AI senza codice (avanzato)

Quota di partecipazione
La quota di partecipazione al corso è di € 1.600,00 + IVA

GIORNO 1

Introduzione e Contestualizzazione

• Introduzione all’AI: differenze tra AI, Machine Learning e Deep Learning
• Tipologie di problemi risolvibili con l’AI: classificazione, regressione, clustering, analisi testuale, computer vision
• Il ciclo di vita di un progetto ML: raccolta dati, pulizia, feature engineering, addestramento, validazione, deployment
  

Panoramica su Strumenti No-Code/Low-Code

• Introduzione panoramica a tool no-code/low-code
• Quali sono i vantaggi/svantaggi di servizi AI già esistenti rispetto allo sviluppo “tradizionale”

Workshop Pratico (Parte 1) – Creazione di un Modello di Base

• Importazione di un dataset di esempio (es. vendite, reclami dei clienti)
• Passi iniziali: caricamento dati, pulizia (es. eliminazione valori mancanti), analisi esplorativa
• Creazione del primo modello di classificazione o regressione con uno strumento no-code/low-code
• Metriche di valutazione di base (es. accuracy, precision/recall, RMSE, ecc.)
  

Discussione e Conclusioni Giornata

• Interpretazione dei risultati e ragionamento sul miglioramento del modello
• Q&A: come selezionare le feature rilevanti, come gestire i dati
  
  

GIORNO 2

Approfondimento Modelli e Miglioramenti

• Feature engineering: cosa è e perché è così importante
• Panoramica sulle reti neurali (Deep Learning) e quando possono essere utili, anche se non si programma
• Gestione di dati testuali e immagini tramite AI
  

Workshop Pratico (Parte 2) – Sperimentazione e Ottimizzazione

• Ripresa del modello costruito il giorno precedente
• Esercizi di tuning del modello (modificare parametri, selezionare feature diverse, confrontare diversi algoritmi)
• Analisi comparativa dei risultati e interpretazione delle metriche più evolute
  

Integrazione e Utilizzo Pratico del Modello

Interpretazione dei risultati a livello di processo:

• Come leggere e tradurre le predizioni in insight fruibili (report, notifiche, KPI)
• Analisi degli impatti operativi: chi deve ricevere l’informazione e come utilizzarla per prendere decisioni

Esempi di integrazione nel workflow:

• Collegare l’output del modello a strumenti di reportistica o CRM
• Creare semplici flussi di lavoro che sfruttano i risultati (es. segnalazione automatica di potenziali lead da contattare)

Workshop Pratico (Parte 3) – Integrazione in un Processo Aziendale

Creazione di un piccolo flusso che utilizzi il modello predittivo in un contesto simulato:

• Esempio: automatizzazione di classificazione di ticket o e-mail

Discussione finale su best practice (sicurezza, governance, audit dei modelli).