Questo mese abbiamo fatto colazione con…
con Massimo Natale, Lead Data Scientist di Generali

Come impostare una strategia data-driven e attività di Data Science, quali le priorità da seguire e come impostare il tema della “trasparenza” degli algoritmi di AI. Ne abbiamo parlato in questa intervista con Massimo Natale, Lead Data Scientist, Generali, che di questi aspetti ha parlato in occasione dello scorso “AI & DATA SUMMIT 2019” del 3 ottobre 2019.

Come operate sugli aspetti di Data Science in Generali?

Da circa due anni abbiamo creato un team di Advanced Analytics in Generali Italia e registriamo una grande attenzione dal Top Management sulle nostre attività. I nostri progetti partono generalmente con un input top-down in coerenza con le attività previste dal piano industriale “Partner di Vita” 2019-2021.

Nel team di Advanced Analytics abbiamo creato una metodologia che abbiamo chiamato STARTED, che prevede circa 4 mesi di attività lavorativa per ogni progetto, in cui ogni fase di progetto dura circa 3 settimane. Prima di iniziare un progetto viene costruito il business case e valutiamo se la soluzione ha impatto economico significativo, quindi avviamo la progettazione coinvolgendo il business owner, l’IT e altre divisioni aziendali impattate dal progetto.

Oggi tutte le persone che lavorano con noi si informano, studiano e seguono corsi di formazione specifici per tenere il passo con il cambiamento che sta portando l’AI e la Data science. Le assicurazioni sono da sempre aziende che basano il loro core business sull’analisi dei dati, a tutti i livelli è ormai riconosciuto il valore e le capacità competitive che può portare la Data science.

Quali sono le priorità seguite nel portare questi modelli analitici in azienda?

Nel nostro caso è molto importante il time-to-market e la misura dell’impatto potenziale sul business. Una volta ottenuto il via operativo con l’approvazione del business case iniziamo il training e l’affinamento del modello.

Ci occupiamo anche, in molti casi del rilascio del modello in produzione.

Questo è uno dei maggiori punti di forza del nostro team: garantisce l’end-to-end ovvero portare i progetti dallo studio in produzione in tempi rapidi e con obiettivi di business ben definiti.

Parlando di algoritmi di AI, fino a che punto è possibile, o doveroso, essere trasparenti sui meccanismi sottostanti?

Il contesto assicurativo è un ambito molto regolamentato. In aree come pricing e antifrode sono necessari algoritmi che abbiano passaggi logici trasparenti, chiari e descrittivi. Dai risultati dei modelli dipendono azioni che possono aver impatti più o meno importarti sui nostri clienti. Quindi è giusto essere in grado di argomentare quali sono i passaggi logici che portano a produrre un risultato piuttosto che un altro. Per questo motivo il nostro team utilizza molti dei modelli di Machine Learning che sono considerati “white box”, ovvero permettono di dare una spiegazione di quali variabili hanno portato ad una determinata inferenza. Un esempio, sono le librerie di Shape Value che permettono di dare un chiara spiegazione dei risultati forniti dagli algoritmi di XGBoost.