Per la nostra rubrica sulle startup italiane di intelligenza artificiale oggi abbiamo parlato con Fabrizio Fantini, CEO di Evo. Fabrizio anni fa lasciò McKinsey per fondare la sua azienda di intelligenza artificiale, che oggi segue da Londra dove abita.
Esperto nelle soluzioni di pricing e supply chain, con una profonda conoscenza dei meccanismi che permettono di far dialogare AI e esseri umani, anni fa Fabrizio trovò un modo per risolvere rilevanti problemi aziendali con tecnologie di intelligenza artificiale. Questo lo convinse a lasciare il posto di lavoro presso un’azienda blasonata per creare la sua impresa. L’esperienza accumulata in sette anni gli consente oggi di poter dare consigli agli imprenditori che pianificano di mettere in piedi la loro startup, e agli studenti che intendono specializzarsi in intelligenza artificiale.
Domanda: Di cosa vi occupate?
Evo è un’azienda che produce software aziendale che aiuta a ottimizzare le decisioni di prezzo e gestione della supply chain analizzando i dati di mercato. Così, ogni volta che c’è un problema o una sfida con le previsioni di mercato, Evo è una soluzione innovativa.
Piuttosto che cercare di prevedere il futuro, i nostri strumenti rispondono in tempo reale agli sviluppi del mercato, dei clienti, prezzi, condizioni meteorologiche, social media e condizioni politiche.
Come lo facciamo? Raccogliamo un’enorme quantità di dati ogni giorno da Internet, dai nostri clienti, così come da database proprietari. Utilizziamo queste informazioni per valutare non la soluzione più probabile ma la più redditizia ai problemi relativi ai prezzi e alla supply chain.
D: Quali tecnologie AI utilizzate? E in che modo?
Noi usiamo una serie di diversi set di tecniche perché essenzialmente i tipi di problemi che risolviamo sono intrinsecamente complicati e abbiamo anche una grande quantità di dati, quindi utilizziamo un approccio chiamato “metamodeling” che, essenzialmente, seleziona automaticamente le migliori tecniche per analizzare i dati, che vanno dalle tecniche tradizionali come l’analisi tempo-stagione e regressione fino a tecniche più innovative come il deep learning e le reti neurali.
Inoltre, utilizziamo anche l’ottimizzazione matematica per costruire modelli prescrittivi che possono aiutare i clienti a prendere decisioni.
Quindi, direi, usiamo l’AI nel senso più ampio. Anche se generalmente siamo in grado di utilizzare le tecniche più avanzate, utilizziamo anche un secondo livello di tecnologia per garantire che ogni particolare problema dei nostri clienti aziendali sia trattato con il modello più efficace.
D: Ci racconta come è nata l’idea dell’azienda?
L’azienda è nata grazie al mio Dottorato di ricerca. Dopo aver fatto carriera nel management e nella consulenza in McKinsey, ho trovato un problema davvero interessante. C’era un’azienda in difficoltà che aveva 60 persone e un software aziendale molto costoso per ottimizzare i suoi prezzi, e siamo stati in grado, come consulenti, di ottenere un miglioramento del margine di 400 milioni di euro. Mi sono reso conto che implicitamente significava che il software e la tecnologia sottostante dovevano essere estremamente inefficienti. Un così piccolo gruppo di persone diligenti e sicuramente ambiziose, ma molto giovani e inesperte, ha avuto un impatto così grande. Mi sono reso conto che il divario tra la capacità tecnologica e l’adozione effettiva era molto grande, e così l’idea è nata ricercando il problema nel mondo reale.
Poi, mentre vivevo a Boston per il mio MBA, stavo anche facendo ricerche con il MIT su come l’idea originale del dottorato fosse stata tradotta in un software di revenue management e ho trovato una lacuna significativa. Questo aneddoto è nato perché poi il mio supervisore del dottorato è diventato il mio socio in affari e mio padre ha sviluppato il mio dottorato in un primo, fattibile prodotto iniziale e tutto questo ha contribuito a creare Evo Pricing nel 2014.
D: Quali sono state le difficoltà iniziali?
Abbiamo affrontato ogni possibile sfida, prima lo shock per me di lasciare McKinsey & Company, che ha un marchio forte e un enorme appeal per le assunzioni, per un’azienda che non aveva nessuno di quei poteri adatti ad attirare l’attenzione di clienti e prospects.
Abbiamo iniziato letteralmente da zero senza finanziamenti, ma con una tecnologia forte e ciò che ancora penso sia centrale, una base scientifica molto solida e buone idee. In sostanza, abbiamo iniziato molto in piccolo, quindi il problema era come farci conoscere al mondo, come spiegare la nostra proposizione, che è complicata per alcune persone anche se può essere tremendamente redditizia.
Quindi come l’abbiamo superato? Direi che sono partito dall’idea che in un paio d’anni avremmo sviluppato il software e conquistato il mercato e sette anni dopo ci stiamo ancora lavorando. Quindi pazienza, diligenza e lavoro di squadra sono stati i nostri tre ingredienti segreti.
D: Quali consigli si sente di dare a un imprenditore o un’imprenditrice che vogliono far partire la loro startup in ambito AI?
Questa è una domanda del tipo ”Vorrei averlo saputo prima”: quindi se qualcuno la riportasse indietro a sette anni fa a cose che vorrei sapere, in primo luogo, il fatto che la tecnologia sia difficile non significa che la spiegazione debba essere difficile, quindi certamente, concentrati sul problema e non sulla soluzione. Significato: quale problema stai cercando di risolvere e come spieghi la tua soluzione che lo risolve? Mi piace sempre pensare che l’AI, in particolare i sistemi prescrittivi, siano molto simili a un sistema di navigazione satellitare per auto. Certamente, Google Maps non va in giro a parlare del suo algoritmo di percorso più breve, mentre molti imprenditori nel campo dell’intelligenza artificiale, me compreso, commettono abitualmente l’errore di innamorarsi delle tecniche e della tecnologia e parlare di come il proprio algoritmo è diverso da quello degli altri. Il problema è che al 99% dei clienti non interessa e non lo capiscono.
Quindi, certamente, inizia dal problema, concentrati e specializzati su un problema particolare. Anche se la tecnologia è affascinante e puoi usarla per tante cose diverse, è molto importante concentrarsi e specializzarsi.
E l’altro consiglio: ho iniziato in piccolo e ho sicuramente beneficiato di non avere troppa pressione o fretta per far crescere l’azienda, ma avere un piano chiaro e un potenziale finanziamento anticipato ci avrebbe sicuramente aiutato a muoverci più velocemente!
D: Molti giovani oggi sono interessati a una carriera nell’AI. Quale percorso di studi raccomanderebbe loro?
Io vivo a Londra, ma in realtà ho avviato questa azienda a Torino, in Italia, perché l’università locale stava iniziando un corso in “Stochastics and data science” in inglese. È stato pionieristico avviare progetti di collaborazione congiunta con le università, e ho pensato che fosse un’affascinante innovazione per l’Italia e per il mondo accademico più in generale; tuttavia, una cosa che ho capito è che l’intelligenza artificiale è davvero una raccolta di molti profili professionali diversi. Dai data engineers ai data scientists ai software architects e poi, naturalmente, a tutti gli analisti di dati e i gestori dei clienti.
Quindi, la prima domanda non dovrebbe essere cosa dovresti studiare, ma quale carriera ti piacerebbe fare. È qualcosa più legato all’infrastruttura o qualcosa più legato al software e alla scrittura di codici oppure qualcosa legato ai clienti e alle applicazioni? Perché questi tre diversi domini attraggono e implicano diversi set di abilità e percorsi di formazione.
Per ognuno di questi c’è un piano di formazione ideale, ma direi che è più un’arte che una scienza, nonostante la tecnologia sembri suggerire il contrario. Quindi sporcarsi le mani il più possibile o il prima possibile sarebbe la cosa migliore per mettere alla prova le tue abilità. È molto facile, in realtà, trovare opportunità per provare ad imparare. Questo è quello che consiglierei, anche prima di pensare a quali studi fare, quale campo o a quale particolare competenza sei interessato, è come sceglierai di sporcarti le mani.
D: Dove immaginate l’azienda fra cinque anni?
Beh, ovviamente, quotata al NASDAQ con un’IPO. A parte gli scherzi, penso che il nostro obiettivo sia portare i benefici della scienza e dei dati alle aziende e ai manager. Riteniamo di svolgere un ruolo sempre più importante nel cogliere i benefici economici e consentire a sempre più persone e aziende di beneficiare di una tecnologia simile che fondamentalmente rimane incompresa, sovrastimata e ipervenduta. Se dovessi dire dove vorrei essere tra cinque anni, vorrei essere in grado di aiutare sempre più persone a trarre vantaggio dalla tecnologia e dai dati.
D: Quali sono alcune idee sbagliate che le persone hanno comunemente sull’AI? Come le affrontereste o cambiereste?
Ci sono un sacco di idee sbagliate nella tecnologia così come in altri campi. È molto facilmente esaltata e molto facilmente demonizzata o smentita, ma la verità è in costante cambiamento, come si suole dire. Le persone all’inizio danno sempre troppa importanza alla tecnologia e sottovalutano il potenziale a lungo termine. Quindi, l’intelligenza artificiale oggi sta esaurendo quel clamore iniziale in cui le persone pensano che funzioni e la verità è che non funziona e non è semplice. Quando si costruisce, l’errore più comune che vedo è che le persone e le aziende sembrano sottovalutare le complessità della creazione di un software AI robusto in termini di dati, tecnologia e soprattutto capacità operativa. Quindi uno dei malintesi è: solo perché è possibile non significa che funzionerà.
Quindi, come testare e garantire che la tecnologia funzioni è tutta una sfida perché questi sistemi sono in realtà sistemi live. Puoi testarli solo usandoli. Un grande malinteso è che puoi semplicemente immettere alcuni dati e ottenere alcune risposte, ma in realtà, la qualità della soluzione, l’accuratezza, la robustezza – sono tutti fattori estremamente importanti. Vedo più e più volte, centinaia di milioni, di miliardi, sai, sprecati in progetti che cadono in quella trappola. Quindi, il modo per superare questo è progettare quello che chiamiamo un approccio alla “strategia del salmone”, partendo dall’adozione anche se su piccola scala, anche se è di portata limitata ma già con una chiara ambizione in mente, non perdere tempo solo nella pianificazione e riordino delle idee ma creare un modello di lavoro che dia già dei risultati, come un modo strategico per abbracciare la tecnologia. Quindi, iniziare in piccolo ma già con un sistema funzionante.
D: Cosa ne pensa del mercato del lavoro nell’AI? Trovate le persone giuste di cui avete bisogno? E cosa manca?
I mercati del lavoro sono sempre in movimento, c’è stato un grande cambiamento tra i periodi pre-COVID, COVID 2020 e COVID 2021 che ha riguardato anche l’economia di mercato. In generale non mancano i talenti, ma sicuramente mancano le pratiche consolidate. Anche le cose più elementari sembrano dover essere costruite da zero. Si ha bisogno di un gran numero di persone per far realizzare questi elementi di base.
Non credo sia difficile trovare persone di talento. Penso che sia molto più difficile creare percorsi di carriera e posti di lavoro significativi per loro perché in realtà è un campo in rapida evoluzione e l’unico modo per imparare è operare ed essere in comunità, e questo non è qualcosa che la maggior parte delle aziende è in grado di offrire. Non credo che ci sia carenza di posti di lavoro. Sicuramente i giovani di talento possono trovare molte opportunità per la prima parte della loro carriera, ma se si vuole pianificare a lungo termine, le persone dovrebbero certamente cercare comunità e luoghi che promuovano l’innovazione tecnologica come parte della loro missione principale.
Sul fronte scientifico, in Italia troviamo sicuramente tanti talenti capaci. È un po’ più difficile sul fronte della tecnologia e nei ruoli rivolti al cliente a causa di limitazioni casuali. Vendiamo ampiamente, a livello globale, e attingiamo alle competenze IT ed esperti di sviluppo business a livello globale. In relazione specificatamente all’Italia, penso che siamo molto forti quando si tratta di scienza e analisi. È un po’ più difficile quando si tratta di sviluppo del business e tecnologia hardcore.
