Anche quest’anno il Master CESMA, Master di II livello in Customer Experience, Statistics, Machine learning & Artificial Intelligence, offre un ricchissimo ciclo di testimonianze aziendali aperto a tutti gli studenti interessati, con l’obiettivo di mostrare le migliori practices e solutions di Intelligenza Artificiale per le previsioni e decisioni in ambito aziendale. 

Le aziende PARTNER del Master Cesma (SAS, NTT Data, Lutech, IConsulting, Sopra Steria e SCAI group) contribuiscono con questo ciclo di incontri ad allineare la preparazione dei nostri studenti alle richieste del mondo del lavoro.

SCARICA IL CALENDARIO COMPLETO

Il 13 giugno dalle 11:00 alle 13:00 ospiteremo TIM con un intervento che trattera' i seguenti due argomenti:

• CRAB: Churn Reduction Agent Based via Reinforcement Learning: L'applicazione dell'offline reinforcement learning (RL) per costruire sistemi di raccomandazione per migliorare l'ingaggio dell'utente è un tema sfidante. Negli scenari reali, non è facile ottenere un feedback immediato sulle azioni e le osservazioni con ritardo possono significativamente degradare le performance degli algoritmi. Abbiamo applicato l'offline RL nel nostro framework end-to-end chiamato Churn Reduction Agent Based (CRAB). CRAB è sistema di raccomandazione basato sul reinforcement learning, costruito in modo da incorporare efficientemente i feedback con ritardo. Abbiamo costruito un modello conservativo Q-learnng per raccomandare offerte agli utenti, che mira a contrastare l'evento di churn degli utenti. Per fare questo, abbiamo incorporato il "churn-delayed feedback" nella definizione della funzione reward del modello RL. In questo modo, l'agente decide quali offerte raccomandare non soltanto basandosi sulla sua probabilità d'accettazione (immediate reward) ma anche considerando l'effetto a lungo termine ("long-term reward"), che si riflette nel termine di penalizzazione del churn. Inoltre, abbiamo dimostrato che il modello implementato e rilasciato outperforma la policy aziendale nei test offline. Abbiamo condotto numerosi esperimenti per provare le superiori performance del framework comparato alle metodologie attuale e le sue rispettive varianti.

•• Graph Learning Framework for Extreme Cold Start at TIM: i sistemi di raccomandazione basati su Graph Neural Network (GNN) sono diventate stato dell'arte nelle raccomandazioni, ma soffrono in stato di extreme cold-start, dove la maggior parte degli utenti o degli items non ha dati d'interazione. Questo lavoro propone un framework per contrastare questa situazione in quattro step: (i) un modello di propensione per predire il comportamento d'acquisto degli item, con associata explainability per identificare le features più rilevanti, (ii) un modulo di link augmentation per connettere gli utenti sulla base delle similarità user-item precedentemente ottenute, (iii) uno step di link prediction basato su GNN sul grafo denso ottenuto e (iv) uno stage di re-ranking per aumentare la diversità nelle predizioni sfruttanto gli embeddings degli utenti. Abbiamo validato l'efficacia del framework sui dati reali industriali.

Interviene: Alessandro Sbandi, Data Scientist

E' gradita la prenotazione.

Vi aspettiamo!