Il corso ha l’obiettivo di approfondire gli strumenti e gli asset strategici di una Data Driven Company che intende sfruttare le potenzialità dell’Intelligenza Artificiale Generativa  e del Machine Learning evidenziando la centralità della Cultura del Dato. Vogliamo formare manager e professionisti dell’Ai a organizzare processi aziendali e progettare nuovi servizi e nuovi prodotti. Per competere servirà sempre di più sapere cosa chiedere ai propri dati e quali sono le potenzialità degli modelli linguistici di grandi dimensioni. Il nostro è un approccio pratico che  permette di acquisire le competenze necessarie per interrogare, analizzare e interpretare i dati trasformandoli in efficienti scelte strategiche per il Business. Nonché studiare le logiche e le dinamiche che muovono i chatbot per la generazione di testi, immagini e video.

Definizione e principi fondamentali; Vantaggi competitivi per le aziende; Esempi di aziende data-driven di successo.

• Cultura del Dato

Importanza di una cultura aziendale incentrata sui dati; Sfide e ostacoli nella creazione di una cultura del dato; Strategie per promuovere una mentalità data-driven.

• Il Ruolo dell'Intelligenza Artificiale (AI)

Panoramica sull'AI e le sue applicazioni nel business; Machine learning, deep learning e altre tecniche di AI; Impatto dell'AI sulla trasformazione digitale delle aziende.

• Fonti di Dati

Dati interni (CRM, ERP, ecc.), esterni (social media, open data, ecc.), Dati strutturati vs. dati non strutturati.

• Data Visualization

Tecniche e strumenti per la visualizzazione dei dati; Creazione di dashboard e report interattivi; Storytelling con i dati.

• Analisi LLM 

Cosa sono, quali sono e come funzionano; Architetture di reti neurali per l'IA Generativa (es. Transformer, GAN); I principali tools sul mercato; Il ruolo dell'IA Generativa nella produzione di contenuti creativi; Collaborazione tra umani e IA nella creazione artistica; Questioni di copyright e proprietà intellettuale; Impatto dell'IA Generativa sull'industria creativa e culturale; Prove pratiche.

Dati Interni: Sistemi aziendali (CRM, ERP, ecc.), dati transazionali, dati dei clienti; Dati Esterni: Open data, social media, dati di mercato, dati provenienti da sensori IoT; Dati Acquisiti: Dati provenienti da partner commerciali, sondaggi, studi di mercato.

• Tecniche di Raccolta Dati

API: Interfacce di programmazione delle applicazioni per accedere ai dati di altre piattaforme

Web Scraping: Estrazione automatica di dati da siti web

Sondaggi e Questionari: Raccolta di dati qualitativi e quantitativi direttamente dagli utenti

Sensori e Dispositivi IoT: Raccolta di dati in tempo reale da oggetti connessi

• Pulizia dei Dati (Data Cleaning)

Identificazione e correzione di errori, valori mancanti, duplicati e inconsistenze; Standardizzazione dei formati e delle unità di misura; Visualizzazione dei Dati: Comunicare Informazioni in Modo Efficace.

• Principi di Visualizzazione dei Dati

Scelta del tipo di grafico più appropriato per i dati e l'obiettivo della comunicazione; Utilizzo di colori, etichette e scale per rendere i grafici chiari e leggibili; Evitare la distorsione dei dati e la sovrabbondanza di informazioni.

• Strumenti di Visualizzazione

Librerie Python (Matplotlib, Seaborn, Plotly); Strumenti di Business Intelligence (Tableau, Power BI); Dashboard interattive per monitorare le metriche chiave in tempo reale.

• Data Storytelling

Utilizzare i dati per raccontare storie che catturino l'attenzione del pubblico; Evidenziare i punti chiave e le intuizioni più significative; Utilizzare grafici e visualizzazioni per supportare la narrazione.

• Probabilità e distribuzioni di probabilità (normale, binomiale, Poisson, ecc.)

• Inferenza statistica (test d'ipotesi, intervalli di confidenza)

• Metodi Quantitativi per l'Analisi dei Dati

Regressione lineare semplice e multipla; Regressione logistica; Analisi delle componenti principali; Analisi fattoriale; Serie temporali e modelli; Clustering.

• Data Analysis con Python (o R)

Introduzione al linguaggio di programmazione Python (o R); Librerie essenziali per la Data Science (NumPy, pandas, matplotlib, scikit-learn); Manipolazione, pulizia e trasformazione dei dati; Visualizzazione dei dati con grafici e diagrammi; Implementazione dei modelli quantitativi appresi.

• Machine Learning

Introduzione al Machine Learning (apprendimento supervisionato, non supervisionato, rinforzo); Alberi decisionali e Random Forest; Support Vector Machines (SVM); Reti neurali artificiali; Valutazione delle prestazioni dei modelli di Machine Learning.

• Data Science per il Business

Analisi dei dati per il marketing (segmentazione della clientela, previsione del churn); Data Science per la finanza (analisi del rischio, previsione dei prezzi); Ottimizzazione dei processi aziendali con la Data Science.

• Definizione di Data Management e Data Governance

• Importanza strategica dei dati per le organizzazioni

• Ruolo del Data Management e della Governance nel garantire valore dai dati

.Data Governance

• Principi e obiettivi della Data Governance

• Ruoli e responsabilità nella Data Governance (Data Owner, Data Steward, Data Custodian)

• Data Governance Framework: definizione di politiche, processi e standard per la gestione dei dati

• Data Governance Council: organo decisionale per la definizione delle strategie sui dati

• Data Governance Implementation: strumenti e tecnologie per supportare la Governance

• Misurazione e monitoraggio dell'efficacia della Data Governance

Data Ethics e Privacy

• Considerazioni etiche nell'utilizzo dei dati

• Normative sulla privacy (es. GDPR) e loro impatto sulla gestione dei dati

• Anonimizzazione e pseudonimizzazione dei dati personali

• Consenso e trasparenza nella raccolta e nell'utilizzo dei dati

• Panoramica dell'impatto dell'IA sull'economia globale e sui modelli di business

• Esempi di come l'IA sta trasformando settori chiave (manifattura, finanza, sanità, ecc.)

• Discussione sulle opportunità e le sfide dell'economia guidata dall'IA

Impatto dell'IA sull'Economia

• Automazione e aumento della produttività

• Creazione di nuovi mercati e modelli di business

• Trasformazione del lavoro e delle competenze richieste

• Implicazioni per la disuguaglianza e la distribuzione della ricchezza

• Questioni etiche e sociali legate all'uso dell'IA

Regolamentazione e Governance dell'IA

• Necessità di regolamentare l'IA per garantire sicurezza, equità e trasparenz

• Approcci alla regolamentazione dell'IA a livello nazionale e internazionale

Come progettare una startup di Ai e nella Data Science

•  Panoramica del mercato AI: tendenze, opportunità, sfide

• Casi di studio di startup AI di successo e fallimentari

• Analisi del panorama competitivo e delle barriere all'ingresso