TESI e TIROCINI

Contesto: Nel contesto automotive, il veicolo è sempre più interconnesso con la rete. I sensori IoT a bordo raccolgono importanti volumi di informazioni sull'andatura del mezzo, rilevazioni ambientali, comportamento delle parti meccaniche, e così via. Diventa strategico per la casa madre trarre il maggior beneficio dai dati ricevuti, prevenendo possibili guasti, ottimizzando il disegno delle parti meccaniche, supportando al meglio il conduttore del veicolo.

Obiettivi: Lo scopo del lavoro di tesi è l'utilizzo di strumenti predittivi per l'analisi dei dati ricevuti dal veicolo. Attraverso tecniche di machine learning si vogliono esaminare le time series e rilevare potenziali anomalie in modo da innescare la manutenzione predittiva. Particolare attenzione si vuole prestare al tema small-data, ossia si vuole gestire l'indisponibilità o il basso volume di dati che può verificarsi per diverse ragioni (es. mancanza di connettività, errori di comunicazione,..)

Tecnologie: Python, Java, MySQL, Mongo DB

Contesto: Nelle industry TELCO, Insurance & Banking, sempre maggior importanza riveste il customer care. Il servizio clienti telefonico è senza dubbio il punto di contatto dell’organizzazione con cui si interfaccia il cliente. Naturale quindi è pensare che l’immagine di un’organizzazione è legata al personale con cui si interagisce. Ogni giorno società di medio grandi dimensioni ricevono centinaia di chiamate andandone ad accumulare anche volumi dell’ordine di grandezza di milioni nell’arco dell’anno.

Obiettivi:
L’obiettivo del lavoro di tesi è il disegno e l’implementazione di una soluzione in grado di automatizzare l’analisi delle chiamate e delle chat in ingresso di un contact center. La soluzione dovrà utilizzare strumenti e algoritmi di Machine Learning.
I messaggi delle chat verranno suddivisi tra operatore e clienti, verranno identificate le entità ricorrenti e concetti all’interno della conversazione per facilmente far mergere i topic principali scambiati. Verranno anche analizzate le intenzioni del cliente lungo la chat o la chiamata, cercando di derivare importanti informazioni di training per un possibile assistente virtuale.
Scopo del lavoro di tesi è anche implementare dashboarding che permetta di visualizzare le analisi svolte.

Tecnologie: Python, SpyCy, Word Embeddings, Google BERT, Librerie Machine Learning Open Source, IBM Cloud, Google Cloud

Contesto: Il contesto attuale vede le organizzazioni sempre più impegnate nell’offrire un servizio di qualità ai propri clienti. Uno dei canali molto utilizzati e senza dubbio quello delle mail, dove le persone dell’ufficio del Customer Care si occupano di rispondere direttamente al cliente oppure di inoltrare la richiesta all’ufficio di competenza al fine di evaderla. Questa tesi si pone come obiettivo quello di realizzare un worker digitale che collabora con gli utenti umani nelle attività di supporto al cliente.

Obiettivi: L’obiettivo del lavoro di tesi è quello di realizzare  una soluzione in grado di:

• leggere e classificare le mail e i relativi allegati attraverso algoritmi di machine learning
• replicare/sostituire l’operatività dell’utente umano nella gestione delle email e dei feedback al cliente finale
• interagire con gli utenti umani in un processo strutturato di Customer Care (Human in the loop). Si intende dare la capacità al robot di ricevere istruzioni da un operatore umano (informazioni integrative, correzioni, ...)

Oltre alla definizione degli algoritmi occorrerà implementare la parte di frontend per rendere visibile l’applicativo e dare evidenza dei modelli di ML utilizzati e di come possono nuovamente essere riaddestrati con nuove mail in ingresso.

Tecnologie: RPA, BPM, Automation Anywhere, IBM Cloud Pak for Automation, Kibana, Python

Contesto: Analisi del documento CAI (il modulo di constatazione amichevole di incidente, comunemente noto anche come CID) per estrarre le firme, i dati anagrafici e tutti i dettagli necessari ad avviare il relativo processo di gestione del sinistro.

Obiettivi: L’obiettivo del lavoro di tesi è quello di realizzare una soluzione in grado di effettuare la lettura automatizzata del modulo CAI tramite soluzioni di machine learning, andando ad individuare specifici metadati all’interno del documento, anche utilizzando regole apposite.
Oltre alla definizione degli algoritmi occorrerà implementare il processo di gestione del sinistro, alimentato con i dati estratti dal modulo CAI.
Viene riportato a scopo esemplificatio un esempio del documento: http://www.bolognaoffice.it/servizi/wp-content/uploads/2016/07/modulo-cai.pdf
All’interno del documento occorrerà estrarre più dati possibili come:

• I flag presenti all’interno del modulo CAI «in fermata/in sosta», «cambiava fila», «sorpassava», «girava a destra» etc.
• I flag relativi ai danni materiali «si/no»
• La verifica della presenza di una, nessuna, o entrambe le firme sul documento
• Eventuali informazioni scritte a mano, qualora questo sia tecnicamente possibile

Tecnologie: Python, Machine Learning, TensorFlow, SpyCy, Rasa, UIMA, IBM Cloud, Google Cloud

Contesto: Oggi i principali processi aziendali sono implementati all'interno di applicativi digitali. Spesso però questi processi non sono efficienti e non vi è una visibilità chiara da parte degli utenti su come il processo venga effettivamente svolto e su quali siano i relativi punti critici. Gli strumenti di Process Mining elaborano i dati raccolti dalle applicazioni e, tramite l’ausilio di algoritmi intelligenti, permettono di estrapolare un prototipo di modello di processo che evidenzia i principali colli di bottiglia e spunti di automazione, da utilizzare per instaurare un ciclo virtuoso di miglioramento ed ottimizzazione dei processi stessi.

Obiettivi: L’obiettivo del lavoro di tesi è quello di:

• estrapolare dai sistemi i modelli dei processi che sono eseguiti sui sistemi stessi, comprensivi di frequenza di svolgimento di ciascuna attività analizzata
• analizzare le performance dei processi, misurando la durata media, minima e massima di ciascuna attività e di completamento del processo end-to-end, abilitando in questo modo l'identificazione dei colli di bottiglia e delle attività critiche
• analizzare i costi associati ai processi tramite la definizione del modello di costo basato su durata delle attività e costo delle risorse che svolgono tali attività
• eseguire what-if analysis, creare simulazioni per verificare come cambiano i costi andando a modificare il processo
• identificare le attività candidate all'automazione.

Tecnologie: ARIS Process Mining, IBM Cloud, Blueworks Live, Automation Anywhere

Contesto: Negli ultimi mesi la pandemia legata al Covid-19 ha stravolto completamente le nostre vite e abitudini, costringendoci a rivedere in toto il nostro stile di vita. Sono stati ripensati e modificati i modi con cui fin ora abbiamo svolto le più elementari delle nostre azioni. La nostra quotidianità è disciplinata da nuove regole per cercare di azzerare il rischio di nuovi contagi derivabili da assembramenti e folle disordinate in attesa del proprio turno. Il settore del retail è stato pesanetemente investito dalla crisi, che ha portato la chiusura totale dei centri commerciali. Comprare un abito online si presenta più facile rispetto al passato ma molto può essere ancora fatto per migliorare l’esperienza del cliente.

Obiettivi: L’obiettivo del lavoro di tesi è quello di realizzare una soluzione in grado di implementare il camerino virtuale (Virtual try it on). Si vuole dare all’utente la possibilità di vedere come potrebbe stare un determinato vestito indossato. Partendo da video dove il vestiti sono indossati da uno o più modelli con diverse caratteristiche fisiche riassumibili sotto il teorema di Sheldon (ectomorfo, mesomorfo,..) si vuole sostituire il volto del modello con il volto del cliente potenziale che vuole indossare l’abito. Lo scopo della tesi non è però utilizzare una soluzione di realtà virtuale, o realtà aumentata.

• Lo scopo della tesi è, attraverso tecniche di computer vision, scrivere/addestrare le reti neurali finalizzate a realizzare un video Deepfake dove è presente l’immagine del cliente applicata sul volto del modello/a nel video originale. Il risultato atteso ed obiettivo della tesi è un video di qualità che ragionevolmente possa essere scambiato per reale.

Le tecniche di Deepfake ad oggi sono utilizzate anche sui social attraverso la realizzazione di video su famose celebrità (es. Deepfake su Tom Cruise).

Tecnologie: Python, TensorFlow, PyTorch, Hardware GPU

Contesto: Il quantum computing sta diventando una realtà sempre più concreta ed a portata di tutti, uscendo dai laboratoratori ed entrando nel mondo del business ci da l’opportunità di esplorare l’effettiva efficacia dei quantum computing ed i contesti dove la differenza con i computer classici diventa più evidente.

Obiettivi: L’obiettivo della tesi è quello di identificare, studiare e prototipare le principali applicazioni del quantum computing. A partire dai quattro ambiti di applicazione AI, Finance (Simulation), Optimization e Nature (Chemistry) si andranno ad identificare i best use case per ogni ambito e si andrà a misurare lo speed up in termini di tempi e prestazioni apportato dal quantum computing. Occorrerà delineare gli algoritmi che possano essere applicati al quantum computing, codificarli ed eseguirli su quantum computer reali sfruttando i server, i development environment e le risorse messe a disposizione da IBM. L’esecuzione su quantum computer ha l’obiettivo di comparare i risultati ed i tempi di esecuzione tra quantum computer e computer classici, valutare il corretto bilanciamento tra "profondità" dei circuiti di calcolo quantistici e gestione delle condizioni di errore, in relazione alle capacità di calcolo degli attuali quantum computer. Lo studio porterà di fatto ad una sintesi sullo stato dell'arte del quantum computer e le sue potenzialità.

Modalità operative: Contenuti e organizzazione saranno concordati con il docente. Blue Reply si offre di guidare e supportare il tesista nella attività quotidiane (al momento in modalità smartworking) e nell’accesso ed utilizzo del QC IBM.

Tecnologie: Python, IBM Quantum, Qiskit, TensorFlow, PyTorch, Keras.

Contesto: Le tecnologie Big Data offrono soluzioni innovative in grado di generare conoscenza (insight) attraverso l’analisi di quantità sempre più crescente di dati e di varia natura, sia in tempo reale sia tramite l’analisi dello storico di avvenimenti. Per generare conoscenza in maniera efficace occorre avere sempre a disposizione dati puliti ed affidabili, questo è il compito principale della componente di Data Ingestion.

Obiettivi: Obiettivo della tesi è la progettazione di una componente di Data Ingestion generica utilizzando tecnologie Big Data implementabile sia su piattaforme On Premise che Cloud. Questa componente supporterà:

• Ingestion di tipo Batch e Streaming;
• sorgenti dati eterogenee come db relazionali, db noSQL, sensori IoT, file, eventi di log, etc...
• elaborazione del dato tramite motore di regole.

Tecnologie: Cloudera, hadoop, kafka, hive, java, scala, python, json, linux, Presto, Sqoop, hdfs, NiFi

Contesto: Negli ultimi anni le architetture a microservizi si sono ampiamente affermate, tanto da essere adottate da alcuni giganti del mondo tecnologico (Netflix, Amazon, Apple etc.). Il vantaggio principale di questo tipo di architetture è quello di razionalizzare la complessità dei sistemi, organizzandoli in servizi specializzati per ambito e disaccoppiati tra loro. Ciò si traduce in una maggiore resilienza e flessibilità dell’intero sistema rispetto alle classiche architetture monolitiche. In fase di progettazione occorre affrontare alcune sfide quali la definizione della numerosità e del dimensionamento dei servizi, nonché della loro orchestrazione.

Obiettivi: I due obiettivi principali del tuo lavoro saranno:

• Esplorare le tecniche di progettazione delle architetture a microservizi (best practises, tecnologie open source più utilizzate);
• Progettare e sviluppare un’applicazione basata su un’architettura a microservizi da utilizzare come proof-of-technology utilizzando Docker e Spring Boot.

Nel tuo percorso sarai supportato da un team giovane che ha esperienza nell’ambito dei microservizi applicati all’Insurtech.

Tecnologie: Java, Spring Boot, Docker, Tomcat, Wildfly, servizi RESTful.

Contesto: Il cosiddetto time-to-market, ovvero il tempo che intercorre tra l’ideazione di un nuovo prodotto o servizio, la sua realizzazione e distribuzione sul mercato è un fattore di importanza vitale per le imprese. E’ inoltre strategico e ormai imprescindibile essere in grado di pensare e realizzare in tempi rapidi i sistemi IT in grado di veicolare e supportare queste innovazioni. La sfida è ancor più ardua per le grosse compagnie, che spesso gestiscono processi di business complicati ed hanno sistemi IT molto complessi e che, soprattutto se non hanno assimilato metodologie di lavoro di tipo agile, rischiano di essere drammaticamente frenate nella loro spinta all’innovazione.

Obiettivi: Le piattaforme low-code si pongono come risposta a questo problema, poiché offrono una visione semplificata dei sistemi e rappresentano un fattore chiave per gestire in maniera dinamica, veloce ed efficace nuovi requisiti di business. Per questo motivo tali piattforme suscitano sempre maggior interesse e aprono nuove prospettive di innovazione in molti ambiti, in primis quello dei servizi finanziari (banche ed assicurazioni). Lo scopo di questa tesi è quello di analizzare lo stato dell’arte delle piattaforme low-code disponibili sul mercato e di sviluppare un progetto utilizzando la piattaforma PEGA (www.pega.com). Il candidato avrà l’opportunità di lavorare su alcuni casi reali provenienti dal mondo assicurativo e di acquisire esperienza con le piattaforme low-code, oltre che con i servizi RESTful, con il linguaggio di programmazione Java applicato in un contesto di tipo enterprise, con gli application server Tomcat e Wildfly.

Tecnologie: Java, Spring, PEGA, servizi RESTful, Tomcat, Wildfly.