema per predire in che modo diminuissero visto che apparentemente non pareva esserci alcuna parvenza di regolarità.

Per farlo, il matematico (ma anche astronomo e fisico) tedesco fece ricorso alla probabilità e scoprì che la probabilità di incontrare un numero primo diminuiva in maniera regolare in funzione della grandezza dell’intervallo considerato.

Il testimone virtuale lasciato da Gauss venne raccolto da Bernhard Riemann, altro matematico tedesco formatosi anch’egli a Gottinga, considerata all’epoca la capitale europea della matematica.

La sua più grande scoperta fu la cosiddetta funzione Zeta dalla quale è ottenibile un grafico con il quale Riemann comprese che era possibile affinare le teorie di Gauss grazie al posizionamento degli “zeri” (non banali, a parte reale immaginaria positiva), vale a dire i punti in cui la funzione presentava valori pari a zero.

Grazie a questa intuizione, se Gauss aveva raggiunto una stima approssimativa della quantità dei numeri primi, Riemann fu in grado di correggerla in modo che si potesse ottenere il numero corretto dei numeri primi man mano che si procede nel conteggio.

Benchè straordinaria come intuizione, la scoperta non venne mai dimostrata, venendo denominata pertanto “ipotesi di Riemann”, ed è a tutt’oggi uno dei problemi aperti della matematica per i quali c’è in palio un milione di dollari destinato a chi riuscirà a risolverlo.

Natura e applicazioni nella vita quotidiana

Curiosamente, per quanto enigmatici possano essere, in natura ci sono diversi esempi di quanto fantastici possano essere i numeri primi.

Su tutti, il più famoso è il caso di due specie di cicale del Nord America, le Magicicada, che per tredici o diciassette anni (rispettivamente denominate tredecim e septendecim) vivono sottoterra in forma di ninfa nutrendosi dei fluidi delle radici, emergendo poi in superficie per sei settimane durante le quali si accoppiano con l’obiettivo di procreare la nuova generazione, salvaguardandola dagli attacchi periodici dei predatori naturali.

Il fascino di questi due cicli vitali è ancora maggiore se si pensa che, essendo due numeri primi, il tredici ed il diciassette garantiscono alle due specie la sicurezza di dover condividere lo stesso habitat solo una volta ogni 201 anni (13×17 = 201), abbassando così drasticamente la possibilità di una competizione eccessiva per il territorio.

Sempre in tema di sicurezza, ma in questo caso digitale, l’utilizzo dei numeri primi è la base fondante delle transazioni operate con carta di credito.

Il sistema per occultare il numero delle carte di credito è basato sulla combinazione di due numeri molto grandi – uno dei quali è appunto il prodotto di due numeri primi a loro volta composti da molte cifre (svariate decine) – e con cui si procede alla cifratura.

Benchè questo numero sia pubblico (la cosiddetta chiave pubblica), essendo composto anche dalla moltiplicazione di due numeri primi, un’eventuale decifratura implicherebbe la necessità da parte di un hacker di doverli individuare, cosa che diventerebbe un problema intrattabile proprio per via della grandezza con la quale sono stati scelti i numeri primi.

martedì 13 marzo 2018

Come l'apprendimento automatico sta influenzando le Risorse Umane [English/Italiano]



Takeaway: HR analytics is revolutionizing the way human resources departments operate, leading to higher efficiency and better results overall.

Kaushik Pal, 12 mar 2018

Human resources has been using analytics for years. However, the collection, processing and analysis of data has been largely manual, and given the nature of human resources dynamics and HR KPIs, the approach has been constraining HR. Therefore, it is surprising that HR departments woke up to the utility of machine learning so late in the game.

Nevertheless, machine learning has been slowly but surely entering the HR domain, and multiple use cases such as attrition prediction, right hiring and human resource training have been established. It is also believed that machine learning can predict the success of a potential candidate. More use cases are likely to be discovered soon. Unlike the manual approach, the machine learning approach is much faster, far more responsive to dynamic situations and provides accurate, actionable and valuable data. (Even though the field of data analytics is becoming increasingly automated, people aren't likely to lose their jobs due to it anytime soon. Learn more in No, Data Analytics Bots Aren’t Going to Steal Your Job Anytime Soon.)

The Role of HR

Human resources is inarguably an organization's most valuable asset. HR is responsible for managing the human resources department so that the organization gets the most possible value out of its people. The role of HR includes the following:
  • Identifying the right talent for the right role
  • Proper compensation and benefits
  • Managing employee development with training and opportunities
  • Tracking and managing human resources growth with increments, promotions, opportunities and benefits
  • Managing employee motivations, grievances and feelings
  • Managing exits
Case for Machine Learning in HR

Over time, expectations of the HR department have been changing. Previously, HR would find suitable candidates; conduct or facilitate assessments; hand out offers, compensation and benefits based on HR policies; and manage employee careers and exits. Now, HR is expected to add more value to what it already does and do even more, such as predict attrition and candidate success in a role. Is the current approach to fulfilling these expectations enabling or constraining HR?

Prior to the adoption of machine learning, HR would manage data in manual and semi-automated ways. It would collect, store and process data to produce analytics before the data would quickly become irrelevant because the situation had changed and the data needed updating. For example, data collected before the annual appraisal cycle showed low attrition risks. However, post-appraisal, there is a spike in attrition and employee dissatisfaction, mainly because of mismatch in expectations and actual rewards and a rise in opportunities in the job market. Basically, pre-appraisal analytics misled the organization, and the effort can be considered a waste.

Manual and semi-manual methods are not equipped to enable HR to manage data on the rapidly changing variables related to human resources. HR needs regular, updated analytics on relevant factors such as employee sentiments within the organization, employee attitudes toward policies, and attractiveness of market opportunities versus that offered by the organization. This is serious business. Unless the human capital is managed well, an organization can potentially lose valuable employees. Bill Gates once commented, “You take away our top 20 employees and we [Microsoft] become a mediocre company.” Enter machine learning. What can machine learning offer over the old methods? Consider the following:

Faster Response to Changing Dynamics

This is the age of big data. To manage employees, you need data on:
  • Employee attitudes and feelings
  • Credentials or qualifications
  • Employee views toward policies
  • Compensation and benefits trends
  • Relevant external developments such as the job market and rival organizations and their impact on your employees
That adds up to a humongous data volume arriving every moment. Manual management is simply ill-equipped to handle it. However, machine learning is appropriate to consistently accept, store and process such data volumes and provide relevant and actionable insights in the form of simple analytics. (Learn more about big data's role in business with Tackling Big Data Analytics Pain Points.)

Accurate Predictions

Machine learning can predict key developments such as attrition, success in job roles and adverse events such as unethical behavior. For example, the success likelihood of an employee in a new role can be predicted based on an analysis of past data such as past project performance, knowledge base and key initiatives taken to improve the knowledge base, which reflects attitudes. Findings based on these parameters can be converted to analytics and then decisions can be made.

Candidate Identification and Applicant Tracking

Machine learning can connect the right job to the right candidate based on job role and the candidate's credentials, experience and interests. Machine learning can leverage social networks for that. It significantly reduces manual effort in candidate assessments and tracking.

Developments

The HR domain, after a lukewarm response to machine learning, is waking up to its utility. Many use cases are being implemented and more are on the way. A summary of the key developments is given below.

Candidate Identification and Application Tracking

With big data from web sources such as forums and social media, organizations are finding the right candidates for the right roles. While assessing candidature, machine learning considers qualifications, experience, interests, professional connections and memberships, achievements, forum discussions and more. This significantly improves chances of role fitment, if not guaranteeing it. A good example could be the professional networking site, LinkedIn.

Machine learning significantly reduces manual effort in applications management and frees the HR to focus on more productive efforts. According to Cristian Rennella, CEO & Cofounder of MejorTrato.com.mx, a company that compares financial products, "In the past, we spent 67.2 percent of each person's time in HR to read the CVs of each candidate who came to us through our own website and third parties. Thanks to AI, this work today is done automatically by our internal system, which through deep learning using TensorFlow, we can automate this task."

Accurate Predictions

HR analytics can often accurately predict key factors such as attrition, employee performance, and even adverse events such as unethical behavior. For example, data from various forum conversations, social media posts, emails, videos, rival organizations and market opportunities can point to changes in attrition levels. Attrition levels are particularly susceptible to change after appraisal cycles.

Job Success Predictions

Data on a candidate's credentials, memberships, attitudes and performance can point to success probability in job roles. The point is, manually attempting to calculate predictions based on so many variables is simply inadequate. HR analytics can provide accurate insights based on which organizations can find the right candidates for the right job roles.

Conclusion

Organizations are already reaping the benefits of adopting machine learning. While machine learning has already reduced manual effort, ML is expected to become even more accurate and prominent in areas like attrition prediction and management, employee management and success.

________________________________
Written by Kaushik Pal
Kaushik is a technical architect with 15 years of experience in enterprise applications and product development. He has expertise in Web technologies, architecture/design, Java/J2EE, open source and Hadoop/big data technologies. Full Bio


§ § §

Come l'apprendimento automatico sta influenzando l'analisi delle risorse umane
Da asporto: l' analisi delle risorse umane sta rivoluzionando il modo in cui operano i dipartimenti delle risorse umane, portando a una maggiore efficienza e migliori risultati generali.

Le risorse umane utilizzano l' analisi da anni. 
Tuttavia, la raccolta, l'elaborazione e l'analisi dei dati è stata in gran parte manuale e, data la natura delle dinamiche delle risorse umane e dei KPI delle risorse umane , l'approccio ha limitato le risorse umane. Pertanto, è sorprendente che i dipartimenti delle risorse umane si siano resi conto dell'utilità dell'apprendimento automatico così in ritardo nel gioco.

Ciononostante, l'apprendimento automatico è entrato lentamente ma inesorabilmente nel dominio delle risorse umane e sono stati creati diversi casi d'uso come la previsione di logoramento, l'assunzione di diritti e l'addestramento delle risorse umane. Si ritiene inoltre che l'apprendimento automatico possa predire il successo di un potenziale candidato. Presto saranno scoperti altri casi d'uso. A differenza dell'approccio manuale, l'approccio di machine learning è molto più veloce, molto più reattivo alle situazioni dinamiche e fornisce dati accurati, fattibili e di valore. (Anche se il campo dell'analisi dei dati sta diventando sempre più automatizzato, le persone non rischiano di perdere il loro lavoro a causa di esso in qualsiasi momento presto. 

Il ruolo delle risorse umane 

Le risorse umane sono indiscutibilmente il bene più prezioso di un'organizzazione. 
L'HR è responsabile della gestione del dipartimento risorse umane in modo che l'organizzazione ottenga il maggior valore possibile dalla sua gente. Il ruolo di HR include quanto segue: 
  • Identificare il talento giusto per il ruolo giusto 
  • Corretta compensazione e benefici 
  • Gestire lo sviluppo dei dipendenti con formazione e opportunità 
  • Monitoraggio e gestione della crescita delle risorse umane con incrementi, promozioni, opportunità e benefici 
  • Gestione delle motivazioni, dei reclami e dei sentimenti dei dipendenti 
  • Gestione delle uscite 

Caso per l'apprendimento automatico nelle risorse umane 

Nel tempo, le aspettative del reparto risorse umane sono cambiate. In precedenza, l'HR avrebbe trovato candidati idonei; condurre o facilitare valutazioni; distribuire offerte, compensi e benefici basati sulle politiche delle risorse umane; e gestire le carriere e le uscite dei dipendenti. Ora, si prevede che le Risorse Umane aggiungano più valore a ciò che già fa e facciano ancora di più, come prevedere l'attrito e il successo dei candidati in un ruolo. L'attuale approccio per soddisfare queste aspettative consente o limita le risorse umane? 

Prima dell'adozione dell'apprendimento automatico, l'HR gestiva i dati in modi manuali e semi-automatizzati. Raccogliere, archiviare ed elaborare i dati per produrre analisi prima che i dati diventassero rapidamente irrilevanti perché la situazione era cambiata e i dati necessari all'aggiornamento. Ad esempio, i dati raccolti prima del ciclo di valutazione annuale hanno mostrato bassi rischi di attrito. Tuttavia, dopo la valutazione, c'è un picco nel logoramento e nell'insoddisfazione dei dipendenti, principalmente a causa del disallineamento delle aspettative e dei benefici effettivi e l'aumento delle opportunità nel mercato del lavoro. Fondamentalmente, l'analisi pre-valutazione ha fuorviato l'organizzazione e lo sforzo può essere considerato uno spreco. 

I metodi manuali e semi-manuali non sono attrezzati per consentire alle risorse umane di gestire i dati sulle variabili in rapida evoluzione relative alle risorse umane. Le risorse umane necessitano di analisi periodiche e aggiornate su fattori rilevanti quali i sentimenti dei dipendenti all'interno dell'organizzazione, l'atteggiamento dei dipendenti nei confronti delle politiche e l'attrattiva delle opportunità di mercato rispetto a quelle offerte dall'organizzazione. Questo è un affare serio. A meno che il capitale umano non sia gestito bene, un'organizzazione può potenzialmente perdere dipendenti preziosi. Bill Gates una volta ha commentato: "Tu porti via i nostri 20 dipendenti principali e noi [Microsoft] diventiamo una società mediocre." Inserisci l'apprendimento automatico. Cosa può offrire l'apprendimento automatico rispetto ai vecchi metodi? Considera quanto segue: 

Risposta più rapida alle dinamiche mutevoli 

Questa è l'era dei "grandi dati". Per gestire i dipendenti, hai bisogno di dati su: 
  • Atteggiamenti e sentimenti dei dipendenti 
  • Credenziali o qualifiche 
  • Visualizzazioni dei dipendenti verso le politiche 
  • Tendenze di compensazione e benefici 
  • Sviluppi esterni rilevanti come il mercato del lavoro e le organizzazioni rivali e il loro impatto sui dipendenti 
Ciò si traduce in un enorme volume di dati in arrivo ogni momento. La gestione manuale è semplicemente mal equipaggiata per gestirlo. Tuttavia, l'apprendimento automatico è appropriato per accettare, archiviare ed elaborare costantemente tali volumi di dati e fornire approfondimenti pertinenti e utilizzabili sotto forma di semplici analisi. (Ulteriori informazioni sul ruolo dei big data nelle attività commerciali con Tackling Big Paining Analytics ). 

Previsioni accurate 

L'apprendimento automatico può prevedere sviluppi chiave come il logoramento, il successo nei ruoli lavorativi e gli eventi avversi come il comportamento non etico. Ad esempio, la probabilità di successo di un dipendente in un nuovo ruolo può essere prevista sulla base di un'analisi dei dati passati quali le prestazioni del progetto passato, la base di conoscenze e le iniziative chiave adottate per migliorare la base di conoscenze, che riflette gli atteggiamenti. I risultati basati su questi parametri possono essere convertiti in analisi e quindi le decisioni possono essere prese. 

Identificazione del candidato e tracciamento del candidato 

L'apprendimento automatico può collegare il lavoro giusto al candidato giusto in base al ruolo professionale e alle credenziali, all'esperienza e agli interessi del candidato. L'apprendimento automatico può sfruttare i social network per questo. Riduce significativamente lo sforzo manuale nelle valutazioni e nel monitoraggio dei candidati. 

Sviluppi 

Il dominio delle risorse umane, dopo una tiepida risposta all'apprendimento automatico, si sta svegliando alla sua utilità. Molti casi d'uso vengono implementati e altri sono in arrivo. Di seguito è riportato un riepilogo degli sviluppi chiave. 

Identificazione del candidato e tracciamento delle applicazioni 

Con i big data da fonti web come forum e social media , le organizzazioni stanno trovando i candidati giusti per i ruoli giusti. Durante la valutazione della candidatura, l'apprendimento automatico considera le qualifiche, l'esperienza, gli interessi, le connessioni professionali e le iscrizioni, i risultati, le discussioni sul forum e altro ancora. Ciò migliora significativamente le possibilità di adattamento dei ruoli, se non lo garantisce. Un buon esempio potrebbe essere il sito di networking professionale, LinkedIn

L'apprendimento automatico riduce significativamente lo sforzo manuale nella gestione delle applicazioni e libera le risorse umane per concentrarsi su sforzi più produttivi. Secondo Cristian Rennella, CEO & Cofounder di MejorTrato.com.mx , una società che mette a confronto prodotti finanziari, "In passato, abbiamo speso il 67,2 percento del tempo di ciascuna persona in Risorse Umane per leggere i CV di ciascun candidato che ci è venuto tramite il nostro proprio sito Web e terze parti. Grazie a AI, questo lavoro oggi viene eseguito automaticamente dal nostro sistema interno, che attraverso l'apprendimento approfondito con TensorFlow , possiamo automatizzare questo compito. " 

Previsioni accurate 

L'analisi delle risorse umane può spesso prevedere con precisione fattori chiave come il logoramento, le prestazioni dei dipendenti e persino eventi avversi come il comportamento non etico. Ad esempio, i dati provenienti da varie conversazioni sul forum, post sui social media, email, video, organizzazioni rivali e opportunità di mercato possono indicare cambiamenti nei livelli di attrito. I livelli di attrito sono particolarmente suscettibili al cambiamento dopo cicli di valutazione. 

Previsioni di riuscita nell'attività

I dati relativi alle credenziali, alle appartenenze, alle attitudini e alle prestazioni di un candidato possono indicare probabilità di successo in ruoli di lavoro. Il punto è che tentare manualmente di calcolare le previsioni sulla base di così tante variabili è semplicemente inadeguato. L'analisi delle risorse umane può fornire approfondimenti accurati in base alle organizzazioni in grado di trovare i candidati giusti per i ruoli di lavoro giusti. 

Conclusione 

Le organizzazioni stanno già sfruttando i vantaggi dell'adozione dell'apprendimento automatico. Mentre l'apprendimento automatico ha già ridotto lo sforzo manuale, si prevede che la tecnologia ML diventi ancora più precisa e prominente in aree come la previsione e la gestione dell'attrito, la gestione dei dipendenti e il successo. 


________________________________
Scritto da Kaushik Pal
Kaushik è un architetto tecnico con 15 anni di esperienza nelle applicazioni aziendali e nello sviluppo del prodotto. Ha esperienza in tecnologie Web, architettura / design, Java / J2EE, tecnologie open source e Hadoop / big data. Biografia Completa

sabato 31 ottobre 2015

Big Data Analiyst o (Scientist): una professione del futuro (3)



di Luca Indemini, 21 giu 2013


In un momento in cui il mercato del lavoro vive una contrazione senza precedenti, c’è un settore che non sente la crisi e anzi vive una fase di espansione. Big Data e Analytics, secondo le stime di Gartner , dovrebbero generare circa 4,4 milioni di posti di lavoro entro il 2015; e guardando al mercato europeo, stando ai dati di Insead-Empirica-IDC Europe , si parla di numeri oscillanti tra le 372 e le 864 mila unità, assorbite per lo più da PMI. 

Considerando i numeri, il Data Scientist potrà anche non essere “il lavoro più sexy del XXI secolo”, come sostiene la Harvard Business Review, ma sicuramente sarà uno dei più richiesti, almeno in questo primo scorcio del XXI secolo. Diventa dunque centrale il ruolo della formazione, perché maneggiare grandi moli di dati richiede conoscenze specifiche e inter-disciplinari. 

In questa direzione, a Torino è nato poco meno di un anno fa il programma di formazione Big Dive , lanciato da Topix , con Axant , ToDo e ISI Foundation , con l’intento di fornire competenze in ambito di sviluppo, visualizzazione e scienza dei dati. Nei primi giorni di giugno, hanno attivato progetti di formazione in ambito Big Data tanto il Politecnico di Milano quanto l’Università di Pisa

Il Polimi, assieme a IBM , ha avviato il Collaborative Innovation Center , primo nel suo genere in Europa, dedicato ai Big Data e alla Business Analytics. Per il prossimo quinquennio gli sforzi saranno focalizzati su cinque specifici programmi che vanno dalla laurea Magistrale al PhD, dai corsi post-graduate della School of Management agli ambiti delle start-up e degli spin-off, fino al coinvolgimento delle imprese. L’obiettivo è duplice: da una parte creare competenze professionali ad hoc, dall’altra favorire la formazione di una cultura dei Big Data, che riconosca il valore strategico della gestione dei dati a sostegno dell’imprenditorialità. 

Big Data e Cloud Computing è invece il binomio su cui punta l’Università di Pisa, che in collaborazione con Microsoft Italia ha dato vita al progetto “Cloud OS Immersion ”: al contempo un centro di competenza e un laboratorio dedicato a tutti coloro che si confrontano quotidianamente con i repentini cambiamenti in ambito tecnologico. Il neonato centro si propone di agevolare il dialogo e la condivisione di esperienze tra gli esperti Microsoft, i ricercatori universitari, gli studenti, le aziende e gli operatori di canale, per condividere le esperienze in ambito Cloud Computing e Big Data. A livello didattico, il centro si propone di formare i professionisti di domani, fornendo competenze che possano agevolarne l’inserimento nel mondo del lavoro.

Big Data Analiyst o (Scientist): una professione del futuro (2)



di Giuditta Mosca, 24 ott 2014

Quella del data scientist è stata definita dall'economista Hal Ronald Varian «la professione più sexy del futuro», laddove l'aggettivo assume l'accezione di «interessante».

Cosa fa un data scientist
Come suggerisce il nome, analizza dati per fornire al management le informazioni utili ad assumere decisioni e disegnare strategie. Per lunghi anni si è parlato dell'importanza dei dati, ora nasce l'esigenza di saperne fare buon uso. 
Benché si possa credere che la figura del data scientist sia appropriata solo alle grandi aziende, un simile profilo si rivolge a qualsiasi realtà, dalle Pmi alle multinazionali. 
Di norma viene inquadrato tra i manager, anche dal punto di vista della retribuzione, proprio perché è con gli altri manager che deve dialogare. 
È una figura professionale nuova e, in qualche modo, ancora da definire. 
Lo scienziato dei dati non è solo un'analista, non è solo uno stratega del business, non è solo un marketer così come non è solo un information manager. 
Il frutto delle sue analisi copre trasversalmente tutti i reparti di un'azienda, trasformando i dati in informazioni comprensibili affinché per i vertici le strategie da assumere siano chiare e in qualche modo obbligate. Ciò si adatta anche alle Pa. 
Dino Pedreschi, professore ordinario di Informatica all'Università di Pisa, descrive lo scienziato dei dati come: «Una figura che deve avere più competenze. La prima è sapere gestire, acquisire, organizzare ed elaborare dati. La seconda competenza è di tipo statistico, ovvero il sapere come e quali dati estrarre, la terza capacità è una forma di storytelling, il sapere comunicare a tutti, con diverse forme di rappresentazione, cosa suggeriscono i dati».
Non basta quindi una formazione in statistica, in economia o in informatica, tutte doti utili alla figura del data scientist ma che necessitano di essere mixate sapientemente.

Perché c'è bisogno di data scientist
La risposta in due sostantivi: produttività e cambiamenti. Da una parte cambiano i modelli di business delle aziende, così come cambiano le loro politiche economiche e i mercati e, dall'altra parte, vige la necessità di aumentare produttività e profitti. 
Un esempio reale arriva da Mario Alemi, data scientist italiano (laureato in fisica): «Le email personalizzate in base ai gusti letterari dei clienti hanno generato, nei negozi, il 27% delle vendite in più di quelle conseguite con le email generiche»
Un'indagine McKinsey rileva che, negli Usa, mancano tra i 140 e i 190mila data scientist, ciò testimonia quali prospettive possa avere la professione. «Quella del data scientist sarà nei prossimi anni tra le figure più ricercate nel mondo del lavoro – continua Pedreschi – e sono sempre di più le università che preparano percorsi postuniversitari aperti a tutti i curriculum».

Quale formazione è necessaria
Ci sono decine tra atenei e centri studio che offrono formazione specifica. 
Giuseppe Ragusa, direttore del master in Big Data Analytics della Luiss, in collaborazione con Oracle, riassume così le qualifiche necessarie per abbracciare la professione: «Il data scientist è un animale a tante teste, deve avere tre set di skill: una preparazione informatica molto solida, una buona comprensione degli aspetti tecnologici e allo stesso tempo è un conoscitore degli aspetti aziendali. Una figura professionale dotata di competenze trasversali e capace di relazionarsi con il management dell'azienda»
Anche Dino Pedreschi apporta la sua esperienza di docente universitario e parlando del master in Big Data Analytics e Social Mining, dell'Università di Pisa, che partirà a febbraio 2015 spiega: «Stiamo organizzando un master apposito che si rivolge a laureati di qualsiasi provenienza, perché non ci sono requisiti stretti in ingresso, se non la voglia di mettersi alla prova con tutte le competenze necessarie, in collaborazione con il mondo industriale».

La situazione in Italia
I poli mondiali sono Usa e Uk, laddove nei primi anni del Duemila si erano già create metodologie e procedure. Alle nostre latitudini le aziende cominciano a concepire la necessità di una simile figura e cercano di formarla al proprio interno. 
Nel frattempo, dice Ragusa, le imprese chiedono alle università i dati di chi frequenta i corsi. Perché l'Italia stenta a carburare lo spiega Alemi: «La nostra cultura è prettamente umanistica, siamo sempre un passo indietro quando si parla di discipline scientifiche, ma sono ottimista, questo gap verrà colmato nei prossimi 5-10 anni»
Il data scientist lavora con i big data ed è in questa direzione che bisogna muoversi; le anagrafiche sono il primo patrimonio di un'azienda, concetto ancora non del tutto consolidato in Italia e questo, da solo, spiega già gran parte dell'handicap che abbiamo in materia di scienza dei dati.

Cosa aspettarsi dal futuro
Una rilevazione voluta da Emc Data Science segnala che l'assenza di risorse uomo sufficientemente preparate e aziende non strutturate per il data science si equivalgono, entrambe con il 32%, nell'elenco dei principali freni allo sviluppo sia della professione, sia della crescita dell'intero settore che, ancora lontano da misurazioni di tipo economico, è comunque una costola del comparto dei big data il quale, secondo Gartner, varrà 26miliardi di dollari entro la fine del 2015.