Il processo di raccomandazione di prodotti è stato realizzato sfruttando direttamente le capacità AI messe a disposizione dalla piattaforma Pega, tra cui:
- Decision strategy
- Data flow
- Modelli predittivi
- Modelli adattivi
Il processo prevede la raccolta iniziale di informazioni riguardanti, ad esempio, la professione e l’età del potenziale acquirente. Sulla base dei dati inseriti, viene quindi individuato il prodotto che potrebbe essere di maggiore interesse, scegliendolo tra diverse opzioni:
Casa,
Pet ed
Auto.
Nell’individuazione del prodotto da raccomandare, si tiene conto innanzitutto di regole che possono derivare da obblighi normativi o dalla situazione attuale del potenziale acquirente:
- i prodotti possono essere sottoscritti solo da maggiorenni
- il prodotto Casa non è idoneo se il potenziale cliente ha dichiarato di vivere in affitto
Dopo aver individuato uno o più prodotti adatti sulla base di regole predefinite, si crea quindi un ranking dei rimanenti assegnando loro uno score calcolato tramite l’ausilio di modelli di machine learning (adattivi o predittivi), identificando quello con punteggio più elevato.
L’apprendimento adattivo è risultato flessibile e versatile, dal momento che può essere applicato anche in assenza di un training set iniziale. Un modello adattivo, infatti, apprende dai feedback che riceve continuamente dall’applicazione. Questo vuol dire che, per esempio, a fronte di un feedback negativo da parte di un potenziale cliente verso un certo prodotto, il modello aggiornerà i propri parametri interni in modo tale da migliorare le predizioni future su profili simili. Ovviamente all’inizio le predizioni del modello adattivo non sono molto accurate, ma migliorano man mano che nuovi esempi vengono raccolti e processati.
Pega mette a disposizione dello sviluppatore low-code molti strumenti nella creazione e gestione dei modelli di machine learning, nonché nella loro integrazione nei processi. Lo sviluppatore non deve preoccuparsi dei dettagli dei modelli matematici sottesi all’aggiornamento di un modello adattivo, ma dovrà preoccuparsi invece di raccogliere i feedback e presentarli al servizio Adaptive Decision Manager (ADM) della piattaforma, che si occuperà dunque dell’aggiornamento effettivo del modello.