Le strutture logico-funzionali della Conoscenza

Aprendimento Interdisciplinare con l'utilizzo di Modelli di Conoscenza (Giovanni Mappa, 2020)
Non è stato fornito nessun testo alternativo per questa immagine

Cominciamo il viaggio all’interno delle strutture logico-funzionali della conoscenza, ossia all’interno delle dinamiche che fanno evolvere i dati in informazioni; queste ultime in conoscenza, che poi, con il supporto della sperimentazione, si trasformain sapere, e in ultima istanza, in saggezza. Tutto ciò a prescindere dal linguaggio e dal glossario che caratterizza l’ambito (o dominio) disciplinare di interesse.

Siamo abituati già, dai primi anni di scuola, ad acquisire una conoscenza frazionata data dalla separazione delle varie discipline (italiano, matematica, scienze, ecc.), mentre ci troviamo a vivere poi una realtà dove si fa una inutile fatica a distinguere una disciplina dall’altra: “Le discipline, così come noi le conosciamo, sono state storicamente separate l’una dall’altra da confini convenzionali che non hanno alcun riscontro con l’unitarietà tipica dei processi di apprendimento. Ogni persona, a scuola come nella vita, impara infatti attingendo liberamente dalla sua esperienza, dalle conoscenze o dalle discipline, elaborandole con un’attività continua e autonoma. Oggi, inoltre, le stesse fondamenta delle discipline sono caratterizzate da un’intrinseca complessità e da vaste aree di connessione che rendono improponibili rigide separazioni” (dal testo delle Indicazioni Nazionali del MIUR).

Crescendo e facendo esperienze di vita e di lavoro, acquisiamo una visione più integrata e interdisciplinare delle cose e dei fatti, maturiamo maggiore perizia nelle attività lavorative e acquisiamo consapevolezza che il nostro sapere (frutto di conoscenza e sperimentazione), si trasforma in un grosso vantaggio competitivo nell’attività lavorativa e nella nostra vita

L’interdisciplinarietà è il risultato di un percorso di apprendimento in grado di instaurare un rapporto di interazione e di analogia tra discipline differenti, ma anche tra settori della stessa disciplina.

L’apprendimento interdisciplinare è il processo cognitivo in grado di decodificare ed integrare diversi “punti di vista disciplinari” su un medesimo tema e di trarne una sintesi concettuale condivisa, in grado di valorizzare ciò che “unisce” e di minimizzare ciò che “divide”. Non si tratta quindi, di acquisire le competenze da “tuttologo”, ma di utilizzare un percorso di apprendimento basato sull’utilizzo, per analogia logico-funzionale, di modelli di conoscenza come supporto alla condivisione ed integrazione di concetti e valori. L’apprendimento inizia comunque, con l’ascolto.

L’apprendimento interdisciplinareè motivato dalla curiosità di conoscere la “realtà trasversale” delle cose, con la ricerca dei nessi comuni e dei principi disciplinari che spiegano i diversi fenomeni, in rapporto alla sperimentazione e all’esperienza personale: in altri termini, apprendimento non per verticalizzazioni specialistiche, ma per trasversalità concettuali o modelli di conoscenza e di esperienza.

L’apprendimento #interdisciplinareconsidera i fatti e l’esperienza, ricerca le giustificazioni non solo nelle discipline tecnico-scientifiche, ma anche nell’ambito delle conoscenze antropologiche storico-sociali; è “mentalmente aperto” e “concettualmente evolutivo”. Non ci sono preconcetti o dogmi, ma ogni ragionamento o modello di conoscenza è in evoluzione, pur in un contesto di esperienze di riferimento. L’apprendimento interdisciplinare è sicuramente favorito dal coinvolgimento personale e, a questo proposito, si possono indicare tre risorse fondamentali target atte a favorire un “effetto di lunga durata”:

  1. Motivazione: derivante dall’interesse al raggiungimento di obiettivi chiari (la motivazione è il “combustibile” che porta a perseverare per il raggiungimento degli obiettivi).
  2. Passione: un intenso coinvolgimento e un forte desiderio per una determinata attività o interesse (rappresenta la “potenza motore” della conoscenza).
  3. Entusiasmo: incontenibile spinta ad agire ed a operare dando tutto sé stessi (è il “collante” che trascina contagiosamente).

Per gli scopi tecnico-operativi di particolare interesse, si farà qui di seguito riferimento alla #Conoscenza(“C” maiuscola nel senso di nome proprio del patrimonio economico intangibile che rappresenta) come “la facoltà umana risultante dall’interpretazione deidatie delleinformazioni finalizzata all’azione”, ovvero il risultato di un processo di inferenza e di sintesi (ragionamento), a partire da dati verso la “saggezza”.

Paradigma della “Catena della Conoscenza” (DIKW): la maggior parte delle definizioni della Conoscenza sono correlate alla cognizione dei fatti, della verità o dei principi, ma la definizione che forse meglio esprime la sua funzionalità tecnico-operativa è data dall’acronimo “DIKW” (Data, Info, Knowledge, Wisdom), intesa come “Catena della Conoscenza”, in grado di rappresentare le relazioni funzionali tra datiinformazioniconoscenza e saggezzaNel paradigma della “Catena della Conoscenza” (Knowledge Chain) si distinguono i Dati dalle Informazioni (Info) e queste ultime dalla Conoscenza, fino ad arrivare al concetto di Saggezza

Knowledge Chain (DIKW)   - Giovanni Mappa -2020

Catena della Conoscenza (Knowledge Chain –DIKW)

Dal dato alla infovi è un salto qualitativo in termini di “inferenza o di relazione rispetto a possibili “azioni” conseguenti: una raccolta di dati (rappresentati da simboli alfanumerici, parole, immagini, ecc.) può produrre informazioni solo se gli stessi contribuiscono a caratterizzare dei fatti, delle verità o dei principi.

I dati sono definibili come entità statiche“fotografie” di fatti e sono quindi espliciti, in genere sono espressi in forma alfanumerica, prodotti da fonti (database, sensori, ecc.) che ne condizionano poi la loro “qualità”. 

Le informazioni sono invece entità dinamiche ed evolutive, caratterizzate da un proprio ciclo di vita: nascono in forma esplicita o latente, sono correlate ad uno o più processi (mentali, personali, ambientali, produttivi ecc.) ed esercitano su tali processi una propria influenza (o “peso”).

Ci troviamo quindi, di fronte ad un paradosso per cui i “dati” e le “informazioni” posso avere formalmente una medesima espressione numerica, ma nel secondo caso il valore numerico fornisce la possibilità di sviluppare un ragionamento, e quindi, di generare Conoscenza. Infine, è possibile parlare di informazioni quando queste ultime esprimono la dinamica di un cambiamento circa un evento o un fatto.

Il risultato di un processo di inferenza e di sintesi (ragionamento) sulle info produce quindi Conoscenza, mentre è necessario un ulteriore salto di qualità per definire il passaggio da Conoscenza a Saggezza (v. anche buonsenso): laSaggezza può essere definita come il più alto livello di astrazione della Conoscenzaè una caratteristica mentale personale legata alla capacità di giudizio e di buonsenso, in grado di aumentare l’efficacia e il valore dei risultati dei ragionamenti e della presa di decisione.

Infine, il concetto di Knowledge Chain DIKW può essere meglio rappresentato considerando che la Conoscenza, acquisita come risultato di un’inferenza tra informazioni di base (un ragionamento), non è ancora operativa senza un processo di “sintesi” e una opportuna strategia di “comunicazione”.

Non è stato fornito nessun testo alternativo per questa immagine

Catena estesa della Conoscenza verso l’Approccio Interdisciplinare

In questo caso, ci si trova di fronte ad una più raffinata Knowledge Chain che considera l’importanza dell’inserimento della “Comunicazione Interdisciplinare della Conoscenza”, in tutte le sue modalità (verbale, scritta e non verbale).

L’Unità di Conoscenza (“Basic-Info“):è stata già evidenziata la differenza tra dati info; ora è necessario introdurre il concetto di “peso” o di “influenza che un’informazione assume nella “Knowledge Chain”, secondo un possibile contesto di ragionamento. In genere, una possibile Knowledge Chain ha a che fare con uno scenario di dati e info, ma è ovvio che ogni informazione può avere un peso diverso e può essere parzialmente o totalmente giusta o sbagliata in un contesto di ragionamentoa seconda del target finale.

Le “informazioni” con un alto tasso di certezza potrebbero avere un peso ridotto rispetto al target di ragionamento finale e viceversa. Ciò significa che le “informazioni” devono essere gestite in un contesto non deterministico di valutazione e calcolo. In questo modo quindi, si mette in evidenza un’altra differenza tra “dati” e “info”:

  • calcolo con “dati” significa applicazione di regole matematiche deterministiche classiche (addizione, sottrazione, ecc.);
  • calcolo con “info” significa l’applicazione di nuove regole di calcolo non deterministiche, perché “info” può essere parzialmente/ totalmente certa o completa (quindi, con peso diverso – v. Fuzzy Logic).

Qual è la più piccola unità di base della Conoscenza? – È quella rappresentata da un singolo dato in grado però di influenzare un target di ragionamentoÈ possibile infatti, affermare che un’unità informativa di basedeve esprimere una relazione quali-quantitativa tra la tipologia del dato e un possibile target di ragionamento.

Inoltre, una Unità di Conoscenza o “Basic-Info” deve essere costituita dai seguenti componenti e proprietà fondamentali:

  1. Input: Dato (con il proprio valore reale)
  2. Output: Peso o Influenza (valore normalizzato tra 0 e 1)
  3. Curva di Conoscenza (trend es. crescente o decrescente)
  4. Regole di inferenza (nell’intervallo di valori di validità dell’input).

In sintesi una unità di Conoscenza o Basic-Info è esprimibile come:

Non è stato fornito nessun testo alternativo per questa immagine
Non è stato fornito nessun testo alternativo per questa immagine

Suddivisione sistemica in Basic-Info di un dominio di Conoscenza

Non è stato fornito nessun testo alternativo per questa immagine

Rappresentazione delle componenti di una Basic-Info

Grado di “certezza” e propagazione delle Basic-Infoun’altra questione importante è quella di mettere in evidenza il livello di certezzao diverità inerente i dati e le informazioni. Per maggiore semplicità di comprensione, si può considerare il “tasso di certezza“, come il “peso” che acquisisce il valore di un dato in riferimento ad un prefissato target di ragionamento.

La propagazione dei “pesi” contenuti nelle diverse informazioni di input (A, B, C) di un ragionamento deduttivo si compone come una “intersezione insiemistica” dove i sottoinsiemi di intersezione che si propagano, contengono “maggiore certezza” rispetto al target/azione finale e riducono man mano l’errore (incertezza) finale del ragionamento.

Non è stato fornito nessun testo alternativo per questa immagine

Rappresentazione di un ragionamento con 3 informazioni input (A, B, C) rispetto ad un Target (decisione finale)

Modelli Cognitivi di Basic-Info e Reti Neurali – la riflessione sulle Basic-Info con il loro “peso” dinamico, ovvero con la propria singola influenza in un ragionamento target, si può estendere ad un numero anche molto grande di Dati/Basic-Info concorrenti rispetto a diversi possibili target di ragionamento.

Questo caso può essere rappresentato da una Matrice di Correlazione Causa/ Influenza/ Target, ovvero da una Rete Cognitiva di Basic-Info dove le “righe” rappresentano i Dati acquisiti da una o più sorgenti anche eterogenee tra loro, mentre le “colonne” sono i Target di Ragionamento possibili in relazione ad un determinato ambito di conoscenza (diagnosi, presa di decisione, classificazione, ecc.

Non è stato fornito nessun testo alternativo per questa immagine

Software Toolbox to develop “Knowledge Curves” (“K-Neurexp” ANOVA – http://www.anovastudi.com)

Se consideriamo un interosistema complesso di Conoscenza(Complex Knowledge’s System Ω), quest’ultimo può essere sempre suddiviso in sottodomini (Di) più piccoli e più semplici, fino a poter essere descritte da Matrici di Correlazione (Correlation Matrix System):

Non è stato fornito nessun testo alternativo per questa immagine

Scomposizione di un dominio complesso di Conoscenza i sotto domini più semplici

Questo approccio consente di sviluppare Reti Cognitive che possono essere utilizzate nel dominio della conoscenza sia in forma numerica che testuale, nonchésviluppare Sistemi basati sulla Conoscenza (Knowledge Based Systems) e in tempo reale (Real Time) per processi industriali, ambientali, “presa di decisione”, diagnostici, ecc. Ad esempio, nel caso che dovessimo far prendere una decisione, per nostro conto, ad una rete cognitiva informatica (v. Intelligenza Artificiale) su “cosa fare?” in un certo momento della giornata, tra:

  • andare in palestra (Gym);
  • al bar (Pub);
  • a passeggiare con gli amici (Walking);
  • andare al cinema (Cinema);

la rete cognitiva andrebbe a correlare tra loro ad es. dati/info qualitativi come il nostro bioritmo (Biorhythmic), le condizioni meteo al momento (Weather), la nostra età (Age), il nostro stato di “libertà” da impegni importanti (Freedom), secondo una “rete di ragionamento” (v. fig. seg.) ispirata alle reti neurali biologiche (del cervello): in questo caso (molto semplice), la corrispondente rete cognitiva assumerebbe il seguente schema funzionale di ragionamento (con tre livelli di sintesi):

Non è stato fornito nessun testo alternativo per questa immagine

In generale, le reti cognitive possono assumere forme più complesse, come la composizione e l’integrazione dello schema sopra mostrato, con più di due o tre livelli di nodo, più di quattro nodi per livello e più di un tipo di curve di conoscenza per ogni Basic-Info.

Analogia delle Reti Cognitive di Basic-Info con le Reti Neurali Artificiali (ANN) – Nel campo dell’apprendimento automatico (Machine Learning), una rete neurale artificiale (Artificial Neural Network, ANN) è un modello computazionale composto di “neuroni” artificiali, che si ispira vagamente alla semplificazione di una rete neurale biologica. Quest’ultima è costituita da interconnessioni tra nodi (sinapsi) ed a “pesi” numerici associati a ciascuna interconnessione. Ognuna di queste interconnessioni, come le sinapsi in un cervello biologico, può trasmettere un segnale mediante una funzione di attivazione ad altri neuroni.

Un neurone artificiale che riceve un segnale poi l’elabora e può segnalare neuroni ad esso collegati (figura (a)). In ogni neurale rete, esiste un’unica funzione di attivazione (una sigmoide, una scala funzione, ecc.). Questa funzione rappresenta un’informazione elementare che elabora i pesi dei nodi di input e restituisce (in genere) in maniera deterministica un peso risultante in output. .

Non è stato fornito nessun testo alternativo per questa immagine

Il mondo reale invece, non è deterministico; pertanto è necessario trovare un modo non deterministico per risolvere il problema reale. La Rete Cognitiva di Basic-Info (figura (b)) utilizza un approccio non deterministico: presenta una struttura reticolare, come in una classica neurale rete neurale artificiale ANN, ma ogni singolo nodo contiene una matrice [m*n] di funzioni di attivazione (b), piuttosto che una singola funzione (a). Ogni nodo elementare rappresenta una Base di Conoscenza (Knowledge Base). Le interconnessioni tra questi neuroni consentono poi di fondere diversi processi cognitivi. Nelle reti cognitive di Basic-Info, ogni nodo rappresenta quindi, un dominio omogeneo di Conoscenza, avente come punto di riferimento ciascuno dei “nodi di conoscenza“: nodi indipendenti, nei quali si fondono i dati primari. Questi dati vengono trasformati, prima, in informazioni, poi in una Knowledge Base omogenea, specifica per la fonte area dei dati.

Quindi, partendo da concetti elementari, le interconnessioni creano, dinamicamente, nuovi livelli più evoluti di sintesi della Conoscenza. Il livello finale produrrà le regole e le azioni del “sistema esperto”. Ad ogni livello, la Conoscenza è “sintetizzata”, mentre al livello finale, si arriva ad osservare una riduzione dei nodi cognitivi finalizzata alla elaborazione degli output decisionali.

Non è stato fornito nessun testo alternativo per questa immagine

Cognitive Network “K-Neurexp” application (G. Mappa, 1997)

Una rete cognitiva basata su Basic-Info, offre i seguenti vantaggi rispetto alle ANN:

  • non è composto da un’unica funzione di attivazione, ma da una matrice di funzioni di attivazione;
  • è un sistema “chiaro” e non una “scatola nera”, poiché si conosce il dominio dell’applicazione e la Conoscenza viene introdotta nel nodo della rete;
  • è molto efficiente, poiché esistono diverse funzioni di attivazione;
  • ogni neurone esperto ha una correlazione con un sottodominio omogeneo;
  • ogni nodo permette di trasformare un input in un risultato definitivo o parziale, chiamato meta-informazione;
  • permette di rappresentare il dominio della Conoscenza eterogeneo ed esteso;
  • opera con diversi set di input, sia qualitativi che quantitativi;
  • ad ogni passo, permette di ottenere un livello maggiore di sintesi della Conoscenza.

Processo tipico di “modellazione” della Conoscenza con le Basic-Info – In generale, un processo tipico di “modellazione” della Conoscenza, soprattutto nella realizzazione di sistemi on-line di controllo intelligente, segue alcuni passi fondamentali come la formalizzazione e validazione dei dati acquisiti da sorgenti eterogenee esterne, la normalizzazione rispetto ai range di operatività, l’inferenziazione di cross-matching (inferentation-integration-data fusion), la de-normalizzazione dei risultati target ottenuti.

Non è stato fornito nessun testo alternativo per questa immagine

Dal punto di vista concettuale, questo processo di “modellazione della conoscenza” può essere raffigurabile anche come una rete neurale costituita da “nodi” (neuroni) come unità base di elaborazione delle informazioni (Basic-Info), e “collegamenti” (sinapsi) come adduttori di inferenza caratterizzata da un grado di certezza (“peso” dinamico non probabilistico).

K-Commerce: la vendita on-line di prodotti/servizi “Intangibili”

Risultato immagini per vendita dell'intangibileE’ noto come l’e-commerce consenta di sviluppare il processo di acquisto e vendita di prodotti  (tangibili) con mezzi elettronici (shopping online), come le applicazioni mobili e Internet. L’e-commerce di prodotti/servizi “tangibili” è cresciuto enormemente negli ultimi decenni, spesso provocando una sostanziale sostituzione dei tradizionali negozi di mattoni e malta.  Il valore delle transazioni on-line per l’acquisto di beni e servizi “tangibili” gode di meccanismi di economie di scala, di incremento della competitività internazionale delle imprese,  di modelli di business innovativi.

Nell’attuale competizione tra tecnologie intelligenti e umanità consapevole non ci sono vinti o vincitori, ma piuttosto un rapporto sinergico che dovrebbe essere finalizzato in ultima analisi, alla sostenibilità della vita dell’uomo sulla terra (o su altri pianeti), man mano che si accresce la numerosità della popolazione mondiale.

Il Valore del Capitale Intangibile (Fattore K)

Grazie ad una maggiore diffusione e consapevolezza sulle metodologie e sugli strumenti dell’Intelligenza Artificiale (Artificial Intelligence) e, in particolare, dell’Ingegneria della Conoscenza (Knowledge Engineering),  oggi è possibile  “vendere” non la conoscenza in quanto tale (intangibile), ma il “beneficio” economico o funzionale (tangibile) che essa produce, ad un “prezzo” che sarà commisurato ai risultati ottenuti. Ad esempio, nel caso di un algoritmo (Modello di Conoscenza) capace di far risparmiare decine di migliaia di kilowattora di energia elettrica, il prezzo dell’algoritmo non è quello di un ebook nel quale è contenuto, ma è proporzionale al valore del risparmio economico ottenuto.

    • AMBIENTE & ENERGIA
    • IMPRESE & Tecnologie 4.0
    • TALENTI Interdisciplinari 4.0

Risultato immagini per economia della conoscenza

Nell’Economia della Conoscenza, il termine di K-Commerce (Knowledge-Commerce) si riferisce alla possibilità di commercializzare (misurare, valorizzare, proteggere) la conoscenza (capitale intellettuale) per contenuti funzionali o “a pacchetti“, con metodologie e strumenti tali da rendere la transazione di acquisto, del tutto simile a quella corrispondente ad un prodotto tangibile, anche (ma non solo) utilizzando piattaforme elettroniche di e-commerce.  Il termine K-Commerce è stato coniato nell’era della Economia della Conoscenza motivato dal fatto che in una economia basata soprattutto sul “sapere” e sul “saper fare“, risulta di fondamentale importanza lo sviluppare strumenti appropriati innovativi per gestire la conoscenza, non solo come “middleware” per generare valore nel modo che già conosciamo (consulenza, e-learninge-book ecc.), ma direttamente come valore tangibile in sé, protetto da un concetto di copyright innovativo, del quale si parlerà più avanti. Pertanto, il K-Commerce esprime non solo un nuovo modo di commercializzare il sapere, ma rappresenta l’insieme delle metodologie e degli strumenti per:

    • gestire la conoscenza in termini “quantitativi” (e non solo qualitativi degli intangibiles) e quindi, misurabili;
    • organizzare package funzionali di conoscenza  (Modelli di Conoscenza) finalizzati ad ottenere risultati (vantaggi) economici determinabili e quindi, misurabili;
    • trasferire agli utilizzatori finali detti package funzionali di conoscenza, in modo che prevalga l’interesse per il valore ottenibile dal suo utilizzo, piuttosto che dalle modalità in cui la conoscenza risulti rappresentata e configurata.

Proprio su quest’ultimo concetto, si basa la possibilità di realizzare “barriere” per la protezione della conoscenza, ovvero della proprietà intellettuale (copyright),  spostando il polo di attrazione e interesse verso il “risultato” che la stessa produce, piuttosto che sulla propria forma.

Studi Interdisciplinari per l’Innovazione Digitale

Attività/Servizi

ANOVAstudi svolge da oltre 20 anni, attività di consulenza nell’ambito dei progetti di Ricerca & Sviluppo e dei processi di Innovazione (RSI) nelle imprese. Si occupa prevalentemente di studiare e analizzare le esigenze funzionali o di innovazione nell’ambito di processi/soluzioni/prodotti, dall’idea/concept, alla prototipazione, alla gestione e protezione dei diritti di proprietà intellettuale, fino alla fase di ingegnerizzazione e commercializzazione.

In particolare, le Attività/Servizi si riferiscono alle seguenti principali

    • Ricerca Industriale  e Sviluppo Sperimentale (RI/SS)
    • Innovation Management e R&D Project Management
    • Valorizzazione della Proprietà Intellettuale (IPR)
    • Individuazione e Formazione di “Talenti Interdisciplinari(Interdisciplinary Talent Factory).
    • Knowledge Broker e sviluppo di Modelli di Conoscenza Competitiva;
    • Technology Broker (Meccatronica, Intelligenza Artificiale, ICT, IoT, Automazione, Sensoristica, ecc.);
    • Analisi Strategica di Opportunità di Business;

Le Aree Operative  di maggiore interesse sono qui di seguito elencate:

Giovanni Mappa

Il Dott. Ing. Giovanni Mappa – Fondatore di ANOVAstudi – R&D Innovation Manager (MISE),  opera nell’ambito della gestione Interdisciplinare della Conoscenza per lo sviluppo dell’innovazione tecnologica ed ecologica.

CV-Luglio 2020- BC-RD Innovation Manager – G.Mappa

Corso di Perfezionamento universitario “Blockchain for professional and business services” dell’Università degli Studi di Napoli “Parthenope” – Dipartimento di Studi Aziendali ed Economici (DISAE). Anno Accademico 2019/2020 – Dipartimento di Studi Aziendali ed Economici (DISAE) dell’Università degli Studi di Napoli “Parthenope”.  

PROJECT & INFORMATION MANAGEMENT – Corso di Formazione Avanzato “Teoria e Pratica di Project and Information Management nel Campo dell’Ingegneria“.  OICE Academy

ResearchGateLinkedin

2014: Riconoscimento “Nella Valigia dei Talenti ″ all’ing. Giovanni Mappa  fondatore di ANOVA studi.com

Premio13-07-2014Riconoscimento “Nella Valigia dei Talenti ″ a cura dell’Ass. Agorà e Comune di Crispiano (TA) – consegnato all’Ing. Giovanni Mappa (Fondatore di ANOVA)  il 13 Luglio 2014 dall’Ing. Michele Vinci

big_Vinci Angelo MicheleAngelo Michele VINCI – Cavaliere del LavoroPresidente di Confindustria Bari-BAT

Short CV:

Laureato in Ingegneria nel 1985 presso il Politecnico di Bari e iscritto all’Ordine degli Ingegneri dal 1986. Vincitore di una borsa di studio in una selezione nazionale di neolaureati da inserire nell’ambito della Ricerca e Sviluppo e Innovazione Industriale (Finsider), presso il CSM (Centro Sperimentale Materiali) a Roma, per un periodo di circa un anno (1986).

     

Dal 1987 al 1991, vive una intensa esperienza professionale come progettista e coordinatore nella società di ingegneria ITALIMPIANTI SpA (Gruppo IRI).

Nel 1992, entra come ricercatore nel Consorzio di Ricerca SESPIM per le Applicazioni Reali dell’Intelligenza Artificiale (ALENIA Marconi) con sede a Napoli, dove acquisisce una formazione specifica nell’ambito dell’utilizzo operativo delle tecnologie dell’Intelligenza Artificiale e dell’Ingegneria della Conoscenza. Nel 1994 assume in SESPIM il ruolo di coordinatore di progetti di ricerca riguardanti il settore dei Sistemi Esperti real-time per applicazioni ambientali e il settore della sensoristica intelligente (soff-sensors, virtual sensors).

Nel 1997, fonda con un’operazione di “spin-off” dal SESPIM, una società privata di ricerca industriale  (ANOVA), di servizi interdisciplinari di ICT e di Intelligenza Artificiale; società di cui è ancora oggi il titolare.

Dal 1998 al 2002 assume il ruolo di consigliere nel Direttivo Nazionale AI*IA Associazione Italiana per l’Intelligenza Artificiale con sede a Milano. Nello stesso periodo, assume la carica di vicepresidente nel Consorzio di Ricerca ENEA/TERRI presso il Centro Ricerche ENEA della Trisaia a Rotondella (MT).

Nel 2004 ottiene dal MIUR (Ministero dell’Istruzione, dell’Università e della Ricerca) per ANOVA, la certificazione di Laboratorio di Ricerca Industriale, nell’ambito dei Sistemi ICT e Sistemi Esperti per il “mercato libero” della ricerca industriale per le imprese (PMI), impiegando fino a 15 giovani ricercatori.

Dal 2007 al 2010, assume la carica di direttore tecnico-scientifico della società olandese SENSOR Intelligence B.V. presso la sede di Leeuwarden (NL), operante nelle applicazioni di sensori intelligenti software e nel controllo avanzato di processo (APC) con clienti olandesi tra cui la multinazionale Friesland Food.

Attualmente, svolge in ANOVAstudi.com attività di studio e sviluppo di progetti di Ricerca Industriale e Sviluppo Sperimentale in ambiti interdisciplinari STEM, dell’ingegneria della conoscenza e dell’Advanced Process Control (APC) nel paradigma di INDUSTRIA 4.0.

Autore di alcuni brevetti e una quarantina di pubblicazioni tecnico-scientifiche in tema di applicazioni reali dell’ingegneria della conoscenza [4-9-41], dal 2009 si dedica anche alla formazione interdisciplinare (STEAM) di figure professionali specialistiche operanti principalmente nell’ambito del Project Management (PM) e del Business Process Modeling (BPM), nonché alla formazione dei nuovi profili professionali “Knowledge Worker Interdisciplinari” (KWI) [4], in grado di operare anche nell’ambito della R&S Innovazione delle piccole e medie imprese (PMI).

Dal 2017 ad oggi,  l’Ing. Giovanni Mappa ricopre anche l’incarico di Coordinatore dell’Area Ricerca Sviluppo e Innovazione (RSI) per un gruppo di Imprese di Napoli operanti nell’ambito dell’Ingegneria e dell’Ambiente/Energia. La sua attività comprende lo sviluppo di applicazioni basate su tecnologie dell’ingegneria della conoscenza, di nuovi prodotti o di nuovi processi, della gestione del portafoglio progetti di R&S e dell’analisi di nuove opportunità di business. Inoltre, attualmente ricopre anche il ruolo di responsabile tecnico-scientifico nell’ambito dello sviluppo di due progetti di ricerca MISE (Horizon 2020), relativi alla realizzazione di una piattaforma tecnologica evoluta e intelligente e di una apparecchiatura meccatronica per analisi ambientali.

My English Skills:

Giovanni Mappa has successfully completed the EF SET Certificate

Articoli specialistici:

    • “IL MATTINO” del 30 Ottobre 2010 – “Siamo i Meccanici della Conoscenza”: La sfida ANOVA – di Diletta Capissi.
    • “Il Sole 24 ORE”del 31 Maggio 2010: “La Ricerca Industriale che Produce Conoscenza Tangibile”.
    • “Il Denaro” del 25 Maggio 2010 – INNOVAZIONE  “Formo Operai della Conoscenza ”: Giovanni Mappa: da ricercatore a imprenditore segnalato da Il Sole 24 ORE – di Tania Sabatino
    • “CORRIERE della SERA” del 21 Dicembre 2009 – “ANOVA: il futuro non è il prolungamento del passato”
    • “Il Sole 24 ORE” del 2 Marzo 2009: Tecnologie ICT e Intelligenza Sensoriale “Catturare la Conoscenza per la Competitività: “Reti Cognitive di Monitoraggio e Controllo di Processo”
    • “Il Denaro” del 18 Ottobre 2008 – “On-Line  Color Index Detector” OCD – Algorithms and Software like X-ray aimed at innovative on-line computation of typical multidimensional features of colours in a single Index IC”
    • “Il Denaro” del 9 Febbraio 2008 –  “Innovative Knowledge Worker ” – A Researcher Training Course based on Knowledge Engineering organized by ANOVA to newly-graduated human resources. di Tania Sabatino
    •  “Il Denaro” dell’8 Dicembre 2007 – “Smart PILOT” – A Manager Microchip like a Decision Support System in Business Strategy in Action Control”. di Tania Sabatino
    •  “Il Denaro” dell’1 Febbraio 2007 “AIREXP” – Intelligent Monitoring System for industrial air toxic pollution- di Tania Sabatino.

Principali Pubblicazioni Scientifiche:

    • COMUNICAZIONE INTERDISCIPLINARE – Algoritmi di Comunicazione ProAttiva e Apprendimento Interdisciplinare – Giovanni Mappa – ed eBook – edit. Mnamon, 2018.
    • Modelli di Conoscenza come catalizzatori di efficienza cognitiva e strumento di sviluppo di sistemi decisionali: il caso BATTLE – Giovanni Mappa, Maurizio Casarci (ENEA-2014)
    • Il VALORE della CONOSCENZA nell’Era della Net Economy  – Giovanni Mappa (2013 Outsider News)
    • “INTERDISCIPLNARY THINKING BY KNOWLEDGE SYNTHESIS” – Algoritmi sullo Sviluppo della Interdisciplinarietà, del Buonsenso e del Valore, per le professioni emergenti – Giovanni Mappa IlMioLibro Editore (Settembre 2011- disp. su La Feltrinelli)
    • Capturing Knowledge in Real-Time ICT Systems to Boost Business Performance – Copyright©2009, AAAI – Association for the Advancement of Artificial Intelligence (aaai.org) – G.Mappa, N.Brancati
    • Mappa – “Expert Software tools for Unfailing Water Quality” – TNO Environmental, Energy and Process Innovation – Apeldoorn, 21th March, 2003.G.Mappa.
    • G.Mappa, R.Tagliaferri, D.Tortora – “On-line Monitoring based on Neural Fuzzy Techniques applied to existing hardware in Wastewater Treatment Plants” – AMSE-ISIS’97 – International Symposium on Intelligent Systems  – September 12, 1997.
    • G.Mappa – “Expert Software tools for Unfailing Water Quality” – TNO Environmental, Energy and Process Innovation – Apeldoorn, 21th March, 2003.G.Mappa –
    • G.Mappa, R.Tagliaferri, D.Tortora “On-line Monitoring based on Neural Fuzzy Techniques applied to existing hardware in Wastewater Treatment Plants” ADVANCES IN INTELLIGENT SYSTEM – IOS Press Ohmsha, 1997.
    • G. Mappa, et Alii (1996) – “Development of an Expert System for Nitrogen Removal Process Control” – EUROPEAN WATER POLLUTION CONTROL – EWPCA European Water Pollution Control – Volume 6, Numero 6, Novembre 1996, pagg.45-50.
    • G.Mappa – “Integrated Expert System for waste water management efficiency control” – Programma SME 1999/1 “Promotion of Innovation and Encouragement of SME Participation” –  CRAFT-1999-70771- Progetto vincitore dell’Exploratory Award n°EXAW-1999-01473- 1999
    • G.Mappa – “Distributed Intelligent Information System for Wastewater Management Efficiency Control” INFOWWATER- Wastewater Treatment Standards and Technologies to meet the Challenges of 21s t Century  4-7th April 2000 AD – Queen’s Hotel, Leeds, UK – 2000
    • G. Mappa, A. Sciarretta, S. Moroni e M. Allegretti (1993) “Sistema Esperto per la Gestione degli Impianti di Trattamento delle Acque Urbane” – Congresso Biennale ANDIS’93 – Palermo- 21-23 Settembre -Vol.II. – 1993
    • G.Mappa “Expert System for Identification of Filamentous Microorganisms Causing Bulking and Foaming in Activated Sludge System “- IAWQ e PROVINCIA di PERUGIA – Perugia 1995.
    • G.Mappa – “MICROexpert: un Sistema Esperto per il Controllo dei Problemi di Separazione Solido-Liquido nei Depuratori a Fanghi Attivi, basato sulle metodiche di indagine microscopica” – INGEGNERIA SANITARIA – Marzo 1995 .
    • G.Mappa -“Un Kit di Sensori ad Intelligenza Artificiale per il Telecontrollo Low-Cost degli Impianti di Depurazione delle Acque” – NEWS 2/95 -Endress+Hauser – 1995
    • G.Mappa, et Alii – “Sistema di monitoraggio e gestione del trattamento delle acque cromiche” – AI*IA99 – 6° Congresso della Associazione Italiana per l’Intelligenza Artificiale 7 Settembre 1999 – Facoltà di Ingegneria – BOLOGNA – 1999
    • G.Mappa, et Alii  – “On-line diagnostic system with intelligent software instrumentation based on neural fuzzy network” –  SMI’97 International Congress on Plant Maintenance – Instrumentation section – Fiera di Bologna, February 25, 1997.
    • G.Mappa, G.Salvi, R.Tagliaferri. “A Fuzzy Neural Network for the On-Line Detection of B.O.D.” –  Wirn Vietri ’95, VII Italian Workshop on Neural Nets ITALY. 1995.
    • Bonvicini,V., Indelicato, M., Mappa, G. “Sistema esperto per il Controllo dei Depuratori Biologici” – Convention ANIPLA Florence ITALY. 22 April 1997.
    • Bonvicini,V., Indelicato, M., Mappa, G. “Sistema Esperto per il Controllo dei Depuratori Biologici” – BIAS Automazione e Strumentazione No 9, pp. 119-125. September 1997.
    • Bonvicini,V., GHIANI, R., Mappa, G. “Approccio Globale con Sensoristica Intelligente nella Progettazione e Gestione degli Impianti” – Workshop Centro Studi Perugia ITALY. 28/29 May 1998.
    • Bonvicini, V., Mappa, G., Sabatino, P. “Monitoraggio della Qualità delle Acque Depurate con Sensori Intelligenti low-cost“ – WORKSHOP ’99 Artificial Intelligence for the Environment, Bologna ITALY. 17 September 1999.
    • Ghiani, R., Mappa, G. – “Sistema Esperto di Telecontrollo per il trattamento e Riutilizzo delle Acque Reflue” – WORKSHOP ’99 Artificial Intelligence for the Environment, Bologna ITALY. 17 September 1999.
    • Mappa, G., Sabatino, P. “Applicazione della sensoristica intelligente ‘INTESYSensors’ per il controllo on-line di un impianto di trattamento e affinamento di acque reflue in Sardegna” – Convention ANIPLA Automazione ’99 Roma ITALY. 24/25 November 1999.
    • O.Conio, V.Bonvicini, A.Carli, G.Mappa, et Alii – “ACQUE REFLUE URBANE – Sistemi Fognanti e Depurativi” – I processi, gli impianti e gli impatti – AMGA SpA – ECIG Editore – Genova 2002.
    • ATI 41° Congresso Nazionale – “Impianti a pompa di calore elioassistiti: modello di simulazione e verifica sperimentale su impianto pilota” – D.Laforgia, G.Mappa, V.Simi – Castel dell’Ovo –  Napoli, 23-26 Settembre 1986.
    • ATI  41° Congresso Nazionale – “Calcolo della radiazione solare globale su una superficie piana comunque inclinata: modello di previsione e verifica sperimentale” – D.Laforgia, G.Mappa  – Napoli, 23-26 Settembre 1986.
    • UNIVERSITA’ DI FIRENZE – Facoltà di Ingegneria – “Applicazioni Software in Campo Ambientale”; Intervento sul tema:” Sistemi di Monitoraggio Intelligente”; G. Mappa – Firenze, 17 aprile 1998.
    • CONVEGNO E+H sulla Strumentazione per la Gestione degli Acquedotti – Endress+Hauser – Napoli, 2 marzo 2000 – “Il Monitoraggio Consapevole nella gestione delle risorse idriche ” – José M. Schoorl, G.Mappa.
    • L’AMBIENTE – “Piattaforma Integrata di Sistema Esperto per il controllo in tempo reale dell’impianto di depurazione Darsena” di Genova” V. Bonvicini, M. Indelicato, G. Mappa, F. Guglielmi (1997) – Ranieri Editore, N.1 Gen.-Feb., 1997.
    • CENTRO STUDI DI PERUGIA – “La Gestione degli Impianti di Depurazione delle em for industrial Air PollutionAcque di Scarico: esperienze nazionali a Confronto” 28-29 Maggio 1998. Intervento sul tema:”Approccio Globale con Sensoristica Intelligente nella Progettazione e Gestione degli Impianti di Depurazione “- V. Bonvicini, R. Ghiani, G. Mappa , 1998.