Machine learning, intelligenza artificiale, algoritmi: termini che ricorrono in una presentazione su due dedicata al software, ma che raramente vengono spiegati in modo comprensibile. Eppure il principio di base è più semplice di quanto sembri. E chi lo comprende è in grado di valutare meglio cosa possono fare – e cosa no – gli strumenti di intelligenza artificiale nella propria azienda.
Questo articolo spiega il machine learning senza gergo tecnico, con esempi tratti dalla quotidianità di un panificio.
Il principio fondamentale: imparare dagli esempi anziché da regole fisse
Il software classico segue regole fisse programmate dall'uomo: «Se è lunedì, allora il 10% in meno di cornetti». Queste regole sono rigide: non ammettono eccezioni e nessuno può scrivere abbastanza regole da rappresentare la realtà.
Il machine learning ribalta questo principio: invece di imporre delle regole, si forniscono al sistema migliaia di esempi – ad esempio i dati di vendita degli ultimi tre anni, insieme alle condizioni meteorologiche, al giorno della settimana e al calendario delle festività. Il sistema individua autonomamente gli schemi: in che misura le vendite di cornetti dipendono dal tempo? Cosa succede il primo giorno di vacanza? In che modo la filiale A si differenzia dalla filiale B?
Il risultato è un modello: una sorta di insieme di regole altamente complesso e autoapprendente, che è decisamente più raffinato di qualsiasi altro redatto manualmente.
Un esempio dal laboratorio di panificazione
Un responsabile di produzione esperto, intuitivamente, non fa altro: per anni ha osservato come il tempo, i giorni della settimana e le vacanze influenzino le vendite e pianifica di conseguenza. Si tratta di conoscenze acquisite dall’esperienza.
La differenza: l’essere umano è in grado di tenere a mente questa esperienza solo per una manciata di prodotti principali. Un modello di machine learning fa la stessa cosa per ogni singolo articolo in ogni singola sede – contemporaneamente, ogni giorno da capo e senza le tipiche distorsioni umane, come la sovraponderazione dei dati della settimana precedente.
E continua ad apprendere: ogni nuovo giorno di vendita rappresenta un nuovo esempio. Se il comportamento d’acquisto cambia – un nuovo edificio adibito a uffici nel quartiere, un assortimento modificato – il modello si adatta automaticamente.
Cosa sa fare bene il machine learning – e cosa no
È particolarmente efficace con i modelli ricorrenti: condizioni meteorologiche, ritmi settimanali, andamenti stagionali, effetti delle vacanze, differenze tra le varie località. È proprio questo che costituisce la maggior parte della domanda nel settore della panificazione: ecco perché le previsioni di vendita basate sull’intelligenza artificiale funzionano così bene in questo settore.
Il punto debole riguarda gli eventi realmente isolati: un ordine ingente e improvviso, una chiusura stradale senza preavviso. Nei dati non ci sono esempi di questo tipo. I sistemi efficaci risolvono la questione in modo pragmatico: l’operatore può adeguare la previsione in qualsiasi momento e mettere a frutto la propria conoscenza delle situazioni straordinarie.
Ecco perché la giusta ripartizione dei compiti è questa: la macchina si occupa del lavoro quotidiano su centinaia di articoli, mentre l’uomo mantiene il controllo e ha l’ultima parola.
Devo capirlo per poterlo usare?
No, non più di quanto sia necessario capire come funziona un motore per guidare un’auto. Su GoNina l’apprendimento automatico funziona in background: i dati di vendita vengono importati automaticamente dal sistema di cassa, il modello apprende in modo autonomo e l’azienda vede alla fine il risultato: proposte concrete di ordini per ogni articolo e sede per i prossimi sette giorni.
Ciò che conta è il risultato: le aziende che utilizzano GoNina riducono le eccedenze fino al 52%, aumentano il fatturato fino al 6% e risparmiano fino a 12 ore di pianificazione al mese.
Domande frequenti
Il machine learning richiede enormi quantità di dati?
Per le previsioni relative al settore della panificazione è sufficiente la normale cronologia delle vendite ricavata dal sistema di cassa. Più dati storici ci sono, meglio è, ma già con un anno di dati è possibile individuare i modelli più importanti.
Il modello potrebbe sbagliarsi?
Sì, ogni previsione comporta un margine di incertezza. Il parametro di riferimento, però, non è la perfezione, bensì le stime manuali effettuate finora – e in questo ambito il modello ottiene in media risultati sensibilmente migliori, soprattutto nei giorni più difficili.
Il modello si basa su quello di altre aziende?
Le previsioni per la tua azienda si basano sui tuoi dati. I tuoi dati di vendita non vengono trasmessi a terzi e sono ospitati in Svizzera e nell’UE.
Conclusione
Il machine learning non è una magia, ma un apprendimento sistematico basato su esempi: è esattamente ciò che un panettiere esperto fa mentalmente da anni, solo che lo fa per l’intero assortimento contemporaneamente e ogni giorno da capo. Chi conosce questo principio può valutare gli strumenti di intelligenza artificiale in modo realistico: come strumenti di supporto per la pianificazione quotidiana, non come sostituti dell’arte artigianale.
Per scoprire come trasformare questi dati in previsioni concrete per la tua attività, consulta la nostra guida completa sulle previsioni di vendita basate sull'intelligenza artificiale per i panifici.
.png)