ULTIME NOTIZIE ated ICT Ticino
ATED ITC TICINO
3 gior
Autunno Digitale 2020 si accende con Visionary Day
Digital Transformation, formazione, scambio di conoscenze tra imprese, professionisti e appassionati del mondo digitale
ATED ICT TICINO
5 gior
Segway addio: esce di produzione dopo 19 anni
Doveva rivoluzionare la mobilità personale, ma è stato un flop.
MONDO
1 sett
Al via un fondo da due miliardi per l'energia pulita
Il fondo investirà in società che sviluppano prodotti e tecnologie per la protezione del pianeta
ATED
1 sett
Novità in casa WhatsApp
Il numero massimo di persone per chiamate vocali e videochiamate di WhatsApp raddoppia, passando da 4 a 8
ATED
1 sett
Come gestire al meglio il lavoro da remoto
In questo periodo di covid-19 abbiamo sperimentato il telelavoro con tutti i suoi pregi e le sue peculiarità
ARTICOLO SPONSOR
2 sett
Una piattaforma al servizio delle PMI svizzere
Si chiama Now Together e si propone come una vetrina online per presentate attività e annunci
ITALIA
2 sett
Alexa sale anche in auto
I clienti possono aggiungere tutte le potenzialità di Alexa alla propria auto
ICT ATED TICINO
2 sett
La tecnologia e le competenze da formare
ated-ICT Ticino invita le aziende del territorio a offrire opportunità di apprendistato
FOTO
ATED
3 sett
Anche Facebook per lo shopping online
Un aiuto per vendere sulla rete arriva anche dal colosso dei social
ATED
3 sett
Cybersecurity e COVID-19: le nuove minacce su rete
Sono in crescita in tutto il mondo gli attacchi informatici, ma ci sono alcune raccomandazioni per proteggersi
ATED
3 sett
Come essere sostenibili con la tecnologia
CBA assicura che i dispositivi a fine ciclo vengano riutilizzati invece che distrutti.
ATED
4 sett
I consumi corrono sulla rete
Valentina Pontiggia descrive i plus digitali per i commercianti
STATI UNITI
1 mese
Zoom fa boom per il Coronavirus
Tra febbraio e aprile l’applicazione per le videoconferenze ha aumentato i ricavi del 169% rispetto al 2019
ATED
1 mese
La ricerca del personale passa dai social
Come funziona il Social Recruiting e quali sono le strategie vincenti da mettere in campo
ICT ATED TICINO
1 mese
I primi 40 anni di Pac Man
Lanciato sul mercato in Giappone nel maggio 1980 è il videogame più popolare di tutti i tempi insieme a Super Mario
ICT TICINO
20.05.2019 - 11:290

A.I. Machine Learning, un caso recente sviluppato da PARD

Un software può essere educato in modo dinamico determinate logiche, integrando ed estendendo l’AI tradizionale

Abbiamo recentemente applicato con successo un modulo di AI del nostro software di Business Intelligence PARD® ad una precisa esigenza proveniente da un nostro cliente.

Come abbiamo visto nel precedente articolo, il Machine Learning può essere utilizzato per fare apprendere ad un software in modo dinamico determinate logiche, integrando ed estendendo l’AI tradizionale.

Il case study che andiamo ad esporre nasce dalla richiesta proveniente da un nostro cliente in ambito bancario, che ci ha poi cortesemente consentito di rendere pubblici i risultati del lavoro svolto. L’algoritmo applicato è stato creato in collaborazione con il Dipartimento di Informatica a Automatica di un importante Politecnico.

La sfida - Il cliente ci ha chiesto di creare un modulo in grado di identificare con un margine di errore accettabile (vedremo poi di che percentuale parliamo) le transazioni fraduolente effettuate tramite carte all’interno del circuito SEPA. Nel solo 2016 parliamo di 1,8 miliardi di euro worldwide, quindi è chiaro che un software in grado di mettere in evidenza le transazioni potenzialmente fraudolente con una buona percentuale di affidabilità avrebbe un impatto economico immenso. Ovviamente poi, una volta evidenziate, queste operazioni andranno vagliate con attenzione dal personale bancario per identificare con precisione le reali frodi.

La rete neuronale artificiale utilizzata per affrontare il problema - Per arrivare a tale scopo abbiamo utilizzato una rete neuronale artificiale. Si tratta di un modello computazionale che è basato sulla struttura e sulle funzioni delle reti neurali bologiche e che cerca di replicarle. Le reti neuronali (o neurali) possono adattarsi ad input sempre diversi in modo che la rete generi il miglior risultato possibile in maniera dinamica senza necessità di ridisegnare ogni volta i criteri di output. La rete quindi “impara”.

Il processo di apprendimento può essere supervisionato, ovvero guidato tramite dati selezionati e forniti da un istruttore umano oppure non-supervisionato, dando “in pasto” alla rete neurale sequenze di dati, lasciando che la rete impari da sola.

Al termine dell’apprendimento, la rete avrà dei layer di input, tramite i quali verranno forniti i dati, dei layer interni nascosti dedicati all’elaborazione e alla”pesatura” dell’informazione, risultato del processo di apprendimento e un layer di output, che darà un risultato di vero o falso.

I vantaggi dell’approccio tramite Machine Learning rispetto all’approccio statistico classico - La modellazione classica prevede la formalizzazione di relazioni tra i dati a disposizione nella forma di equazioni matematiche, ma questo comporta delle limitazioni:

  • I dati possono essere forniti solo in formato numerico.
  • La complessità del modello matematico può crescere in modo esponenziale.
  • Il mantenimento o modifica del modello può essere estremamente complesso.

Al contrario, l’approccio tramite Machine Learning è un algoritmo in grado di imparare dai dati senza doversi obbligatoriamente appoggiare ad una programmazione rigida, infatti:

  • I dati possono essere forniti in diversi formati, non solo numerici.
  • Non c’è la necessità di un modello matematico.
  • L’algoritmo non è dipendente dalla qualità del dato, anche dati “sporchi” o incompleti possono essere utilizzati ed interpretati dalla rete neurale. Ovviamente dati puliti daranno percentuali di accuratezza maggiori.

I risultati - Abbiamo quindi applicato quanto detto alla nostra rete neurale, utilizzando l’algoritmo “Random Forest” per istruirla a districarsi tra i dati forniti. Questo algoritmo permette di seguire alberi di decisione multipli e li combina per ottenere un modello predittivo più accurato.

Questo ci ha portato ad ottenere una percentuale di successo del 76,4% nella corretta identificazione della possible frode, in base al campione di dati forniti.

Applicando lo stesso modello a dati sempre più raffinati e puliti la percentuale potrà poi aumentare progressivamente. Analogamente la percentuale di precisione incrementerà se aggiungiamo layer aggiuntivi di analisi dati al nostro modello di AI.

Per maggiori informazioni sul nostro software di analisi avanzata dei dati PARD® e sui moduli di AI e Machine Learning, o per contattarci direttamente potete visitare il nostro sito (www.pardsoftware.com - www.atgcreative.space ).


YouTube

Facebook

Instagram

Linkedin

Twitter


Copyright © 1997-2020 TicinOnline SA - Tutti i diritti riservati
IMPRESSUM - DISCLAIMER - SEGNALACI - COMPANY PAGES
Disposizioni sulla protezione dei dati  -   Cookie e pubblicità online  -   Diritto all'oblio


Ultimo aggiornamento: 2020-07-06 15:37:04 | 91.208.130.87