L’uso di tecnologie sempre più performanti ha reso possibile, a partire dalla seconda metà del secolo scorso, il progressivo sviluppo del grappolo di discipline interessate all’analisi del linguaggio e ne ha fatte nascere di nuove (semantica computazionale). In questa prospettiva, l’affermarsi delle tecniche di machine learning può apparire meno “rivoluzionario” di quanto non avvenga per altre applicazioni trattate nel libro Fare marketing con l’AI. In questo articolo, tratto dal Capitolo 8 del testo, vediamo come l’impiego dell’intelligenza artificiale risulti del tutto trasversale alle attività di social media listening, in quanto parte di un ambito di studi e di avanzamento tecnologico che afferisce all’area più ampia dell’analisi automatica dei testi nelle sue varie declinazioni (text mining, analytics, Natural Language Processing ecc.).

Di fatto, le funzioni di machine learning e di NLP applicate all’analisi dei testi consentono di utilizzare algoritmi (di classificazione, clustering ecc.) con cui ottenere risultati sempre più performanti e attendibili, facilitando in alcuni casi enormemente il lavoro necessario alla loro generazione.

Le funzioni analitiche e “interpretative” incluse nelle piattaforme commerciali di social media listening sono, nella stragrande maggioranza dei casi, più che sufficienti a soddisfare le esigenze di qualsiasi tipo di azienda indipendentemente dalla industry in cui opera e dalle dimensioni.  I sistemi di tariffazione sono, per altro, quasi sempre calcolati a partire dal numero di documenti/mese estratti, il che consente anche alle strutture più piccole di accedere al servizio con costi di abbonamento mensile del tutto accessibili.

Estremamente rara, in questo ambito, la possibilità che una PMI abbia bisogno di un sistema di analisi delle conversazioni in Rete costruito da zero o comunque particolarmente complesso da richiedere una programmazione personalizzata. Cosa comunque possibile (in house, nel caso si disponga delle competenze interne, o affidandosi a soggetti esterni), utilizzando i diversi mattoncini resi disponibili dai player di settore sotto forma di applicativi ad hoc.

 

Mattoncini lego IBM Watson tabella

 

Esempio mattoncini lego Ibm Watson per la realizzazione di attività di social media listening e ambienti per cui è disponibile la relativa applicazione (SDK). Cfr. Watson Natural Language Understanding

 

L'addestramento personalizzato della macchina

 

Per entrare brevemente nel merito di due integrazioni di funzionalità interessanti che alcuni operatori del settore stanno rendendo disponibili agli utilizzatori finali grazie all’inserimento di funzioni di machine learning nelle piattaforme, facciamo riferimento al riconoscimento delle immagini e alle funzioni di addestramento personalizzato della macchina.

Partendo da questo secondo caso, le cose da dire sono relativamente poche: alcune piattaforme consentono di realizzare attività di ascolto personalizzate che prevedono varie opportunità di addestramento della macchina per renderla in grado, per esempio, di riconoscere e mappare i temi specifici di interesse per il ricercatore.

Per farlo, bisogna naturalmente fornire al sistema un database iniziale di testi simili a quelli su cui si desidera che la macchina vada poi a operare. La piattaforma ci consentirà di aggiungere a essi le note necessarie a categorizzarli (per temi, intenti ecc.). Una volta che il sistema si è addestrato sulla base degli esempi che le sono stati forniti, possiamo dargli in pasto i documenti sui quali desideriamo che svolga l’analisi e, attraverso correzioni successive delle performance di classificazione, potremo ottenere risultati sempre più corretti e attendibili.

 

Analisi delle immagini AI-based

 

Riguardo invece l’integrazione dell’analisi delle immagini nelle piattaforme di ascolto, la funzione rappresenta un arricchimento significativo delle potenzialità di tali strumenti in un contesto in cui la comunicazione aziendale e i contenuti generati dagli utenti sono sempre più costituiti da immagini e video (si pensi a Instagram, Pinterest, TikTok ecc.).

Una tendenza, come prevedono tutti gli osservatori, destinata a rafforzarsi ulteriormente nei prossimi mesi e anni. Ancora una volta, le piattaforme di ascolto in grado di processare anche le immagini sono soluzioni realizzate integrando insieme mattoncini diversi di Intelligenza Aumentata[1], in questo caso moduli di AI classica, con algoritmi di machine learning dedicati al Natural Language Processing e all’Image Recognition. Il risultato di tale integrazione permette alle piattaforme di svolgere analisi più complesse e complete rispetto a quelle tradizionali, consentendo tra l’altro di:

 

  • rilevare gli elementi testuali presenti all’interno delle immagini, come per esempio nomi di brand o altri contenuti a esso associati. In questo modo, le analisi di brand reputation e le relative metriche (come lo share of voice, dato dal numero di documenti relativi al brand pubblicati in Rete in un certo periodo rapportato al volume complessivo di documenti prodotti sul tema di cui esso fa parte) possono includere anche le immagini dei packaging dei prodotti e, più in generale, la dimensione iconica dei brand;
  • svolgere analisi complesse dei significati contenuti nei documenti, basandosi sull’interpretazione integrata delle immagini e dei relativi testi;
  • categorizzare e taggare automaticamente le immagini;
  • addestrare la piattaforma al riconoscimento personalizzato delle immagini in modo da metterla in grado poi di analizzare il corpus di interesse in base alle specifiche esigenze dell’azienda.

 

Un esempio di analisi avanzata di ascolto che integra contenuti testuali e visuali viene da Talkwalker, che è stato usato per studiare le abitudini e le pratiche di consumo della pizza a livello europeo. La ricerca si è basata sui post Instagram prodotti da cittadini dei diversi Paesi dell’Unione Europea. Istruita all’analisi approfondita del prodotto e dei suoi relativi possibili ingredienti, la piattaforma è stata in grado di raccogliere informazioni dettagliate relativamente ai i tipi di pizza e agli ingredienti più graditi nei diversi Paesi, alle bibite con cui il prodotto veniva accompagnato, ai contesti di consumo ecc.

Tutte informazioni fondamentali per un soggetto interessato ad aprire una catena di pizzerie a livello continentale, ottenibili senza dover svolgere una ricerca di mercato ad hoc in ciascuna nazione. Per quanto tale indagine sia stata svolta a livello “sperimentale”, quelle descritte sono possibilità di analisi che le funzioni in costante aggiornamento delle piattaforme renderanno di routine a breve. Un motivo in più per iniziare a utilizzare da subito tali soluzioni per raccogliere le informazioni necessarie a progettare, orientare e far crescere il proprio business operando, come ormai è indispensabile fare per non perdere competitività, sulla base di logiche data-driven.

 

[1] Da noi ribattezzata così perché, per varie ragioni spiegate nel libro, l’aggettivo artificiale non ci convince.

 

 

Biografia

Professore Associato all’Università IULM di Milano, Founder e CEO del Laboratorio di Intelligenza Artificiale “IULM AI Lab”.

Scopri di più


BIBLIOGRAFIA

   

  

Condividi: