Il Federated Learning nel Retail

Nell’ambito dell’Intelligenza Artificiale e più precisamente del Machine Learning (il meccanismo attraverso il quale le macchine imparano dai dati), il Federated Learning (Apprendimento Federato) è un meccanismo collaborativo di apprendimento da parte dei nodi di un’architettura distribuita. Termine che sta ad indicare sistemi periferici, come ad esempio i punti cassa di un negozio, dotati di capacità di elaborazione autonoma.

Uno dei primi e più noti studi è del 2017 https://ai.googleblog.com/2017/04/federated-learning-collaborative.html Si tratta quindi di una tendenza piuttosto recente e diversa da quella più consolidata, detta Edge Computing, dove anche i modelli di predizione (basati su algoritmi o reti neurali) risiedono in periferia per reagire più velocemente agli stimoli locali e scambiare meno dati con il Cloud, che però rimane l’unica sede di creazione e aggiornamento dei modelli.

Il Federated Learning (FL) consiste nel creare modelli in periferia e condividerli senza necessariamente scambiare anche i dati, con vantaggi su privacy e traffico in rete. Nella ricerca medica, ad esempio, questo metodo consente a ospedali e cliniche di migliorare i propri modelli di Intelligenza Artificiale (IA) mettendoli a confronto con altri senza la condivisione dei dati dei pazienti che, anche se anonimizzati, è preferibile non lascino il luogo dove sono stati generati e/o custoditi.

Il Federated Learning (FL) consiste nel creare modelli in periferia e condividerli senza necessariamente scambiare anche i dati, con vantaggi su privacy e traffico in rete. Nella ricerca medica, ad esempio, questo metodo consente a ospedali e cliniche di migliorare i propri modelli di Intelligenza Artificiale (IA) mettendoli a confronto con altri senza la condivisione dei dati dei pazienti che, anche se anonimizzati, è preferibile non lascino il luogo dove sono stati generati e/o custoditi.

Vantaggi nel Retail

Nel Retail i vantaggi di privacy e riduzione di traffico in rete sono applicabili ai sistemi di monitoraggio della clientela attraverso videocamere, WiFi, Bluetooth… Sistemi di IA all’interno di ogni punto di vendita sono più veloci, rispetto a quelli centralizzati, nel segnalare comportamenti pericolosi per gli altri clienti o per il patrimonio e possono anche individuare l’assistente più vicino e avvertirlo ai primi sospetti e non a fatto compiuto. Nell’interpretazione delle immagini, l’Edge Computing è già ora applicato non solo a livello di negozio, ma addirittura a livello di singola videocamera che esegue localmente, in tutto o in parte, i modelli di IA.

Evolvendo ulteriormente in ambito di FL, i nuovi casi possono essere evidenziati dal personale locale e i pochi minuti di video sono utilizzati automaticamente per aggiornare il modello, senza spostare ogni giorno montagne di dati per lo più inutili, intasando Internet che, ricordiamo, è una risorsa finita e non gratuita. Un vantaggio non meno importante è il fatto che la privacy diventa veramente “by design”.

La personalizzazione dell’esperienza d’acquisto

L’IA consente di trattare ogni cliente nel modo più gradito ed efficace proponendo, ad esempio, solo le promozioni che probabilmente lo interessano, oppure di decidere prezzi e rifornimenti ottimali. Un ulteriore e significativo vantaggio del Federated Learning per il Retail è quello di creare modelli differenziati, basati sulle peculiarità locali di format, area geografica, concorrenza e addirittura clima, che utilizzano la conoscenza raccolta localmente, ma attingono anche a quella degli altri negozi.

I dati di ogni Punto di Vendita sono quelli che contengono la maggior dose di “verità” ma, purtroppo, anche la minore affidabilità dovuta alla percentuale non del tutto trascurabile di dati anomali (rumore). Viceversa i modelli elaborati attraverso i dati dell’intera catena hanno minore specificità, ma sono più affidabili perché, sui grandi numeri, le anomalie tendono a compensarsi tra loro.

I primi e deboli segnali di nuove tendenze di mercato appaiono isolati o a macchia di leopardo. Il FL consente di far arrivare a tutti i negozi questi segnali che nel tempo ognuno amplificherà o attenuerà sulla base dei propri dati effettivi.

Il FL amplifica i pregi e riduce i difetti dei dati raccolti da realtà diverse e diffuse nel territorio. Al confronto dei colossi dell’eCommerce che possiedono Big Data, i negozi fisici possiedono Small Data ma molto più specifici, contestuali e potenzialmente più efficaci per la presenza fisica dei prodotti e la possibilità di soddisfazione immediata per il cliente.

Conclusione

Il Federated Learning può essere visto come un processo collaborativo di ricerca del modello ottimale di IA per ogni singolo negozio, o addirittura di ogni singolo dispositivo.

Per fare un altro esempio sulla Computer Vision, le telecamere del reparto ortofrutta potrebbero avere a bordo modelli leggermente diversi da quelle dei reparti dei prodotti in scatola. La misurazione del grado di affollamento potrebbe essere comune, ma il riconoscimento di prodotti rovinati o mancanti, come pure del tentativo di furto, potrebbe essere utilmente differenziato. I responsabili del settore ortofrutta sono i più adatti a fornire segnali per il miglioramento del modello nel proprio settore e analogamente per gli altri settori.

Come si vede anche da questi esempi, la marcia dell’IA nel traghettare la nostra società verso la Quarta Rivoluzione è inarrestabile. Aspettare troppo per infondere questa nuova forma di energia cognitiva nella propria attività Retail si può rivelare fatale.