Il futuro del cognitive computing passa dallo storage. L'elaborazione automatica dei dati richiede infatti un ripensamento dell'infrastruttura IT e non solo dell'hardware, ma anche dello stesso approccio allo storage.
L’infrastruttura IT al centro della digital bank
Che l’infrastruttura sia una commodity, commenta Marco Utili, Director Systems di IBM, è un mito da sfatare. L’infrastruttura è anzi la spina dorsale della trasformazione digitale delle aziende, la casa dei dati che consentono di arrivare a degli insights di business. Una infrastruttura sempre più ibrida, nel senso di mix di supporti e di cloud privato e pubblico. Una tendenza che attraversa tutto l’hardware, dai server allo storage.
Machine learning e deep learning
Anche perché allo storage sono profondamente connessi due trend da ultima frontiera come machine learning e deep learning. Il primo riguarda la capacità di sistemi programmati di estrarre valore dai dati in autonomia: in pratica, si automatizza il lavoro di analisi dei dati consentendo al data analyst di soffermarsi sull’input e sull’output. Si parla di deep learning, invece, quando l’estrazione dei dai si avvale del calcolo vettoriale per imparare come condurre l’analisi: sistemi che imparano, insomma, per sapere fronteggiare situazioni talmente variabili da oltrepassare le umane capacità di programmazione.
Il machine learning su mainframe
Ai primi di febbraio IBM ha creato una divisione dedicata, Cognitive Systems, proprio per “democratizzare” l’intelligenza artificiale e renderla raggiungibile da qualunque azienda voglia intraprendere questo percorso e non solo a pochi, grandi player (anche grazie alla Open Power Foundation, che ha portato l’approccio open nel mondo hardware). E a metà febbraio il machine learning è stato reso disponibile su mainframe. Sì, proprio su Big Iron, più volte dato per spacciato ma che conferma di avere più vite dei gatti: adesso grazie al cloud privato, col mainframe parla addirittura Watson, la più promettente delle creature recenti di IBM. D’altronde, se l’idea è portare l’intelligenza là dove ci sono i dati, non poteva mancare una strategia per l’inossidabile mainframe, ancora ben presente nel Finance e nella P.A.
Valutazione dinamica dell’importanza del dato
Lo stesso trend del software defined storage si basa proprio sull’idea di memorizzare ciascun dato sulla componente infrastrutturale che meglio gli si addice, valutandone cioè l’importanza. Una valutazione dinamica, che consente di spostare il dato da un supporto all’altro al variare della sua importanza per servire al meglio l’intelligenza artificiale che su quei dati andrà a lavorare. Anche i dati memorizzati su nastro partecipano a questo processo, basterà spostarli su altri supporti quando si renderanno necessari. Anche sul mainframe, ogni dato in ingresso diventerà parte della base dati da analizzare: tra i molti ambiti di possibile applicazione spicca la fraud detection per i pagamenti.
Intelligenza artificiale e banca
Qualche risvolto sul sistema bancario ce l’ha anche il deep learning. Al di là dei dettagli tecnici, l’attuale applicazione più nota del deep learning è l’auto a guida autonoma attualmente in sperimentazione. La ragione è evidente: sarebbe impossibile programmare il sistema con tutti i possibili casi in cui il veicolo può trovarsi nel traffico. Ecco allora che un sistema in grado di apprendere è la risposta migliore: altri possibili usi riguardano la video sorveglianza, con l'analisi delle immagini e il riconoscimento facciale, così come l'interazione uomo-macchina basata sulla voce e sul linguaggio naturale.
