Negli ultimi due anni sono stati generati più dati rispetto ai 5.000 anni precedenti. E’ da questa premessa che Matteo Andrini, Account Executive di Google Cloud Italia, comincia per presentare allo IAB Forum 2018 le potenzialità del Google Cloud nell’ambito di Data Analytics e Machine Learning.
Sin dalla nascita come data compagny, la mission di Google è stata il connubio tra dati, organizzare l’informazione presente nel mondo, e intelligenza, rendere l’informazione universalmente accessibile e utile. Ad oggi è presente nel mondo digitale con 7 prodotti, ognuno che vanta 1 miliardo di utenti mensili: Google Search, Android, Chrome, Google Maps, Google Play, YouTube e Gmail.
La struttura alla base della capacità di gestire questa massa di dati alla velocità della luce è il Google Cloud: con un investimento di 29 miliardi di dollari negli ultimi tre anni e la prospettiva di essere presenti in 16 regioni entro la fine del 2018 (ogni 3 secondi nascono nuovi server) riesce a fornire oltre 1 miliardo di IP unici giornalmente assicurando un’affidabilità senza precedenti.
I vantaggi del Cloud
Quando non si è in grado di integrare, gestire e utilizzare i big data si perde il potenziale di ciò che i dati possono fare. Secondo un’analisi dell’Harvard Business Review risalente a maggio 2017 meno dell’1% dei dati non strutturati è analizzato o utilizzato in qualche modo e meno del 50% dei dati strutturati è utilizzato nel processo decisionale.
Il processo decisionale è limitato dalla frammentazione dei dati, dall’assenza delle statistiche in tempo reale e dalle difficoltà di predire i risultati di ciò è sconosciuto. Per questo motivo è necessario poter gestire i dati senza interruzione durante le fasi di raccolta, trasformazione, analisi, visualizzazione e azione.
Gli strumenti di analisi (Google Analytics) e di gestione pubblicitaria (AdSense, AdMob, Google Ads) facilitano la fase di raccolta per poi trasferire tutto al Google Cloud. Il Cloud supporta la trasformazione e successivamente l’analisi e rende i dati visibili grazie a strumenti come Data Studio, Tableau o Looker. In fine si arriva all’azione dove ritroviamo piattaforme pubblicitarie, di posta elettronica, social, customer relationship management, content management che provvedono anche alla raccolta di nuovi dati.
Cos’è il Machine Learning?
I programmi normali si basano su algoritmi che ricevono in input una serie di dati e di regole formulato da SME, statistici e altri specialisti e ottengono l’output applicando le regole ai dati. Il machine learning invece analizza sia i dati, sia l’output degli eventi e genera le regole. In questo modo permette di risolvere dei problemi per i quali non siamo in grado di creare in modo esplicito le soluzioni.
Le sue applicazioni stanno già migliorando molti dei prodotti Google:
- Search: generazione del ranking dei risultati di ricerca e riconoscimento vocale
- Android: input tramite tastiera e comandi vocali
- Play: suggerimenti di app e game developer experience
- Gmail: gestione intelligente delle risposte e classificazione dello spam
- Chrome: la ricerca per immagini
- YouTube: video raccomandati e miglioramento delle anteprime
- Assistant: connessione intelligente dei prodotti
- Maps: analisi della ricerca locale
- Translate: traduzione di testi, grafici e audio
- Waymo: possibilità per i non vedenti di guidare veicoli
Le chiavi per un machine learning di successo sono: grossi database, modelli di machine learning di qualità e volumi di calcolo elevati.
I modelli di machine learning su Google Cloud si articolano in 3 opzioni:
- utilizzare i propri dati e costruire i propri modelli con il supporto di Tensor Flow, il più popolare framework di machine learning, e Cloud ML Engine
- utilizzare i propri dati insieme ai modelli di Google utilizzando Cloud AutoML
- utilizzare le API per accedere ai dati e ai modelli di Google (Cloud Vision, Cloud Speech, Dialogflow, Cloud Translation, Cloud Natural Language, Cloud Video Intelligence)
Utilizzo di Machine Learning
IPG Mediabrands utilizza il Cloud per prevedere i risultati delle campagne pubblicitarie. Con Cloud Vision API ha valutato l’efficacia e le caratteristiche di centinaia di pubblicità per poi valutare l’impatto di quelle caratteristiche sul CTR.
iGenius ha utilizzato una combinazione delle API del Google Cloud Machine Learning per creare il primo consulente di marketing basato sull’intelligenza artificiale. Il prototipo funzionante è stato sviluppato in soli 30 giorni riducendo il numero di sviluppatori necessari e il 50% dei costi dei server
MainAd si è affidato al machine learning per le attività di ad retargeting riducendo i costi di marketing e migliorando la precisione del real-time bidding del 75%. Hanno ottimizzato la velocità di elaborazione in modo da massimizzare l’inventory pubblicitaria ed applicare algoritmi complessi in meno di 100 millisecondi.
