Dalla CULTURA alla COLTURA: Produrre Olio Extravergine d’Oliva!

Editoriale: Perché cambiare pelle

Viviamo un periodo difficile dovuto a tante guerre per motivi di business. Ad un certo punto, bisogna avere il coraggio di “cambiare pelle” anche nel rispetto della propria età.

A fine 2024 ho deciso di smettere di occuparmi di formazione, pur avendo un portafoglio corsi molto valido e variegato. Per la vastità degli argomenti trattati, da un lato mi consentiva di rispondere a tutte le esigenze dei clienti, dall’altro mi richiedeva un continuo aggiornamento per restare al passo con i tempi e offrire sempre servizi all’avanguardia.

Il mercato della formazione sta letteralmente cambiando per la concorrenza di grandi organizzazioni e per l’enorme confusione che sta creando l’Intelligenza Artificiale.

Questi semplici motivi mi hanno suggerito di abbandonare la formazione e dedicarmi solo alla consulenza per medio-grandi aziende, dedicandomi prevalentemente alla cura della produzione di Olio di Oliva in modo artigianale e non industriale.

La produzione genuina dell’olio di oliva è un campo molto interessante, nonostante la confusione che regna nel mercato, le sofisticazioni e i prezzi dell’olio sedicente di oliva. Vedi l’articolo: Produrre Olio di Oliva, per rendersi conto della situazione.

L’utilizzo dell’Intelligenza Artificiale(AI) sta aggredendo tutti i settori, compreso la coltivazione dell’ulivo, anche se alcune sono semplici illusioni insostenibili dai piccoli produttori. Urge comprendere almeno le basi dell’AI prima di considerare la sua applicazione in un ciclo produttivo dove bisogna prendere decisioni importanti per proteggere o migliorare un raccolto. 

Per non tradire la mia esperienza, continuerò a proporre considerazioni sulla conoscenza e sulle innovazioni come l’AI, ormai alla portata anche dei piccoli produttori di olio di oliva, ma con diversi rischi da gestire, senza essere latifondista, anzi …

Buona lettura

Vito Madaio

---

Regole: Come difendersi dall’Intelligenza Artificiale nella gestione dei progetti 

Qualsiasi innovazione si consolida con il contributo dei primi utilizzatori che sperimentano pregi e difetti dell’innovazione, come nel caso dell’Intelligenza Artificiale.

Essendo l’Intelligenza Artificiale una “vera rivoluzione” c’è bisogno di più attenzione per utilizzarla correttamente e non bovinamente.

L’AI comporta grandi cambiamenti nel modo di produrre, introducendo anche una serie di rischi non sempre evidenti se non si fanno alcune riflessioni sull’utilizzo.

Tutti noi gestiamo dei rischi. Ad esempio, prima di attraversare la strada, guardiamo in entrambe le direzioni oppure prima di accendere il motore, allacciamo la cintura di sicurezza. Nela gestione dei progetti, il rischio è più complesso.

Ci sono percorsi non segnalati, potenziali problemi in agguato dietro ogni curva. Le conseguenze di essere sorpresi e impreparati possono essere molto costose. Perciò è fondamentale la gestione del rischio condurre al successo qualsiasi progetto.

Alcune accortezze per gestire il rischio suggerite dal PMI:

1. Avviare una conversazione e continuarla. 
2. Ricordarsi che i Rischi sono anche Opportunità.
3. Crea un budget di rischio realistico nel piano del progetto.
4. Rivalutare il rischio lungo tutto il progetto. 
5. Rivalutare il rischio, apprendere e condividere le valutazioni.

Recentemente, il PMI ci mette in guardia dal rischio dell’Intelligenza Artificiale nella gestione dei progetti, offrendoci un corso gratuito dal titolo: PMI® Essentials: Seven AI Project Patterns. dove affronta il problema in modo sistematico, spiegando prima il contesto in cui ci si può trovare e poi applicando i suggerimenti a scenari realistici.

Ecco i contenuti del corso gratuito:

1. Perché l’IA è importante per il lavoro di progetto.
2. Sfatare i miti sull’IA attraverso sette modelli. 
3. I Sette modelli dell’Intelligenza Artificiale.  
4. Applicazione del ragionamento basato su modelli.
5. Cosa significa la tua scelta del modello per il progetto.
6. Applicare i sette modelli come una nuova prospettiva.
7. Conclusione 

L’Intelligenza Artificiale nella gestione dei progetti

Troppe persone parlano di Intelligenza Artificiale, sottovalutando il potenziale e i rischi che comporta: A volte ingenuamente, altre per far credere che è tutto facile.

L’Intelligenza Artificiale sta diventando parte integrante del project management in quasi tutti i settori, comportando sostanziali cambiamenti nel modo di condurre i progetti.

Se ben utilizzata l’AI consente di ridurre i tempi della presa di decisioni importanti, fermo restando che le decisioni finali restano responsabilità delle persone umane e non dell’AI.

L’AI sta ridefinendo il modo di pianificare, erogare servizi e adattare il proprio lavoro.  I Project Manager si appoggiano agli strumenti di AI per fare chiarezza, migliorare la reattività e rinforzare i risultati. Oggi, con l’AI, si possono gestire iniziative complesse con più vantaggi, in efficienza, produttività, creatività e precisione.

L’AI Generativa e l’AI Agentica ridefiniscono cosa sia il software, chi lo sviluppa, chi lo utilizza e come le aziende sono organizzate e operano.  Cosa sono in realtà:

• L’AI Generativa crea contenuti originali, come testi, immagini, video, audio o codice software, in risposta a prompt o richieste dell’utente, affidandosi a sofisticati modelli detti algoritmi di modelli che simulano i processi di apprendimento del cervello umano. Questi modelli identificano e codificano modelli e relazioni di grandi quantità di dati per interpretare richieste o domande degli utenti, in linguaggio naturale, e rispondere con nuovi contenuti pertinenti.
• L’AI Agentica è in grado di prendere decisioni autonome basate su prestazioni precedenti e su cosa occorre per realizzare quell’attività, con poca supervisione umana. L’AI Agentica fissa obiettivi, pianifica ed esegue attività con poco intervento umano, automatizzando processi complessi e ottimizzando i flussi di lavoro.

Modelli mentali

Le tante possibilità che offre l’Intelligenza Artificiale costituiscono un grande rischio per i Project Manager che cercano di velocizzare il processo decisionale, pur restandone responsabili. Non è necessaria una profonda competenza tecnica per guidare un progetto di AI, mentre occorre avere un quadro di riferimento chiaro per comprendere come l’AI potrà creare valore e non errori grossolani.  Bisogna capire come l’AI genera valore, superando le ambiguità con un processo decisionale solido basato sulle tecnologie in evoluzione:

• Comprendere di cosa ha effettivamente bisogno l’AI – Un modello mentale offre una prospettiva chiara per la gestione del lavoro sull’AI, trasformando la complessità in struttura e guidando le decisioni più importanti. I sistemi di AI dipendono dalla qualità dei dati, dalla loro preparazione e dal monitoraggio continuo. Un modello mentale aiuta a visualizzare chiaramente questi requisiti senza bisogno di conoscenze algoritmiche.
• Creare un linguaggio condiviso all’interno del team – Un modello mentale fornisce a tutti una mappa concettuale comune da cui partire. Ciò riduce il disallineamento tra i collaboratori tecnici e non tecnici.
• Definire l’ambito del lavoro sull’AI in modo più accurato – Un modello mentale aiuta a identificare input, output e vincoli che il lavoro sull’AI comporta. Ciò porta a definizioni di progetto più chiare e aspettative più realistiche.
• Rafforzare la governance e la supervisione – L’AI richiede un utilizzo etico, responsabile e costantemente monitorato. Un modello mentale aiuta i project manager a riconoscere dove è necessario integrare meccanismi di protezione e cicli di valutazione.
• Orientarsi tra strumenti e terminologia in rapida evoluzione – Gli strumenti di AI si evolvono costantemente, ma i concetti fondamentali rimangono stabili. Un modello mentale fornisce un punto di riferimento che consente di adattarsi senza dover reimparare i dettagli tecnici.
• Migliorare il processo decisionale lungo tutto il ciclo di vita – Un modello mentale aiuta a porre le domande giuste al momento giusto. Guida le decisioni relative a dati, valutazione, monitoraggio e valore senza richiedere una profonda conoscenza tecnica.

Una mentalità basata sui modelli sviluppa le seguenti Idee:

1. L’intelligenza Artificiale segue schemi riconoscibili.
2. Gli schemi rendono l’Intelligenza Artificiale meno complessa.
3. Gli schemi rivelano ciò che conta.
4. I modelli rimangono stabili nel tempo.
5. Gli schemi aiutano i team a parlare la stessa lingua.
6. I modelli aiutano a definire l’ambito dei progetti di intelligenza artificiale.

I progetti di AI falliscono quando i team non condividono gli schemi, non per colpa della tecnologia, ma perché le aspettative e la realtà si divergono. I problemi emergono quando c’è discrepanza tra ciò che i team si aspettano da un sistema di AI e lo scopo per cui è stato effettivamente progettato il suo schema di base. Spesso, questa discrepanza non è visibile fino a quando il progetto non è in esecuzione.

Il rischio di non conoscere l’AI

L’AI è fondamentale per soddisfare le aspettative dei progetti in tempi sempre più rapidi. I team che si affidano esclusivamente a strumenti tradizionali devono affrontare colli di bottiglia, soluzioni inadeguate e divari tra esigenze degli stakeholder e capacità del sistema. Una consapevolezza tempestiva previene le difficoltà del progetto.

Scenari negativi possibili:

• Familiarità: il team inizia a migliorare i processi con le richieste di assistenza.
• Colli di bottiglia umani: domande imprevedibili e aspettative crescenti.
• L’AI funziona? Affermazioni vaghe creano confusione sul valore reale dell’AI.
• Sfide principali: aspettative disattese, flussi di lavoro bloccati e soluzioni rischiose.
• Assenza di quadro di riferimento: Porta a risultati disallineati.

I sette modelli di AI definiti dal PMI

Il PMI ha definito sette modelli pratici per comprendere un sistema di AI. I sette modelli di AI aiutano a comprendere cosa fanno effettivamente i sistemi di AI, semplificando il lavoro e permettendo di concentrarsi sulle funzioni principali anziché inseguire ogni nuovo strumento o tendenza. Le idee seguenti riassumono la mentalità alla base del pensiero basato sui modelli, aiutando i team a definire l’ambito e gestire il lavoro in modo efficace.

1) Riconoscimento di modelli

Sistemi che rilevano, identificano, o classificano input non strutturati, come immagini, testo, audio o video, per convertire le informazioni grezze in categorie significative. Utilizzi comuni: rilevamento di immagini, lettura di documenti e della scrittura a mano, conversione da parlato a testo e riconoscimento facciale.

2) Conversazione e modello di interazione umana

Sistemi che consentono alle persone di interagire con la tecnologia utilizzando una comunicazione umana naturale, come testo o voce, permettendo uno scambio flessibile, contestuale e bidirezionale piuttosto che comandi rigidi. Utilizzi comuni: chatbot, assistenti vocali, riassunto automatico di documenti, spiegazione dei contenuti e traduzione linguistica.

3) Analisi predittiva e modelli decisionali

Sistemi che analizzano dati storici e in tempo reale per stimare cosa potrebbe accadere in seguito, individuando risultati, modelli o rischi probabili a supporto del processo decisionale umano. Utilizzi comuni: previsione dei rischi, previsione della domanda, previsione della manutenzione e analisi degli scenari.

4) Modelli e anomalie

Sistemi che apprendono come appare il comportamento tipico e segnalano attività insolite, deviazioni o rischi emergenti che potrebbero richiedere l’intervento o la revisione umana. Utilizzi comuni: avvisi di anomalie, rilevamento di frodi/rischi, monitoraggio operativo e segnali di minaccia.

5) Modello di iperpersonalizzazione

Sistemi che creano e aggiornano profili individuali per fornire raccomandazioni, contenuti o esperienze personalizzate in base alle esigenze in continua evoluzione di ogni persona, su larga scala. Utilizzi comuni: raccomandazioni personalizzate, analisi finanziarie personalizzate, percorsi di apprendimento adattivi e distribuzione di contenuti personalizzati su larga scala.

6) Modello di sistemi orientati agli obiettivi

Sistemi che si ottimizzano verso un obiettivo definito testando le azioni, imparando dai risultati e adattando le strategie nel tempo. Utilizzi comuni: simulazione di scenari, ‘ottimizzazione di percorsi e traffico, strategie automatizzate di offerta e determinazione dei prezzi e ottimizzazione strategica, in cui compromessi e vincoli devono essere bilanciati nel tempo.

7) Modello dei sistemi autonomi

Sistemi che percepiscono l’ambiente circostante, prendono decisioni e agiscono in autonomia entro obiettivi, vincoli e limiti di sicurezza definiti dall’uomo, con la supervisione umana anziché il controllo passo passo. Utilizzi comuni: veicoli e robot autonomi, agenti software autonomi e processi e flussi di lavoro aziendali autonomi.

Cosa occorre a ciascun modello per essere efficace

1) Riconoscimento

• Tipo di dati: Immagini, audio, documenti, altri elementi da .
• Struttura dei dati: Non strutturati.
• Fonte dei dati: Telecamere, immagini, segnali registrati.
• Requisiti di qualità dei dati: Esempi chiari e coerenti; rumore o distorsione minimi.
• Volume dei dati: Grandi insiemi di esempi migliorano l’affidabilità.

2) Conversazione e interazione umana

• Tipo di dati: Linguaggio naturale (testo o parlato).
• Struttura dei dati: Non strutturati.
• Fonte dei dati: Messaggi, domande, richieste degli utenti.
• Requisiti di qualità dei dati: Formulazione chiara, contesto sufficiente per l’interpretazione.
• Volume dei dati: Molti esempi aiutano il sistema a gestire le variazioni.

3) Analisi predittiva e decisioni

• Tipo di dati: Dati storici e attuali.
• Struttura dei dati: Spesso strutturata.
• Fonte dei dati: Registri, registrazioni, misurazioni, dati basati sul tempo.
• Esigenze di qualità dei dati: Dati storici di alta qualità, sufficientemente completi da mostrare modelli; dati contestuali o relativi alle caratteristiche che contribuiscono a influenzare il risultato che si sta cercando di prevedere.
• Volume dei dati: Profondità storica sufficiente per rivelare le tendenze

4) Modelli e anomalie

• Tipo di dati: Flussi di attività nel tempo.
• Struttura dei dati: Strutturata o semi-strutturata.
• Fonte dei dati: Sistemi di monitoraggio, dashboard, sensori, registri delle transazioni.
• Esigenze di qualità dei dati: Timestamp affidabili, formattazione stabile.
• Volume dei dati: Dati continui o ad alto volume migliorano il rilevamento.

5) Iperpersonalizzazione

• Tipo di dati: Informazioni sugli individui e sui loro comportamenti.
• Struttura dei dati: Non strutturati e strutturati.
• Fonte dei dati: Profili, preferenze, interazioni passate.
• Esigenze di qualità dei dati: Dati individuali accurati e aggiornati.
• Volume dei dati: Dati sufficienti per individuo per personalizzare gli output

6) Sistemi orientati agli obiettivi

• Tipo di dati: Informazioni sull’ambiente, azioni disponibili, risultati.
• Struttura dei dati: Non strutturati e strutturati.
• Fonte dei dati: Sistemi interni, registri, vincoli, possibili decisioni.
• Esigenze di qualità dei dati: Definizioni chiare di obiettivi e limiti.
• Volume dei dati: Un maggior numero di esempi di risultati migliora l’ottimizzazione.

7) Sistemi autonomi

• Tipo di dati: Segnali in tempo reale sull’ambiente circostante o sullo stato del sistema.
• Struttura dei dati: Strutturata o semi-strutturata.
• Fonte dei dati: Sensori, telecamere, LiDAR, radar, strumenti di monitoraggio, dati ambientali.
• Esigenze di qualità dei dati: Input accurati e tempestivi.
• Volume dei dati: I dati ad alta frequenza contribuiscono a mantenere la consapevolezza.

Questo è solo un assaggio degli scenari proposti per comprendere le difficoltà che può generare l’utilizzo dell’AI necessaria per l’accelerazione della necessità di creare valore.

Conclusione

Il corso propone scenari specifici da risolvere per dimostrare di aver compreso i sette modelli  proposoti e conseguire anche una mini-certificazione.

L’approccio suggerito e di considerare:

• Problema – Definire il problema da risolvere. Un problema ben definito mantiene l’attenzione su ciò che deve cambiare, non solo sugli strumenti di AI necessari.
• Tipo di AI per risolvere il problema – Quale modello utilizzare? Prima di utilizzarli chiarire quali strumenti di Intelligenza Artificiale è adatto alla situazione. La scelta del modello permette di mantenere l’attenzione sul problema, non sulla tecnologia, e definisce la direzione per tutto ciò che seguirà. Spesso, è necessario utilizzare più modelli per prevedere cosa è probabile che accada in futuro, e per conoscere i cambiamenti già avvenuti.
• Segnali che aiutano a scegliere i modelli di AI –  Cosa è cambiato e cosa potrebbe accadere in seguito, allineato con analisi predittiva e presa di decisioni.
• Utilizzo dei modelli adatti al problema – Comprendere cosa significano i modelli scelti per il progetto. Esplorare le implicazioni: come i modelli scelti influenzano i dati necessari, i ruoli coinvolti e le aspettative che i team dovrebbero stabilire.
• Da che informazioni dipende il modello scelto – Ogni modello di AI dipende da specifici tipi di informazioni per funzionare correttamente. Una volta identificato il modello, la scelta determina i tipi di dati che il sistema richiede, il grado di coerenza e la provenienza dei dati.

---

Iniziative: Servizi  

Come detto sopra, PMTSI abbandona i servizi di formazione per dedicarsi principalmente alla documentazione della produzione dell’olio di oliva in modo artigianale, non industriale.

Produrrò OLIO EXTRAVERGINE di OLIVA per il consumo personale,   e  per pochi amici che vorranno richiedermi la piccola quantità in sovraproduzione.

Contattami se vuoi assaggiare il mio olio, privo di alterazioni.

---

PMI Essentials- Seven-AI-Project-Patterns-Certificate

---