IEEE WCCI (World Congress on Computational Intelligence), dal 18 al 23 luglio 2022 a Padova, https://wcci2022.org, è la principale conferenza mondiale sull’intelligenza computazionale, che riunisce sotto lo stesso tetto: (1) Reti Neurali e Deep Learning, (2) Ragionamento Fuzzy e (3) Computazione Evolutiva. Per questa occasione, Omnys ha avuto la possibilità di pubblicare un paper nell’importante rivista IEEE Transactions on Neural Networks and Learning Systems ed esporlo all’IEEE WCCI.
Con oltre 2.000 partecipanti attesi, l’appuntamento si suddivide in tre conferenze (Conferenza Internazionale Congiunta 2022 sulle reti neurali, IEEE International Conference on Fuzzy Systems, IEEE Congress on Evolutionary Computation) e due importanti eventi collegati: l’INNOAI e l’AI FORUM.
Quest’ultimo in particolare è uno dei più importanti eventi per il panorama delle imprese italiane in ambito Artificial Intelligence. Ideato e promosso dall’Associazione Italiana per l’Intelligenza Artificiale, AI FORUM,nel quale Omnys ha l’occasione di partecipare presentando il suo paper, è un importante evento per comprendere i fondamenti delle evoluzioni in atto e diventare capaci non solo di adeguarsi, ma anche di anticipare le trasformazioni, individuando gli strumenti necessari per competere in un mondo in continua evoluzione ed accelerazione.
Dal titolo “Beyond Transformers: fault type detection in maintenance tickets with Kernel Methods, Boost Decision Trees and Neural Networks“, il paper, realizzato con la collaborazione di OMNYS, del Dipartimento di Fisica dell'Università di Padova, dell'INFN di Padova e del Dipartimento di Controlli e Ingegneria Informatica del Politecnico di Torino, ha lo scopo di mostrare come il rilevamento automatico e la predittività dei guasti tecnici dai ticket di manutenzione e dalle richieste di assistenza possano garantire reazioni più rapide e più efficaci alla risoluzione dei problemi di determinate apparecchiature, riducendo così i costi di manutenzione.
Lo studio ha quindi preso in considerazione due approcci alternativi: il Metodo Kernel in combinazione con Boost Decision Trees (SpectrumBoost) e le Reti neurali per l'apprendimento della rappresentazione multipla (DeepMRL). Questi modelli sono stati poi testati e confrontati su un set reale di 131.305 ticket di manutenzione, dimostrando alla fine un'accuratezza di quasi il 90%.
La corretta gestione dei ticket dei clienti e delle richieste di manutenzione è infatti un tema importante che riguarda molte aziende e che influisce direttamente sulla soddisfazione dei clienti stessi. La capacità di reagire rapidamente ed efficacemente alla risoluzione dei problemi segnalati è un fattore chiave che determina poi feedback positivi sia in termini di maggiori ricavi che di maggiore considerazione dell’immagine aziendale.
E questo studio ha quindi dimostrato come un approccio legato al Machine Learning e all’Intelligenza Artificiale possa aiutare le aziende ad essere più produttive ed efficienti anche in situazioni di criticità.