a cura di Claudio Savaglio
L’analisi del livello di soddisfazione di un prodotto o servizio è un’attività fondamentale per il miglioramento della qualità dello stesso e la pianificazione di suoi futuri sviluppi. Perciò, oggigiorno, enti sia pubblici che privati raccolgono costantemente, tra i tanti dati, anche i feedback degli utenti con l'obiettivo di migliorare la propria offerta, essere più competitivi sul mercato, aumentare la propria reputazione sociale o, più in generale, prendere decisioni informate non utilizzando esclusivamente l’esperienza personale o l’intuizione di un singolo.
La disponibilità di feedback rilevanti, cioè significativi, affidabili e possibilmente numerosi, è quindi un obiettivo strategico e la loro elaborazione può aprire la strada ad azioni innovative altamente efficaci.
Il feedback degli utenti può assumere forme diverse (ad esempio, recensioni a testo libero, punteggi numerici, reaction sui social media, interviste telefoniche, ecc.). Nella maggior parte dei casi, tale feedback è raccolto in maniera convenzionale, principalmente attraverso interazioni esplicite con gli utenti ed è infine analizzato manualmente, investendo quindi tempo e risorse. Pensiamo ad esempio alla richiesta di un commento sul libro dei visitatori di un museo oppure all'interazione con una pulsantiera all'uscita di una mostra. Più recentemente, sono state introdotte piattaforme di crowdsourcing per automatizzare la raccolta di feedback da un gran numero di utenti (es. tramite apposite piattaforme social per la recensione di ristoranti e attività turistiche) e per stimolare discussioni, creare sistemi di raccomandazione, ecc. Tuttavia, gli approcci sopra menzionati per la raccolta di feedback molto spesso mancano di spontaneità (ad esempio, un l'utente potrebbe essere riluttante a fornire un feedback negativo in pubblico), sono inclini a interpretazioni errate (ad esempio,
un utente potrebbe non avere tutte le informazioni rilevanti per giudicare un’opera d’arte) e potrebbero essere influenzati da stati emotivi collaterali (ad esempio, un'intervista telefonica potrebbe disturbare un utente durante l’orario di lavoro o i modi dell’intervistatore risultare invadenti). Al contrario, è stato dimostrato che il feedback implicito, cioè fornito involontariamente dagli utenti e raccolto contestualmente alla fruizione del bene/servizio, garantisce una maggiore affidabilità e veridicità, esprimendo un’opinione sincera, libera da filtri e non influenzata da altri fattori esterni.
In tale direzione, l’Internet delle cose o Internet of Things (IoT) fornisce un supporto
eccezionale per l’implementazione di infrastrutture pervasive di sensori eterogenei (rilevatori di presenza, videocamere, microfoni, ecc.) in grado di catturare in modo trasparente le forme più naturali di espressione umana, vale a dire il linguaggio verbale e quello del corpo.
Infatti, tramite dispositivi IoT economici (come computer a scheda singola dotati di
videocamere e microfoni, del tipo delle RaspberryPi), è facile registrare audio così come catturare immagini e video e processarli automaticamente. Ad esempio, l’audio può essere registrato, trascritto ed elaborato automaticamente tramite l’Intelligenza Artificiale (AI) per alimentare i sistemi di Sentiment Analysis, noti anche come Opinion Mining, al fine di interpretare il giudizio dell’utente rispetto ad un determinato bene o servizio. Utilizzando le tecniche di elaborazione del linguaggio naturale e machine learning (ML), è possibile infatti identificare ed estrarre informazioni soggettive dai dati di testo, deducendo così un'opinione su un particolare argomento, marchio o prodotto, anche senza un'interazione esplicita. Un approccio così innovativo alla raccolta e all’analisi del feedback impliciti degli utenti non solo garantisce affidabilità, ma anche scalabilità, poiché un’enorme quantità di dati può essere elaborata con un intervento umano minimo. Inoltre, se questo processo avviene in situ attraverso tecniche di Edge Artificial Intelligence (EAI), cioè senza trasmettere, archiviare e analizzare dati grezzi su server remoti ma processandoli localmente, il sistema può risultare più efficiente e pienamente conformi alle best practice di sicurezza e riservatezza. Gli audio grezzi non sono infatti trasferiti tramite Internet ma vengono trattati direttamente sul dispositivo che li ha catturati e immediatamente cancellati appena il feedback viene elaborato e anonimizzato. Proprio quest’ultimo aspetto è estremamente rilevante in quanto favorisce un ambiente sicuro in cui gli utenti possono condividere le proprie opinioni in piena tranquillità, proteggendo al contempo le informazioni sensibili e garantendo la conformità legale ed etica.
Sulla base di queste considerazioni, è stato progettato un prototipo di Smart Museum, presentato nell’articolo “Towards Collective Sentiment Analysis in IoT-enabled Scenarios” presentato in occasione della conferenza internazionale IEEE intitolata “Distributed Computing in Smart Systems and the Internet of Things (DCOSSIoT)” svoltasi a Pafo (Cipro) nel Giugno 2023. In particolare, lo Smart Museum sfrutta i dispositivi IoT e tecniche di EAI per catturare i commenti pronunciati da visitatori in prossimità di entità di interesse, implementando così un sistema trasparente di raccolta ed elaborazione di feedback impliciti. I dispositivi IoT sono infatti posizionati in punti strategici, rilevano la presenza di visitatori e il loro tempo di permanenza davanti ad ogni opera, ed estrapolano parole chiave (ad esempio espressioni tipiche di apprezzamento o critica) dall’audio catturato. Dall’analisi incrociata di questi dati è possibile determinare, opera per opera, se l'opinione dei visitatori è positiva, negativa o neutra, comprendere le loro dinamiche all’interno del museo e pianificare eventualmente ricollocazioni di opere o altre operazioni logistico/organizzative per garantire una migliore esperienza museale. Ovviamente, la soluzione proposta per lo Smart Museum è di uso generale e può essere facilmente estesa/riutilizzata in qualsiasi contesto indoor/outdoor con gli opportuni aggiustamenti (ad esempio, parchi nazionali, fiere, mostre) o integrata con altre forme di contenuti generati dagli utenti (ad esempio, social media post, articoli di notizie, recensioni dei clienti, ecc.). D’altra parte, la medesima architettura IoT può essere sfruttata non solo per la raccolta di feedback ma anche per la restituzione di informazioni agli utenti stessi: ad esempio, con le nuove Intelligenze Artificiali Generative (Gen-AI), è possibile sostituire le tradizionali audio-guide con guide interattive personalizzate che rispondono alle domande poste dall’utente adattandosi alle sue preferenze (livello di dettaglio della risposta in base all’età del visitatore, durata della spiegazione, ecc). Ad esempio, un totem posto nelle vicinanze di un’opera potrebbe rispondere alle curiosità del visitatore (esempio “Quale tecnica pittorica contraddistingue questo quadro?”) e fornire suggerimenti personalizzati (altri quadri dipinti con la stessa tecnica esposti nel museo, oppure rilevanti informazioni storiche inerenti il periodo in cui è stato dipinto).
In conclusione, l’IoT e l’AI presentano potenzialità enormi in ogni dominio applicativo e con risvolti su moltissime attività quotidiane. A dispetto di una retorica spesso troppo pessimistica sul loro utilizzo, dettata anche da una superficiale conoscenza della materia, esse rappresentano tecnologie futuristiche e futuribili da padroneggiare pienamente per scrivere un nuovo pezzo di storia dell’essere umano e, perché no, valorizzarne anche il passato.
Claudio Savaglio
Ingegnere informatico, ha conseguito il Dottorato di Ricerca (2018) presso l’Università della Calabria, dove attualmente presta servizio in qualità di ricercatore e professore a contratto presso il Dipartimento di Ingegneria Informatica, Modellistica, Elettronica e Sistemistica (DIMES).
Claudio Savaglio si è laureato in Ingegneria Informatica (2013) e ha conseguito il Dottorato di Ricerca (2018) presso l’Università della Calabria, dove attualmente presta servizio in qualità di ricercatore e professore a contratto presso il Dipartimento di Ingegneria Informatica, Modellistica, Elettronica e Sistemistica (DIMES). Nel corso degli anni è stato ospite dell'Università Tecnica di Eindhoven (TUE, Olanda), dell’Università del Texas di Dallas (UTD, Stati Uniti), dell’Istituto Tecnico del New Jersey (NJIT, Stati Uniti), dell'Università Politecnica di Valencia (UPV, Spagna), e della Università Hosei Tokyo (Giappone) in qualità di visiting researcher.
È autore di oltre 70 pubblicazioni scientifiche internazionali sui sistemi distribuiti intelligenti, mobili e pervasivi, con particolare riferimento all’Internet of Things, Agent Based Computing ed Edge Intelligence, temi sui quali ha collaborato a diversi progetti di ricerca europei e nazionali, anche in qualità di coordinatore scientifico. Ha un’intensa attività editoriale, di disseminazione e di supporto alla ricerca, partecipando alla direzione ed organizzazione di numerose conferenze, riviste e collane di libri internazionali.
Afferisce dal 2013 al laboratorio Smart, PErvasive and Mobile systems Engineering (SPEME) diretto dal prof. Giancarlo Fortino, ordinario di elaborazione dell’informazione presso l’Università della Calabria.
