La piattaforma SmartDecs^® Parte 1a

Le pagine che seguono sono un estratto opportunistico della infrastruttura concettuale e tecnologica che è la base della nostra piattaforma SmartDecs^®

Le informazioni riportate si limitano a quelle che si è ritenuto necessario citare per costruire un  background metodologico e concettuale, oltre che tecnologico, sufficiente ampio e dettagliato da facilitare la comprensione delle scelte tecnologiche della piattaforma .

La materia è comunque oggetto di continua evoluzione sia per la natura della GenAI e le sue innovazioni mensili, sia per le ns. ricerche  in alcuni specifici settori.

Tavole sinottiche, definizioni , ecc. sono state attinte  abitualmente da interazioni con GenAI per

Sezione 1: i Processi decisionali

Definizioni

Esistono innumerevoli definizione e classificazioni dei processi dell’impresa a seconda dei diversi punti di vista di coloro che si interessano del loro utilizzo o della loro organizzazione. Il nostro obiettivo è classificare i processi in base alle caratteristiche che determinano successivamente l’impiego di tecnologie di automazioni tradizionali, tipo la IT, ovvero innovative tipo le GenAI.

Ci siano pertanto limitati alle tipologie di processi più comuni nell’ambiente di business anche con uno sguardo all’impiego delle tecnologie che vanno sotto la denominazione di Intelligenza Artificiale ed in particolare quella branca denominato GenAI.

Processi deterministici

Sono processi in cui il risultato è prevedibile e determinato dalle condizioni iniziali. Non c’è casualità coinvolta. I processi deterministici sono caratterizzati da completa prevedibilità e assenza di casualità.

Producono risultati riproducibili date le stesse condizioni iniziali, possono essere modellati matematicamente con precisione e simulati accuratamente. Presentano una chiara relazione causa-effetto e il loro stato futuro è calcolabile con esattezza. Trovano applicazione principalmente in sistemi ben definiti e controllati, come nella gestione operativa delle imprese oltre che in fisica classica e ingegneria.

Un dettaglio delle loro caratteristiche:

Caratteristiche	Descrizione
Prevedibilità	Il risultato è completamente determinato dalle condizioni iniziali e dai parametri del processo
Assenza di casualità	Non ci sono elementi di incertezza o aleatorietà nel processo.
Riproducibilità	Dati gli stessi input e condizioni iniziali, il processo produrrà sempre lo stesso risultato.
Modellazione matematica precisa	Possono essere descritti da equazioni matematiche esatte
Causalità diretta	C’è una relazione causa-effetto chiara e definita tra input e output.
Determinismo	Lo stato futuro del processo può essere calcolato con precisione conoscendo lo stato attuale e le leggi che governano il processo.
Simulabilità	Possono essere simulati con precisione utilizzando modelli computazionali.
Applicabilità	Sono comuni in fisica classica, ingegneria e in sistemi di automazione delle procedure operative dell’imprea

Processi euristici

Sono metodi di problem-solving basati su approcci pratici o regole empiriche, non necessariamente ottimali o perfetti, ma sufficienti per raggiungere obiettivi immediati. Sono spesso utilizzati quando una soluzione ottimale è impossibile, impraticabile ovvero non è dato conoscerla..

Caratteristiche	Descrizione
Approccio pratico	Utilizzano metodi basati sull’esperienza, l’intuizione o regole empiriche per risolvere problemi.
Soluzioni approssimate	Forniscono risultati “sufficientemente buoni” o soddisfacenti, non necessariamente ottimali.
Efficienza computazionale	Sono generalmente più veloci e meno costosi in termini di risorse rispetto ai metodi esatti
Adattabilità	Possono essere applicati a una vasta gamma di problemi, specialmente quelli complessi o mal definiti.
Flessibilità	Permettono di affrontare situazioni con informazioni limitate o incerte
Compromesso tra accuratezza e velocità	Sacrificano parte della precisione per ottenere soluzioni più rapide.
Basati sull’esperienza	Spesso derivano da conoscenze accumulate o “regole del pollice” in un determinato campo.
Miglioramento iterativo	Possono essere raffinati nel tempo attraverso l’apprendimento e l’esperienza

Processi decisionali

I Processi decisionali ( decision-making processes)  sono caratterizzati da  una sequenza strutturata di fasi cognitive e pratiche attraverso le quali un individuo, un gruppo o un sistema automatizzato identifica e seleziona una sequenza di azioni  per SCEGLIERE, tra diverse alternative,  la soluzione considerata la  “migliore” in quella istanza  per risolvere un problema specifico o cogliere un’opportunità.

I termini scelta, considerata  e migliore evidenziano il fatto che un Processo decisionale è UN PROCESSO EURISTICO  poiché non è possibile definire a priori quale sarà L’OPTIMUM, né quale sarà il percorso decisionale che verrà utilizzato in quel momento  e, quindi, se il risultato sarà il migliore dei possibili.

Un Processo Decisionale si basa infatti su una quantità elevata di componenti che devono essere presi in considerazione al fine di pervenire alla decisione richiesta utilizzando regole, expertise, criteri di valutazione, norme e vincoli, ecc. tutti caratterizzati da un elevato grado di soggettività nella loro interpretazione e nelle scelte finali.

E’ opportuno sottolineare che un Processo Decisionale in realtà opera con due modalità nettamente distinte:

1. Approccio deterministico, formalmente corretto per la identificazione dei dati e delle regole di trattamento, la generazione dell’outcome, l’assegnazione di uno SCORE, ecc.
2. Approccio euristico, nelle attività tipicamente decisionale della valutazione degli SCORE e delle loro interrelazioni nella valutazione della “pericolosità” finale dell’evento.

Questa struttura polivalente dei processi decisionali nel passato è stata automatizzata prevalentemente nella parte deterministica della raccolta dei dati con le limitazioni di flessibilità classiche della tecnologia IT.

L’automazione “completa” dei Processi Decisionali è ora finalmente possibile grazie alla disponibilità di una tecnologia come la GenAI che opera in modo efficace in entrambi gli approcci ma che offre un livello di flessibilità sconosciuto nel passato per la capacità di estrarre modalità di trattamento anche da informazioni  “destrutturate” reperite nella “base di conoscenza” ed è  dotata anche della capacità di apprendere costantemente dall’uso e quindi di ridurre progressivamente nel tempo la aleatorietà delle scelte

Per un maggior approfondimento dell’automazione dei Processi Decisionali si rimanda alle pagine seguenti con una specifica focalizzazione alla gestione del rischio.

Highlights della Gestione del Rischio

I Processi Decisionali per la gestione del rischio sono caratterizzati da procedure strutturate consolidate nel tempo e con l’esperienza di decenni che si riferiscono abitualmente al “core business“ dell’impresa e che le organizzazioni utilizzano per identificare, valutare e affrontare potenziali minacce o opportunità che derivano dagli eventi abitualmente gestiti dall’impresa.

Le attività che appartengono a questi tipi di processi consistono in sostanza nella valutazione della “pericolosità” delle minacce o dei “benefici” delle opportunità che si presume possano esistere nei singoli eventi del business dell’impresa.

Trattando in questa sede della gestione del rischio, queste procedure includono una serie molto numerosa di attività specializzate nella Identificazione dei fattori di rischio, dei dati da estrarre dagli eventi connessi con i fattori di rischio, le Business Rules e le soglie connesse alla valutazione della  la “pericolosità”, il monitoraggio, ecc.  L’obiettivo è prendere decisioni informate per minimizzare impatti negativi e massimizzare opportunità, bilanciando costi e benefici in linea con gli obiettivi dell’organizzazione.

Si tratta comunque di processi decisionali quindi di processi euristici nei quali l’intervento discrezionale del fattore umano è tuttora universalmente considerato determinante per la valutazione finale del rischio stesso.

Aumento dei controlli e della complessità

Nella stragrande maggioranza dei processi decisionali relativi alla valutazione dei rischi, l’attività eseguita non è mai una semplice sequenza di azioni elementari ma è un sistema “gerarchico” di scelte, composto da una serie di “strati” intermedi con obiettivi decisionali parziali fino alla decisione finale e nei quali intervengono diversi attori, sia automatizzati che esseri umani con la loro esperienza e motivazione.

Ne discende che, man mano che aumentano i livelli di controllo, aumenta in modo esponenziale la complessità del processo, la qualità delle informazioni trasmesse, la eventualità di errori, la difficoltà di disporre di risorse adeguate ad ogni livello e per ogni circostanza.

La concessione di un finanziamento richiede circa 200 scelte, alcune delle quali di importanza determinante altre solo di contorno ma comunque necessarie ed ineliminabili, poiché in alcuni casi possono mettere in evidenza situazioni di grande rischio di difformità od addirittura di perdite effettive di denaro.

Si creano pertanto situazioni di grande complessità tenendo presente che si tratta di gerarchie di processi euristici, dai quali ci si può aspettare solo il “meglio possibile” in relazione ai dati disponibili, all’ automazione di alcune fasi  ed alla capacità decisionali del personale addetto con la conseguenza che alcuni, più degli altri, sono in grado di interpretare  meglio i segnali che pervengono dall’analisi dei singoli outcomes disponibili.

Poiché ogni processo euristico porta con sé un tasso di indeterminatezza non valutabile a priori ma che può essere addirittura aggravato dalla “inesperienza” del personale assegnato in quel momento, si ha una dimensione delle difficoltà esistenti e delle incertezze che si tenta di ridurre tramite l’impiego della GenAI con le sue caratteristiche peculiari particolarmente adatte alla gestione di fenomeni euristici, anche per la capacità di miglioramento constante da errori ed imprecisioni.

Divide et impera: la soluzione alla complessità

La scomposizione di un fenomeno complesso in elementi di minore complessità e di più facile gestione è una strategia che si perde nella notte dei tempi.

Nel caso dei processi decisionali della gestione del rischio è una pratica consolidata da secoli  e la scomposizione avviene mettendo sotto controllo i componenti dell’evento indicati dai responsabili del processo la cui “pericolosità” si presume possa contribuire e/o  influenzare la “pericolosità” del risultato finale della valutazione. 

Si tratta di quelli che vengono identificati come Fattori di Rischio e sono elementi distinti e misurabili che contribuiscono con la loro “pericolosità” ad influenzare la probabilità o l’impatto di un evento rischioso e costituiscono la struttura portante dell’intero processo di valutazione sia umano che basato sulla AI.

I Fattori di Rischio possono essere raggruppati in categorie come, Fattori finanziari, Fattori operativi, Fattori strategici, Fattori di compliance, Fattori ambientali, Fattori tecnologici  ecc. che nella nostyra metodologia abbiamo denominato “Info-areas”. Questi Fattori e vengono sottoposti ad analisi quantitativa e qualitativa per valutare l’impatto potenziale di “pericolosità>” di ciascun fattore, la valutazione della probabilità di manifestazione e le interrelazioni tra fattori identificando quali Fattori di Rischio hanno maggiore influenza sulla valutazione della pericolosità “globale” dell’evento complessivo.

La scomposizione in Fattori di Rischio

Nel caso in cui i Fattori di Rischio risultassero ancora troppo complessi, si passa ad ulteriori fasi di scomposizione che consiste nell’identificare e analizzare le componenti elementari che contribuiscono al rischio espresso dal caso specifico. Questo processo permette una comprensione più dettagliata e strutturata del rischio, facilitando decisioni più informate e mirate.

Un Fattore di Rischio è scomposto in “Variabili-di-rischio” che, nella terminologia adottata nella nostra piattaforma, sono gli elementi chiave misurabili od osservabili, quantitativi (tasso di interesse) o qualitativi (stabilità manageriale) che vengono considerati essenziali dal(i) responsabile(i) del processo per comprendere e valutare la pericolosità dell’outcome del Fattore di Rischio per ogni specifica istanza che sarà oggetto di analisi.

Il numero e la tipologia delle Variabili di Rischio dipendono dalla “propensione” al rischio dei responsabili dell’impresa e sono caratterizzate da forte soggettività di scelta sia del numero che delle soglie utilizzate per la valutazione degli outcomes.

Le Variabili-di-rischio: ultimo livello  

Le Variabili-di-rischio (d’ora in poi Vdr) costituiscono i  veri “building blocks” di un Processo decisionale per la gestione del rischio poiché consentono finalmente di identificare gli attributi  essenziali senza i quali non sarebbe possibile alcuna valutazione accurata  del rischio e di organizzare di conseguenza in modo organico la “base di conoscenza” (KBase) che verrà utilizzata come struttura prevalente di riferimento al momento dell’utilizzo del sistema di valutazione.

Esempio di scomposizione

La Tabella seguente riporta un esempio di scomposizione della valutazione della pericolosità di un evento in elementi sempre più semplici per facilitarne la gestione da parte di personale con minori responsabilità decisionali.

Si inizia abitualmente dalla scomposizione di grandi aree informative omogenee quali la finanza, la struttura dell’impresa ed i soci,  la struttura economica ed i bilanci, ecc. 

Si prosegue con la scomposizione della Info-area in Fattori di Rischio. Se si trattasse di una polizza RCAuto si avrebbe, Età del conducente, Esperienza di guida, Storico sinistri, Tipo di veicolo, ecc.

 Il processo di scomposizione non ha regole precise ma dipende sostanzialmente da chi guida il processo, dalla sua esperienza, preferenze pe ri dettagli, propensione al rischio, ecc. 

La nostra Tassonomia non ha limiti nei livelli di scomposizione.

Finalmente si perviene al livello che si considera l’ultimo della catena.

In questo livello è necessario adottare un formalismo classico dei processi deterministici nella progettazione e realizzazione di Data base e cioè la individuazione delle chiavi ed attributi del DB anche se possiamo contare sulla flessibilità dell’ambiente GenAI.

Abbiamo quindi una struttura che identifica Regole e Dati per la generazione dell’outcome di analisi e delle Regole e Soglie per la valutazione della pericolosità dello stesso.

Nel caso della polizza la regola è l’estrazione della età del conducente dalla patente precedentemente fornita, l’outcome è la età  che verrà sottoposta alla valutazione comparandola con le soglie di rischio previste per la classi di età  ed ottenerne uno SCORE che indica il contributo di pericolosità  che quello specifico elemento  apporterà alla valutazione globale .

Algoritmo di Ricomposizione

La scomposizione del rischio di un evento in Fattori di rischio e successivamente nelle Vdr contribuiscono in modo determinante alla capacità di gestione di fenomeni molto complessi, scomponendoli in strutture più semplici e più agevoli nel trattamento.

Tuttavia l’evento da valutare è unico ed ogni scomposizione richiede la riunificazione delle valutazioni intermedie in un’unica valutazione finale.

Si tratta quindi di ricomporre in una unica valutazione il tasso di  pericolosità  raccolto  per ognuno degli elementi che fanno parte della struttura di scomposizione altrimenti definita Profilo del Rischio.

E’ un processo estremamente complesso nel quale viene esaltata la natura euristica dei processi decisionali con il loro tasso di indeterminatezza, al quale si tenta di far fronte con la soggettività dell’intervento di personale al quale, per esperienza e capacità decisionali, .è stato assegnato il compito di scelta.

Questa indeterminatezza nasce da semplici considerazioni della matematica combinatoria:

• Se gli SCORE da valutare sono 10 ed hanno tre valori possibili (rosso, giallo, verde) le combinazioni da prendere in considerazione sono 59.049 per ognuna delle quali sarebbe necessario disporre di una “decisione” valida e responsabile.
• Se gli SCORE da valutare sono 15 (sempre 3 valori possibili) il numero di combinazioni sale ad oltre 14 milioni !!!! (14.348.907) Un compito impossibile anche per GenAI nei prossimi dieci anni.

Tra l’altro i numeri crescono in modo fortemente esponenziale e 15 elementi sono veramente molto pochi nei casi di maggior difficoltà nell’analisi del rischio.

E’ comunque necessario disporre di un “algoritmo” sviluppato ad hoc per eseguire  la ricomposizione degli SCORE dei Fattori considerati elemento chiave della valutazione del rischio.

L’Algoritmo di Ricomposizione non è una formula matematica deterministica ma è il complesso processo attraverso il quale si integrano i risultati dell’analisi degli SCORE dei singoli Fattori di Rischio con uno o più interventi di persone adatte, per esperienza e capacità decisionali, a completare la valutazione complessiva del rischio.

Torniamo al ns. esempio

L’Algoritmo di Ricomposizione inizia dalla valutazione dello Score del Fattore di Rischio a partire dagli Score ottenuti dagli outcome delle singole Variabili di Rischio.

Nel caso del Rischio di Credito ci troviamo ad esempio nella necessità di valutare lo SCORE di pericolosità dell’impresa dal punto di vista economico e/o finanziario dopo aver analizzato i valori di venti indici di bilancio a fronte delle rispettive Soglie indicate per questa valutazione.

Si passa poi alla ricomposizione degli SCORE dei vari Fattori di rischio  per ottenere una valutazione globale della pericolosità dell’evento (pratica di finanziamento)

Questo processo  di ricomposizione fa parte da sempre della “liturgia” dell’impresa che gestisce il rischio e, mentre finora era sostanzialmente solo qualitativo (basato sul giudizio umano), inizia ad avere anche contenuti quantitativi (basato su AI) che è appunto la soluzione proposta nella ns metodologia.

In particolare, oltre all’approccio qualitativo (umano) che utilizza l’esperienza e il giudizio di esperti per interpretare e sintetizzare i risultati e considera fattori difficilmente quantificabili come il contesto organizzativo o le dinamiche di mercato esiste anche la possibilità di approcci quantitativi basati prevalentemente su tecniche matematiche sviluppate nel tempo.

Oltre alle tecniche classiche dai modelli di regressione multivariata alle reti bayesiane per catturare le interdipendenze tra fattori esistono moltissime altre tecniche  quali utilizzo di funzioni matematiche (ad es. somma ponderata, prodotto, funzioni non lineari) per combinare i valori dei singoli fattori e traduzione dei risultati numerici in valutazioni qualitative comprensibili (ad es. rischio basso, medio, alto) ed le tecniche opposte di conversione di valori qualitativi in numeri di score.

Ma il vero grande apporto della GenAI all’automazione dei processi decisionali consiste nella capacità di

1. automatizzare in modo totalizzante la parte deterministica del processo (raccolta dei dati, uniformità delle regole utilizzate, capacità di gestire concetti anche estraendoli da informazioni destrutturate, ecc. ) ad esempio con l’uso della Tecnologia dei BLURBS  ed automazione del KBase,
2. gestire la conoscenza sia esplicita che tacita in un ambiente caratterizzato dall’ apprendimento continuo, da errori o da comportamenti di eccellenza degli umani, e quindi della prospettiva di miglioramento continuo del contributo di automazione nelle aree di maggiore indeterminatezza.

Ma il momento di automazione più arduo è la decisione dell’Alta Direzione di iniziare un progetto per la realizzazione di  un “Algoritmo  di ricomposizione”  dei Fattori di rischio con la  consapevolezza che si tratta di raccogliere in un deposito automatizzato non solo la conoscenza esplicita  disponibile nei documenti dell’impresa ma anche la conoscenza tacita quella non formalizzata, basata sull’esperienza personale, difficile da articolare e comunicare.

E’ essenziale prendere atto che il problema ha una grande dose di non-razionalità, che deriva direttamente dalla percezione della indeterminatezza e soggettività insita nei processi euristici ai quali esso appartiene.

Si tratta quindi di progettare  un sistema di automazione che sfrutti le specifiche caratteristiche della GenAI  che tenga conto in primis di una forte componente di aleatorietà insita nella natura stessa delle soluzioni nelle quali domina in sostanza il fattore umano per la decisione finale ma che può essere “potenziato” con una maggiore qualità delle informazioni a disposizione in modo rapido e tempestivo, dalla possibilità di confronti temporali o con benchmarks esterni all’impresa, con tutta una serie di attività ancillari che miglioramento la visibilità dell’evento e la valutazione del rischio.

Trasparenza e Spiegabilità: approccio HITAIL

La Trasparenza e Spiegabilità (T&S) delle decisioni ottenute con l’ausilio di GenAI è un argomento molto importante e attuale nell’ambito dell’intelligenza artificiale soprattutto con l’avvento degli AI Agents che svolgono azioni molto complesse in totale autonomia.

Alcune definizioni

1. Trasparenza: è fondamentale che le decisioni prese dagli AI Agents siano comprensibili e verificabili. La trasparenza aiuta a costruire fiducia tra gli utenti e i sistemi AI e permette di identificare e correggere eventuali bias o errori nel processo decisionale.

2. Spiegabilità (Explainable AI o XAI): si riferisce alla capacità di spiegare o presentare i risultati di un modello AI in termini comprensibili per gli esseri umani ed aiuta a capire come e perché un AI Agent è arrivato a una determinata decisione.

3. Metodi per migliorare la T&S: Utilizzo di modelli interpretabili (es. alberi decisionali, regressione lineare) ovvero tecniche di post ad-hoc explanation per modelli complessi come le reti neurali, o la visualizzazione dei dati e dei processi decisionali.

L’approccio HITAIL (human-in-the-AI-loop) nel contesto della trasparenza e spiegabilità delle decisioni basate sull’intelligenza artificiale si riferisce a un processo decisionale in cui l’intelligenza artificiale e l’intelligenza umana lavorano in tandem.

In questo approccio, gli esseri umani supervisionano, intervengono e validano le decisioni prese dai sistemi AI. Questo metodo è particolarmente importante quando si tratta di decisioni critiche o ad alto rischio.

In pratica l’AI elabora i dati e propone una decisione, un esperto umano rivede la proposta dell’AI e può accettare, modificare o rifiutare la decisione dell’AI che utilizza il feedback umano per la decisione e proporre una nuova decisione.

I Vantaggi:

• L’approccio ibrido fornisce una maggiore accuratezza poiché combina la velocità e la capacità di elaborazione dell’AI con l’intuizione e l’esperienza umana.
• La capacità di miglioramento continuo dell’AI viene qui esaltata nei suoi vantaggi poiché il feedback umano viene sfruttato immediatamente per migliorare la decisione  ed aiuta a perfezionare il sistema AI nel tempo.
• L’approccio HITL ha un obiettivo di empowerment del personale e mantiene quindi una definizione chiara dei ruoli ed il livello di responsabilità umana nelle decisioni critiche (il risultato non sarà mai peggiore dell’attuale) aumentando la fiducia degli utenti nei sistemi AI.

Restano tuttavia molti problemi da risolvere, anche in considerazione della relativa novità del problema, quali la necessità di creare dashboard che permettano agli operatori umani di comprendere rapidamente le decisioni dell’AI e intervenire efficacemente, il monitoraggio delle prestazioni,  e la formazione continua per aggiornare regolarmente gli operatori umani sulle capacità e i limiti del sistema AI.

L’approccio human-in-the-lAI-oop è fondamentale per garantire la trasparenza e la spiegabilità delle decisioni AI, specialmente in contesti sensibili o ad alto rischio. Offre un equilibrio tra l’efficienza dell’automazione e la supervisione umana, contribuendo a costruire sistemi AI più affidabili e responsabili.

Considerando che la ns. piattaforma SmartDecs^®ha lo scopo di migliorare il risultato dei processi decisionali sia nei tempi di esecuzione che nella qualità delle decisioni prese, è ovvio che tutta la materia T&S attira il massimo dell’attenzione per il ns. approccio alla qualità dei RISULTATI  forniti in ottica di empowerment del personale coinvolto con i processi decisionali. .

La ns. tecnologia ATW, con Tassonomia e BLURBS, provvede alla formalizzazione rigorosa della scomposizione dei fattori di rischio, della gestione di dati e delle Business rules fino all’assegnazione dello SCORE di primo livello in un’ottica totalmente adeguata ad una automazione al 100% con la GenAI.

L’approccio HITAIL si sovrappone al 100% con la ns. visione dell’automazione dei processi decisionali con la GenAI che possiedono una struttura deterministica nella gestione dei dati e delle Business Rules di automazione degli outcomes ed una struttura euristica nella gestione dei processi di ricomposizione oggi totalmente dominati dal fattore umano.

La ns. tecnologia HITAIL, in fase di ricerca avanzata, è destinata a supportare la conclusione del processo di ricomposizione come risultato dell’automazione con GenAI delle attività esecutive ed intervento umano che si conclude per ogni iterazione con un consenso o rifiuto/modifica delle scelte effettuate.