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.); dati esterni (social media, open data, ecc.); dati strutturati vs. dati non strutturati, ecc.).

• 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.

Docente Luca Tremolada

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.

Docenti Andrea Gianotti e Filippo Mastroianni

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.

• 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.

Docenti Silvia Salini e e Andrea Maurino

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.

Docente Andrea Cinelli

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 trasparenza; 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.

Docenti Andrea Pellegrini e Roberto Marseglia