Modelli di Conoscenza

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

Postato il 9 febbraio 202025 marzo 2025 di Giovanni Mappa in BLOGs, K-Commerce

Sviluppare una “Conoscenza Efficiente” con i Modelli di Conoscenza (ITKS)

Postato il 10 febbraio 201425 agosto 2022 di Giovanni Mappa in BLOGs, Formazione Interdisciplinare, Gestione Innovazione

Modelli di Conoscenza come Catalizzatori di Efficienza Cognitiva e Strumento di Sviluppo di Sistemi Decisionali

_____________________________________________________________________________________________

I Modelli di Conoscenza e il loro utilizzo: per definire in maniera esaustiva il concetto di Modello di Conoscenza (Knowledge Model) bisognerebbe addentrarsi nei meandri delle Scienze Cognitive; per constatarne invece la loro utilità operativa e applicabilità pratica, l’ambito di riferimento è l’Ingegneria della Conoscenza: su questi argomenti esiste infatti un immenso patrimonio di letteratura tecnico-scientifica, a partire addirittura dagli anni ’50. In termini generali, può essere sufficiente affermare come un Modello di Conoscenza sia un algoritmo di “sintesi logico-matematica” in grado di elaborare (inferenziare) una moltitudine di dati/informazioni acquisiti come input da fonti esterne eterogenee, per restituire come output informazioni decisionali rispetto ad un target prefissato.

In questo contesto, si intende mettere in evidenza come i modelli di conoscenza siano già a noi familiari da tempo e addirittura insiti nella nostra natura di esseri viventi in grado di osservare quanto ci circonda, interpretare tempestivamente gli eventi, gestire le incertezze e prendere delle decisioni di buon senso. Infatti, tutti noi seguiamo dei modelli di riferimento che possono riguardare l’etica, la famiglia, la politica, ecc., come insieme di regole e valori condivisi e collaudati. Esempi tipici di modelli di conoscenza si ritrovano addirittura negli aforismi o nei proverbi, nati dall’esperienza e dalla saggezza popolare: ci aiutano in qualche modo a riflettere e a metterci in allerta (early warning) di fronte ad eventi di pertinenza.

Peraltro, nell’era in cui viviamo dell’Economia della Conoscenza e della ricerca dello sviluppo sostenibile, ciò si tradurrebbe da un lato, nella necessità di gestire la conoscenza secondo principi “tangibili” di economia, introducendo strumenti di misurazione del valore della conoscenza e dall’altro sviluppando un approccio sistematico e interdisciplinare alla risoluzione dei problemi. Tutto ciò si traduce nella necessità di gestire la conoscenza in maniera efficiente, ovvero in maniera tale da raggiungere gli obiettivi nel minor tempo e con la massima economicità, mentre ora sappiamo farlo già in maniera efficace e stiamo ancora imparando a farlo in maniera economica: Net-Economy, Big-Data, Green Energy, Smart City sono solo alcuni dei possibili contesti che ci richiamano il concetto di conoscenza efficiente [22][23][24][25]. I Modelli di Conoscenza ci aiutano a questo scopo: sono dei “Knowledge Pattern”, sintesi di regole già note o rese tali da opportuni procedimenti di estrazione di conoscenza (Data Mining /Knowledge Extraction), che forniscono le chiavi di lettura della complessità trasformandola in un sistema di knowledge pattern più semplici e sintetici. In altri termini, i modelli di conoscenza fungono da “scorciatoia” o da catalizzatori nei processi cognitivi per aumentarne l’efficienza. L’approccio dei Modelli di Conoscenza è stata presentato ufficialmente dall’autore della presente memoria per la prima volta nel 1993 a Palermo, in occasione del Congresso ANDIS, come sviluppo di un Sistema Esperto per la gestione dei processi biologici di depurazione delle acque, dimostrando come fosse possibile prevenire le anomalie di processo, incrociando i dati chimico-fisici di processo con le informazioni quali-quantitative relative al comportamento biologico (non-deterministico) dei microorganismi depurativi.

Un modello di conoscenza non è necessariamente qualcosa di complicato, anzi può essere molto semplice, ad esempio se consideriamo la seguente espressione del Valore di un prodotto/servizio:

Se un prodotto/servizio fornisce le funzionalità f1+f2+f3, il costo di produzione corrispondente sarà c1+c2+c3 e pertanto:

se si sbaglia a fornire una o più funzionalità fi perché non corrispondente a quanto richiesto o perché non necessaria, si avrà comunque un costo corrispondente ci e quindi, il Valore Vp sarà inferiore al dovuto: ciò esprime il concetto di Qualità del Prodotto/Servizio;
se a parità di fi, riduco i costi ci dislocando l’azienda in paesi dell’estero ove è possibile farlo o acquistando materie prime più economiche il Valore Vp aumenta (virtualmente), ma dal momento che ci (al denominatore) può al limite tendere a zero, dopo di che il prodotto/servizio è perso inevitabilmente: ciò esprime il concetto di una Visione (suicida) di Cash-Flow di breve periodo del Prodotto/Servizio;
solo migliorando e incrementando le fi, ovvero investendo in ricerca e innovazione si ha che il Valore si incrementa realmente (al limite all’infinito) ed è in grado di competere sul mercato: ciò esprime il concetto di una Visione (imprenditoriale) di medio-lungo periodo del Prodotto/Servizio;

Come è facile constatare, un semplice rapporto come quello sopraindicato esprime da solo, un modello di conoscenza che se fosse stato utilizzato dalla politica economica degli ultimi vent’anni, l’Italia oggi si troverebbe a competere con un rafforzato Made in Italy senza la necessità di svendere le aziende italiane e il patrimonio nazionale [7].

Concetti e Principi Base: i Modelli di Conoscenza (Knowledge Models) sono quindi algoritmi che utilizzano il “linguaggio universale” della matematica per sviluppare in maniera quali-quantitativa sintesi di regole, di concetti e di scenari. Entrando più nel merito dell’argomento, è possibile enucleare alcuni concetti sui quali si basa applicazione della metodologia. Risulta necessario infatti definire alcuni punti chiave:

a) Catena della Conoscenza: si tratta del primo principio sul quale si basa la struttura dei modelli di conoscenza, ovvero quello relativo alla Knowledge Chain DIKW (Data/Info/Knowledge/Wisdom), nella quale si distinguono i dati dalle informazioni e queste ultime dalla conoscenza, fino ad arrivare al concetto di saggezza. 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,…) che ne condizionano poi la loro “qualità”. Le informazioni sono 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”). Ad esempio: misurando la temperatura, la pressione atmosferica e l’umidità relativa esterna (dati), si ottiene un’informazione che può essere correlata all’abbigliamento da indossare (processo), condizionata dal “peso” che la stessa informazione ha su una determinata persona piuttosto che su un’altra e dura lo spazio temporale (ciclo di vita) limitato alla rispettive necessità di uscire da casa.

ke2.jpg (1040×296)

Fig.1 – La Catena della Conoscenza DIKW

La catena della conoscenza DIKW non è solo un legame funzionale, ma esprime anche una azione: “ La conoscenza è informazione in azione“[21]. Con riferimento al DIKW e alle precedenti considerazioni, si potrebbe quindi definire la conoscenza come la facoltà umana risultante dall’interpretazione delle informazioni finalizzata all’azione (Knowledge in Action), ovvero il risultato di un processo di inferenza e di sintesi (ragionamento), a partire da dati verso la saggezza (come ulteriore livello di astrazione dalla conoscenza acquisita).

b) Indipendenza Strutturale della Conoscenza dal contesto di riferimento: il principio base più innovativo è senza dubbio quello che esprime l’indipendenza della conoscenza dalla struttura lessicale e dal particolare glossario dei termini utilizzato: la struttura della conoscenza non è legata al peculiare ambito applicativo, ovvero: i processi di ragionamento fautori di conoscenza non sono “figli unici di madre vedova”, ma seguono dinamiche trasversali e interdisciplinari che sono ripetitive secondo classi tipologiche che fanno parte di un sistema inerziale nel quale valgono universalmente i principi base della Natura e dell’uomo (v. Piramide dei Bisogni Primari di A.Maslow [20]), a prescindere dagli scenari tecnologici, politici e di mercato del momento. Un esempio per tutti di indipendenza strutturale della conoscenza: l’Ingegneria Biomedica è nata quando finalmente discipline diverse dal punto di vista lessicale e dei contenuti, come la medicina, la fisica, l’ingegneria, la biologia, ecc., si sono incontrate “interdisciplinarmente” nel suddetto sistema di riferimento inerziale, al fine di soddisfare un bene primario come quello della salute. L’esistenza di una struttura comune della conoscenza consente un’interazione più facile con nuove aree di conoscenza e favorisce lo sviluppo dell’approccio di ragionamento interdisciplinare o “Interdisciplinary Thinking” [7], in quanto anche trovandosi in un contesto nuovo di conoscenza, è possibile riconoscere la struttura (comune) di ragionamento di riferimento e adattarsi velocemente allo specifico lessico e al glossario dei termini utilizzato e infine, essere in brevissimo tempo pro-attivi fornendo il proprio contributo cognitivo.

c) Propagazione del Grado di Certezza (vs Probabilità): altro principio fondamentale e distintivo dei modelli di conoscenza rispetto ad esempio, all’approccio statistico e probabilistico utilizzato normalmente nello sviluppo di strumenti inferenziali complessi come le ”Reti Bayesiane”, è che nella realtà industriale (e non solo) è poco frequente disporre di dati sufficientemente numerosi ed affidabili, nonché rappresentativi di un prefissato fenomeno in esame. Spesso viene confusa ad es. l’esistenza di un fenomeno con la frequenza con cui esso appare, fino a commettere l’errore di negarne l’esistenza soltanto perché “poco probabile”: è superfluo sottolineare come le catastrofi che puntualmente si verificano (in Italia e nel mondo) in occasione di ogni evento naturale “anomalo”, siano anche frutto di valutazioni a bassa probabilità… I modelli di conoscenza operano sulla propagazione della certezza, la quale si basa sul seguente concetto: se due o più informazioni input hanno un contenuto informativo inferenziale, eventualmente anche parziale o incerto a favore di una certa conclusione output, quest’ultima, frutto dell’intersezione ”insiemistica “ delle prime due, acquisirà un grado di certezza maggiore di quello contenuto in ciascuna delle informazioni di origine.

d) Computazione Non-Deterministica: i Modelli Matematici possono essere considerati come un particolare sottoinsieme dei Modelli di Conoscenza, ma mentre nei primi si rappresenta la realtà dei fenomeni secondo procedimenti deterministici e subordinata in genere a delle ipotesi iniziali semplificative, nei modelli di conoscenza la realtà è rappresentata anche nella propria natura non-deterministica, attraverso un approccio sistemico e procedimenti che tengono conto della “naturale” incertezza nei dati e nelle informazioni, rispetto alla minimizzazione degli errori e alla ricerca di soluzioni di “buon senso” (common sense). Poniamoci infatti, la seguente domanda: nel ragionare e prendere ad es. una decisione, il nostro cervello risolve un sistema di equazioni o risolve per caso un’espressione algebrica? Certo che no. Allora forse c’è un “gap” tra quello che ci hanno insegnato a scuola nell’ambito delle computazione di dati (v. Matematica) e il modo “naturale” di computare informazioni proprie del nostro cervello e poi trasferito alle macchine (v. Intelligenza Artificiale). La computazione non deterministica ci consente di fare operazioni con le informazioni quali-quantitative anziché con i dati, ovvero con il contenuto informativo che i dati possono o meno esprimere. Un dato può essere considerato come un “insieme” che ha un contenuto informativo percentualmente differente a seconda del contesto e del target a cui è destinato. Ritornando all’esempio precedente sulle condizioni atmosferiche, un valore di temperatura dell’aria esterna di 15 °C rispetto alla scelta di vestirsi in maniera adeguata per uscire di casa fornisce una indicazione decisionale solo parziale (% certezza), se non è sovrapposta alle altre informazioni come ad es. la pressione atmosferica e l’umidità relativa. L’insieme risultante dall’intersezione dei tre insiemi di partenza ottenibile rispetto ad un target di “tempo di pioggia” o di “tempo soleggiato”, fornisce un valore % risultante di certezza più elevato rispetto a quello che ciascun dato di partenza può esprimere singolarmente: se consideriamo che la temperatura di 15°C rispetto al target “meteo-pioggia”, contribuisce per il 30%, mentre la pressione atmosferica per il 25% e l’umidità relativa per il 35%, si avrebbe che la decisione di vestirsi in un certo modo piuttosto che in un altro avrebbe un grado di certezza complessivo del 65,875% (somma insiemistica), che è superiore al 50% di soglia, anche se con ancora un 34,125% di % incertezza che potrebbe essere soddisfatto da un’altra “intersezione insiemistica” fornito da un ulteriore dato (ad es. dal valore della velocità del vento). Alle stesse conclusioni si potrebbe arrivare con dati differenti (v. es. millimetri di pioggia), sia in termini di contenuto informativo che numerici.

e) Modellazione Reticolare della Conoscenza: dal punto di vista logico, ogni modello di conoscenza è rappresentabile da una “cella informativa base” dotata di “n” dati/info in ingresso (input) e “m” meta-informazioni in output: all’interno della cella è possibile avere differenti relazioni di inferenza input/output: dalla semplice inferenza XY (curva di conoscenza n=1, m=1), fino a intere matrici “n*m” inferenziali. Gli “m” output di una cella possono a loro volta diventare in parte o in toto, input per un’altra cella e così via fino a realizzare una rete di celle in grado di elaborare un numero teoricamente infinito di informazioni.

Un processo tipico di “modellazione” della conoscenza, soprattutto nella realizzazione di sistemi on-line di controllo, 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 (v. Fig.2).

Fig.2 -Processo tipico di Modellizzazione della Conoscenza (Knowledge in Action)

Dal punto di vista concettuale [7], questo processo di modellazione della conoscenza è raffigurabile anche come una rete neurale artificiale 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).

Grado di innovazione rispetto allo “Stato dell’Arte”: il grado di innovazione di questa metodologia rispetto allo “Stato dell’Arte”, risiede essenzialmente nei seguenti punti:

rispetto alle Reti Neurali Artificiali (ANN) ogni nodo-neurone i-esimo è in grado di elaborare dinamicamente un numero elevato di input/output (multidimensionalità inferenziale), anziché un solo input/output con un’unica (e spesso statica), funzione di inferenza (attivazione);
l’elaborazione inferenziale all’interno di ciascun nodo ha un adattamento continuo (apprendimento), ma rimane sempre “visibile”: è possibile in ogni momento ispezionare la configurazione di ciascun nodo della rete e dei relativi collegamenti-sinapsi, per cui il processo cognitivo è sempre tracciabile (cosa in genere non possibile nelle ANN);
rispetto ai procedimenti statistico-probabilistici ed in particolare alle Reti Bayesiane, i Modelli di Conoscenza operano sul grado di certezza dei contenuti informativi, secondo un processo incrementale che ne riduce progressivamente l’errore, ottimizzando realisticamente il valore del processo cognitivo: ciò cambia totalmente il punto di vista rispetto al problema della disponibilità di dati storici e dei campioni statisticamente significativi, essendo in grado di utilizzare tutte le informazioni quantitative, qualitative o anche incerte di cui si è a disposizione, giungendo sempre ad una conclusione, con un livello di qualità ovviamente inversamente proporzionale alla stessa qualità degli input.

Campi di Applicazione: l’utilizzo di questi Modelli di Conoscenza offre diverse possibilità, con riferimento sia ai sistemi on-line/real-time e di Early-Warning (EWS), sia ove vi sia la necessità di supportare la diagnostica e la presa di decisione, particolarmente in situazioni caratterizzate da interdisciplinarietà, eterogeneità quantitativa e qualitativa dei dati, come ad es., nei processi ambientali, nella gestione dei processi industriali e addirittura, nella valutazione di beni intangibili come ad es. il valore della conoscenza stessa.

Lo spettro di azione dello sviluppo dei modelli di conoscenza è comunque molto ampio: a partire dai casi più semplici (2D) nei quali i modelli di riferimento (in questo caso “Curve di Conoscenza”) sono già noti ed esplici, ovvero i modelli sono impliciti e derivanti dall’elaborazione dati storici e dall’esperienza, fino a casi più complessi nei quali si hanno moltissime informazioni quanti-qualitativamente eterogenee derivanti da differenti sorgenti di dati (v. Big-Data), dove è necessario lo sviluppo di modelli di conoscenza del tipo Rete Neurali a Neuroni Esperti (v. Fig.2 XBASE tool, ANOVA).

Fig.3 -Processo tipico di Modellizzazione della Conoscenza (ANOVA XBASE tool – Fig. da ENEA/BATTLE)

Le esperienze applicative dei modelli di conoscenza sviluppate dallo scrivente dal 1993 ad oggi, riguardano soprattutto l’ambito dei Sistemi Esperti di Supporto alle Decisioni, dei Sistemi on-line/real-time di Monitoraggio “Consapevole” e dei Sensori Software Intelligenti. In particolare, sono stati realizzati sistemi per:

la rilevazione early-warning del rischio/credito;
per il recupero di centri storici post-sisma;
sistemi di controllo processo in ambito alimentare (mosto/vino, olio d’oliva EV, caseario),
il monitoraggio on-line della qualità delle acque e del loro trattamento depurativo;
il controllo early-warning degli Incendi boschivi e della salvaguardia ambientale;
il monitoraggio early-warning degli odori molesti da impianti di trattamento rifiuti;
il controllo energy saving di processi biologici;
la gestione early-warning/predittiva della manutenzione di impianti industriali;
diversi studi fattibilità operativa.

Note conclusive: si è presentata una metodologia sperimentata da parte dell’autore oramai nell’arco di un ventennio e che, nata per sviluppare sistemi basati sulla conoscenza (Knowledge Based System) e sistemi esperti di controllo, ha consentito una generalizzazione dell’approccio mentale rivelatasi molto utile nei processi decisionali. L’esperienza applicativa ha infatti mostrato la possibilità di considerare questa metodologia, oltre che uno strumento per rendere più performanti i sistemi informatici e di controllo automatico, anche come una vera e propria nuova “forma mentis” che consente di gestire la conoscenza in maniera interdisciplinare ed efficiente (Interdisciplinary Thinking)[7].

Conoscere per competere perché il futuro non è il prolungamento del passato…[7]

Bibliografia

[1] Kendal, S.L.; Creen, M. (2007), An introduction to knowledge engineering, London: Springer, ISBN 9781846284755, OCLC 70987401
[2] Jackson, Peter (1998), Introduction To Expert Systems (3 ed.), Addison Wesley, p. 2, ISBN 978-0-201-87686-4
[3] Mohsen Kahani – “Expert System & Knowledge Engineering in Wikipedia” (2012)
http://fumblog.um.ac.ir/gallery/435/Expert_System_Knowledge_Engineering_in_Wikipedia.pdf
[4] Pejman Makhfi – “Introduction to Knowledge Modeling” (2013) – http://www.makhfi.com/KCM_intro.htm#What
[5] Luca Console “Problem Solving Diagnostico: Evoluzione e Stato dell’Arte” – Dipartimento di Informatica – Università di Torino – AI*IA Notizie – Anno X n°3 Settembre 1997.
[6] L. Console, P. Torasso: “Diagnostic Problem Solving: Combining Heuristic, Approximate and Causal Reasoning”, Van Nostrand Reinhold, 1989.
[7] Giovanni Mappa “Interdisciplinary Thinking by Knowledge Sysnthesis” – IlMioLibro Editore (2011). http://ilmiolibro.kataweb.it/schedalibro.asp?id=647468
[8] N. Brancati, G. Mappa (2009) “Capturing Knowledge in Real-Time ICT Systems to Boost Business Performance” ANOVA – Cognitive and Metacognitive Educational Systems: Papers from the AAAI Fall Symposium (FS-09-02)
[9] Henrion, M. (1987). “Uncertainty in Artificial Intelligence: Is probability epistemologically and heuristically adequate?” In Mumpower, J., editor, Expert Judgment and Expert Systems, pages 105–130. Springer-Verlag, Berlin, Heidelberg.
[10] 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
[11] 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
[12] EDILMED ‐ Convegno “Tecnologie Post‐Industriali trasferibili all’Architettura e all’Edilizia” ‐ Mostra d’Oltremare ‐19‐21 Maggio. Presentazione relazione su XBASEtool: “La Tecnologia dei Sistemi Esperti nell’Edilizia: Qualità Edilizia e Manutenzione Intelligente” ‐ G.Mappa‐ Napoli, 1995.
[13] G. Mappa, R. Tagliaferri, D. Tortora – “On- line Monitoring based on Neural Fuzzy Techniques applied to existing hardware in Wastewater Treatment Plants” – AMSEISIS’ 97 – INTERNATIONAL SYMPOSIUM on INTELLIGENT SYSTEMS – September 12, 1997.
[14] G. Mappa, G. Falivene, M. Meneganti, R. Tagliaferri – “Fuzzy Neural Networks for Function Approximation” – Proceedings of the 6th International Fuzzy Systems Association World Congress IFSA (1997).
[15] G. Mappa – “Distributed Intelligent Information System for Wastewater Management Efficiency Control” – Wastewater Treatment Standards and Technologies to meet the Challenges of 21s t Century 4-7th April 2000 AD – Queen’s Hotel, Leeds, UK.
[16] G. Mappa, G. Salvi, G. Tagliaferri, R. (1995) “A Fuzzy Neural Network for the On-Line Detection of B.O.D.” – Wirn Vietri ’95, VII Italian Workshop on Neural Nets ITALY.
[17] 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
[18] “The Fractal Nature of Knowledge” Arnold Kling – Posted on December 4, 2008 by sethearley. http://sethearley.wordpress.com/2008/12/04/the-fractal-nature-of-knowledge/
[19] Benoît B. Mandelbrot, Les objets fractals: forme, hasard et dimension, 1986
[20] Abraham Harold Maslow, A Theory of Human Motivation, Psychological Review 50(4) (1943):370-96.
[21] Carla O’Dell and C. Jackson Grayson, Jr. – “If Only We Knew What We Know,” Free Press, 1998.
[22] http://www.conoscenzaefficiente.it/
[23] http://waterenergyfood.net/2013/08/08/it-en-algoritmi-sullo-sviluppo-della-interdisciplinarieta-del-buonsenso-e-del-valore/
[24] http://waterenergyfood.net/2013/06/10/il-valore-della-conoscenza-nellera-della-net-economy-2-parte/
[25] http://waterenergyfood.net/2013/06/18/il-valore-della-conoscenza-nellera-della-net-economy-3-parte/

Approccio Statistico “ANOVA” vs “Modelli di Conoscenza” nell’Analisi di Processi Biologici

Postato il 4 febbraio 201429 dicembre 2019 di Giovanni Mappa in Formazione Interdisciplinare, Gestione Innovazione

METODOLOGIA DI APPROCCIO: Modelli di Conoscenza

La scelta della metodologia dei “Modelli di Conoscenza”, nasce dall’esigenza di controllare e ottimizzare la funzionalità di un processo complesso che, specialmente se presenta una sezione “biologica” e input (carichi) variabili quali-quantitativamente nel tempo, non può essere assimilato ad un processo ciclico ripetitivo.

Pertanto, si sceglie in questi casi di non seguire un tradizionale approccio statistico (v. ANOVA– ANalysis Of VAriance), in quanto basato essenzialmente su dati storici e in genere molto costoso, preferendo un approccio più vicino agli esperti di processo, basato sulla “fusione” interdisciplinare tra dati rilevati e conoscenza degli esperti: i Modelli di Conoscenza.

Principi Base del Metodo basato sui Modelli di Conoscenza

a) Approccio Sistemico: realtà suddivisa in processi unitari (input/output), interagenti tra loro

b) Significatività e Rappresentatività delle Misure: è molto importante assicurarsi che i campioni oggetti di indagine siano realmente rappresentativi della realtà operativa o di classi di esse; pertanto le prove vanno eseguite definendo i parametri di caratterizzazione, come ad es.: Valore X = ¦[Xmin, Xmax, Xmed, X+freq, durata(X+freq)]

c) Modellazione delle Inferenze Input/Output: algoritmi di correlazione sistemica.

CONFRONTO METODOLOGIE

PRO

CONTRO

Modelli Statistici

Forniscono una analisi più oggettiva rispetto ai dati acquisiti (storici).

Metodologia più conosciuta.

Elaborano dati storici e quindi sono poco generalizzabili: interpretazione dei dati al passato.
Più costosi perché necessitano di numerose prove per realizzare un campione statistico rappresentativo
Risolvono gli errori e le discrepanze come Varianza Statistica e sulla base di Test Multifattoriali di Significatività (ANOVA – Analysis of Variance) non sempre generalizzabili.
Risultati in Output in genere non generalizzabili e non migliorabili incrementalmente, se non a costo di ripetere l’intera analisi.

Modelli di Conoscenza

Interpretazione dei dati rispetto all’attualità operativa, perché si basano su dati il cui valore è quello derivante dall’esperienza operativa aggiornata come “media ragionata” (valore più frequente e plausibile).
Meno costosi perché basati su un numero di prove minimo necessario a definire le classi operative di funzionamento.- Risolvono gli errori e le discrepanze attraverso la Cross-Correlation delle informazioni assunte e sulla base della propagazione della certezza.
Risultati in Output generalizzabili (per definizione) e migliorabili incrementalmente.

Forniscono una analisi più influenzabile dalla expertise degli operatori che detengono la conoscenza.

Metodologia meno conosciuta.

CV – Giovanni Mappa

Postato il 26 gennaio 201413 agosto 2024 di Giovanni Mappa in Giovanni Mappa

Dott. Ing. Giovanni Mappa (rev. 2024)

Business Innovation Advisor (BIA)

Opero da diversi anni nell’ambito della ricerca e implementazione di soluzioni creative e innovative per le imprese, al fine di perseguire opportunità di crescita e promuovere e sviluppare contestualmente, la cultura dell’innovazione.
Gli aspetti caratterizzanti e distintivi del mio operato professionale sono:
– approccio interdisciplinare (interdisciplinary thinking) nel riconoscere le esigenze delle organizzazioni e nell’affrontare e risolvere i problemi che possono ostacolare la crescita dell’impresa;
– profonda conoscenza dei processi e del quadro normativo di riferimento per le attività rientranti nell’ambito della Ricerca Industriale (RI), dello Sviluppo Sperimentale (SS) e dell’Innovazione Tecnologica (AI, Blockchain, Monitoraggio Intelligente e Sistemi Knowledge Based), con particolare riferimento all’ammissibilità delle agevolazioni finanziarie e fiscali;
– attitudine all’operatività tempestiva pur nel contesto della visione e della missione strategica dell’impresa;
Ho maturato una consolidata esperienza in posizione di responsabilità nella gestione di rilevanti programmi e progetti (oltre 15 Mil.€) di innovazione tecnologica/trasformazione digitale e della divisione ICT presso aziende/gruppi societari di rilevante complessità organizzativa e funzionale, con strutture (RSI) dedicate alla trasformazione digitale e tecnologica.

STORIA PROFESSIONALE (II Fase: dal 2015 in poi)

Dal 1° feb. 2024 si presenta una nuova sfida in qualità di Business Innovation Advisor: gestire il cambiamento e sviluppare innovazione in una società cooperativa di ingegneria e lavori (WT eng.), operante nel settore del trattamento acque e rifiuti.

L’analisi del posizionamento strategico (Audit Tecnologico) dell’impresa WT eng. sul mercato, ha consentito di identificare le aree di miglioramento e le opportunità di innovazione che meglio rispondono alle necessità dell’azienda. L’analisi dettagliata delle dinamiche aziendali, con un focus specifico su innovazione, digitalizzazione, processi operativi, vendite e marketing, ha consentito un esame approfondito delle performance attuali e delle lacune da colmare rispetto ai concorrenti. L’analisi è stata condotta secondo il seguente modello:

Analisi dell’azienda e del mercato di riferimento sviluppata tramite l’intelligenza artificiale Delfi.ai;

Audit, attraverso questionari/interviste su tecnologie, digitalizzazione e innovazione aziendale.
L’obiettivo dell’analisi è fornire una visione complessiva della situazione economica e finanziaria dell’azienda, nonché delle sfide operative e delle opportunità di crescita a breve-medio termine. L’approccio analitico adottato permette di delineare un quadro che affronta sia le criticità sia le prospettive di sviluppo, sottolineando l’importanza di promuovere l’innovazione e perseguire l’eccellenza nel settore.

Audit tecnologico_WT ENG rev Download

___________________

Dal 2016 a fine 2023, ho ricoperto l’incarico di Responsabile Coordinatore dell’Area Ricerca Sviluppo e Innovazione (RSI) contemporaneamente per la società ARETHUSA Srl, operante nell’ambito dei Servizi Integrati di Ingegneria BIM e dell’Ingegneria di Manutenzione (Facility Management) e per la società NATURA Srl, società di servizi di analisi di laboratorio in ambito ambientale.

_________

Principali esperienze

Responsabile tecnico-scientifico del progetto di ricerca REASSET (MISE 2018 “Fabbrica Intelligente”) per la realizzazione di un prototipo di Piattaforma tecnologica MaaS (Maintenance as a Service) basata sull’utilizzo integrato di IoT-Blockchain, per la condivisione inter-operativa e trasparente di informazioni autenticate e protette, riguardanti la valorizzazione e la gestione operativa in tempo REale degli ASSET tecnico-impiantistici e delle transazioni tecnico-economiche relative alle interazioni tra i diversi soggetti coinvolti nell’intera filiera del Facility Management.
Responsabile tecnico del progetto di ricerca CADS “Creazione di un Ambiente Domestico Sicuro” – presentato ai sensi dell’Avviso MIUR di cui al D.D. n.1735 del 13 luglio 2017 e ss.mm. e ii. e ammesso agli interventi previsti dal PNR 2015-2020 con D.D. 29 settembre 2020, prot. n. 1540. Arethusa opera come consorziato di STRESS Scarl (Distretto ad Alta Tecnologia per l’edilizia Sostenibile). Si tratta di una piattaforma in cloud finalizzata al riconoscimento e caratterizzazione prestazionale di elementi non strutturali nell’ambito degli asset di tipo ospedaliero.
Responsabile tecnico del progetto di ricerca DIGGERly (DIGital acquisition and technical leadGER of reality) – POR CAMPANIA FESR 2014/2020 Avviso pubblico per il sostegno alle MPMI campane nella realizzazione di progetti di trasferimento tecnologico e industrializzazione – riguardante lo scale-up di maturità tecnologica (da TRL 4 a TRL 7) di un prototipo di piattaforma innovativa web (SaaS) finalizzata all’acquisizione digitale “rapida” dello stato di consistenza (censimento), alla generazione dell’anagrafica tecnica ed al “tracciamento & confronto” periodico degli scenari di “cambiamento” (aggiornamento) degli asset oggetto di manutenzione.
Sviluppo (2017-2018) per conto di ARETHUSA srldi un prototipo di piattaforma informatica collaborativa (PROBIM) basata sull’utilizzo integrato di tecnologie di supporto della PROgettazione parametrica BIM e della capitalizzazione dell’esperienza, finalizzata allo sviluppo di offerte competitive di qualità, in linea con la riforma europea delle gare di appalto: “Attività di Ricerca Industriale e Sviluppo Sperimentale per la realizzazione di una innovativa piattaforma “tecnologica di contenuto e di gestione dell’informazione”(TIC), basata su tecnologie di progettazione parametrica BIM (Building Information Modeling) e di capitalizzazione dell’esperienza acquisita, in grado di supportare in maniera collaborativa e interdisciplinare il team che lavora per lo sviluppo di offerte competitive di qualità, nell’ambito delle gare di appalto nei settori di interesse”. PON 2014-2020 ASSE 1 – Programma Operativo Nazionale “Imprese e Competitività” 2014/2020 FESR, – Azione 1.1.3 – Bando MISE 2016.
Sviluppo (2016) per conto di ARETHUSA srl del Progetto di ricerca di soluzioni innovative multifunzionali per l’ottimizzazione dei consumi di energia primaria e della vivibilità indoor del sistema edilizio: SMART-CASE – Soluzioni innovative MultifunzionAli peR l’otTimizzazione dei Consumi di energiA primaria e della vivibilità indoor nel Sistema Edilizio (Soggetto Beneficiario: STRESS Scarl) – Avviso n. 713/Ric. del 29/10/2010 – Titolo III – “Creazione di nuovi Distretti e/o Aggregazioni Pubblico Private”.
Progetto AMS – “Autonomic Maintenance System” – POR Campania 2000/2006 Misura 3.17 Settore ICT – Progettazione e Sviluppo di una Piattaforma ICT per la Gestione Autonomica, Integrata e Collaborativa della Manutenzione – per conto di Arethusa srl. Piattaforma integrata Web con Microsoft .NET/XBASE-EGroupWare-TIBCO).
Sviluppo per conto di NATURA srl del progetto di ricerca ROBILAUT “RObot campionatore moBILe a navigazione sotterranea AUTonoma e intelligente in cumuli di terreno, secondo tracciati digitalizzati 3D personalizzabili, per il prelievo e omogeneizzazione di campioni da sottoporre ad analisi”. MISE -Progetti di ricerca e sviluppo nell’ambito dei settori applicativi coerenti con la Strategia nazionale di specializzazione intelligente (SNSI) – Fabbrica Intelligente.
Sviluppo (2017-2018) per conto di NATURA srl di un prototipo di apparecchiatura meccatronica complessa (PREMATIC-LAB) per l’automazione delle fasi di pre-analitica di campioni di “matrice solida” in ambito ambientale: “Attività di Ricerca Industriale e Sviluppo Sperimentale per la realizzazione di un prototipo di apparecchiatura meccatronica modulare, destinata ai laboratori di analisi ambientale, in grado di automatizzare le fasi di processo relative alla preparazione (preanalitica) dei campioni a matrice solida, con incremento di produttività in condizioni di eco-compatibilità” – PON 2014-2020 ASSE 1 – Programma Operativo Nazionale “Imprese e Competitività” 2014/2020 FESR, – Azione 1.1.3 – Bando MISE 2016.

_______________

Durante questo periodo ha avuto l’opportunità di frequentare corsi di specializzazione come “Teoria e Pratica di Project & Information Management nel Campo dell’Ingegneria” OICE Academy; Qualificazione e certificazione UnionCamere/MISE come “Manager dell’Innovazione”; Specializzazione Universitaria “BLOCKCHAIN FOR PROFESSIONAL AND BUSINESS SERVICE“– A.A. 2019/2020; Formazione APRE sull’utilizzo di strumenti di Finanza Agevolataregionali, nazionali ed europei (rif.: Horizon Europe/ EIC Accelerator e Pathfinder) ed altri corsi di formazione professionale e di aggiornamento.

_______________

STORIA PROFESSIONALE (I Fase: 1985-2014)

Laureato in Ingegneria Meccanica/Impianti nel 1985 presso il Politecnico di Bari.

Vincitore nel 1996 di una Borsa di Studio nell’ambito della selezione a livello nazionale di neolaureati da inserire nell’ambito della Ricerca e Sviluppo e Innovazione Industriale (FINSIDER), presso il CSM (Centro Sperimentale Materiali [Ing. M. Ghersi – Ing G. Todarello) a Roma. Il periodo di formazione è durato circa un anno e si è poi concluso con successo.

_____________________

Dal 1987 al 1991, ha vissuto una intensa esperienza da progettista e da responsabile di progetto (con procura alla firma) nella società di ingegneria ITALIMPIANTI SpA (Gruppo IRI) di Genova, dove ha svolto in particolare, attività di progettazione, coordinamento e assistenza al cantiere per la realizzazione di impianti tecnologici e reti metano.

______________

Nel 1992, entro come ricercatore nel Consorzio SESPIM di Ricerca per le Applicazioni Reali dell’Intelligenza Artificiale (ALENIA, ITALIMPIANTI) con sede a Napoli. Qui ho l’opportunità di acquisire una formazione specifica nell’ambito applicativo delle tecnologie ICT e dell’Intelligenza Artificiale, delle metodologie dell’Ingegneria della Conoscenza (Data Analytics, Machine Learning, Knowledge Exstraction) all’interno del Consorzio di Ricerca SESPIM (5 anni) [vari docenti dell’UNISA tra cui: Vincenzo Loia – Prof. Roberto Tagliaferri].

Nel 1994 sempre in SESPIM assume il ruolo di coordinatore di progetti di ricerca riguardanti il settore dei Sistemi Esperti real-time per applicazioni ambientali (S.C.E.T.T.R.O.) e il settore della sensoristica intelligente (Soff-Sensors, Virtual Sensors). Inoltre, ho l’opportunità di formarmi sulle metodologie di gestione del Capitale Intellettuale (Intangibles IPR) per lo sviluppo delle opportunità di business, nell’ambito della R&S e dello sviluppo di nuovi prodotti/servizi. Metodologie per la Gestione degli Intangibles, per lo sviluppo delle Opportunità di Business. [docente: ssa Annie Brooking in ALENIA).

______________

Nel 1997, con un’operazione di “Spin-Off” dal SESPIM, fonda ANOVAstudi.com: una società privata di ricerca industriale, di servizi interdisciplinari di ICT e di Intelligenza Artificiale.

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 vice-presidente nel Consorzio di Ricerca ENEA/TERRI – “Consorzio per lo Sviluppo e il Trasferimento di Tecnologie di Recupero e Riciclo di Residui Industriali” – presso il Centro Ricerche ENEA della Trisaia a Rotondella (MT).

Nel 2004 ottiene, per la società ANOVAstudi.com, la certificazione di Laboratorio di Ricerca Industriale MIUR (Ministero dell’istruzione, dell’università e della ricerca), impiegando 15 giovani ricercatori e operando nell’ambito dei Sistemi ICT e Sistemi Esperti per il “mercato libero” della ricerca industriale per le imprese (PMI). Responsabile del Laboratorio R&S ANOVA(Novembre 1997 – in corso) – ANOVA (Centro Direzionale, is.G1/c Napoli, (Lab. ANOVA) http://albolaboratori.miur.it/Regione.aspx?LabCat=306).

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.

____________

2014 Riconoscimento “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. Angelo Michele VINCI – Cavaliere del Lavoro e Presidente di Confindustria Bari-BAT

Fine della I Fase del mio sviluppo professionale (1985-2014)

____________________

Altri progetti di rilievo realizzati come ANOVA:

Progetto Europeo BATTLE/ENEA (Progetto LIFE Ambiente) – Sviluppo di un Sistema ICT Real-Time di Gestione e Controllo del Recupero di Acque di Processo da una Industria Tessile – per conto di ENEA (piattaforma real-time Microsoft.NET/WDC).
Sviluppo di un Sistema Informativo Esperto Distribuito come strumento di testing e di supporto per il trasferimento tecnologico -Progetto ENEA/TE.R.R.I. – su piattaforma Microsoft VB/XBASE.
Progetto RECENT (IMI-MURST) – Realizzazione di un Sistema Informativo Esperto per il Recupero dei Centri Storici (piattaforma Microsoft VB/XBASE) – Diagnosi Stato Fessurativo – DSS Interventi (PST Salerno)
Progetto Europeo ELEN-Tool– Sviluppo di un Sistema Esperto per la Diagnosi e la Gestione del Processo di Fermentazione nell’Industria Vinicola – piattaforma real-time Microsoft VB/XBASE.
Progetto E.C.S.A.S. (MIUR) – Sviluppo di Tecnologie ICT Esperte per il Telecontrollo e la telesorveglianza dell’ambiente costruito strategico – Sviluppo di un Modelle Multicriteriale “Fuzzy MQC” – per conto Centro ISIDE (piattaforma real-time Microsoft VB/XBASE).
Progetto CyberPARK – Sviluppo di una Piattaforma Tecnologica ICT come Sistema Informativo e di Supporto alle Decisioni per il Monitoraggio Ambientale Integrato – per conto della Università di Foggia (BioAgromed); (piattaforma real-timeMicrosoft.NET/XBASE).

Autore di diversi Brevetti e Copyright fra i quali:

Copyright – XBASE-Tool “eXpertise Based Advisor System for Enterprise” – Artificial Neural Network based on Expert Neuron-Nodes – FuzzyMQC Algorithms and Application Software.
Copyright – OCD “On-Line Color Index Detector” – Algorithms and Application Software on an innovative on-line computation of typical multidimensional features of colours in a single Index IC, able to be added or subtracted in a process control logic.
Patent RM2008U000117 ANOVA/ENEA (Related to previous copyright) – Cella per la Determinazione in continuo della Quantità di Colore e/o Torbidità.
Patent RM2008A000428 ANOVA/ENEA (Related to previous copyright) – Dispositivo per la determinazione in linea della Quantità di Colore e/o torbidità nell’ambito del trattamento e scarico di reflui acquosi industriali e civili.
Copyright – SWATER PRO – “Wastewater Treatments Testing and Upgrading Software Tool” – Multifunctional process control tool for wastewater treatment plants – Algorithms and Application Software.
Copyright Smart PILOT – “Strategic Business Positioning Abacus”– Algorithms and Application Software.

Autore di una quarantina di Pubblicazioni Tecnico-Scientifiche tra cui:

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)
“Interdisciplinary Thinking by Knowledge Sysnthesis” – Algoritmi sullo Sviluppo della Interdisciplinarietà, del Buonsenso e del Valore, per le professioni emergenti – Giovanni Mappa IlMioLibro Editore (Settembre 2011- disp. su La Feltrinelli)
Mappa – “Expert Software tools for Unfailing Water Quality” – TNO Environmental, Energy and Process Innovation – Apeldoorn, 21th March, 2003.G.Mappa.
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.

Competenze

Capacità di approccio Interdisciplinare e MVP (Minimum Viable Product) nella gestione della complessità della R&S e dell’innovazione finalizzata a nuovi prodotti/servizi.
Esperienza di Program Managemente conoscenza delle moderne metodologie di gestione, coordinamento e sviluppo di progetti complessi attraverso modelli Agile (Scrum).
Abilità organizzative per la gestione del cambiamento e la negoziazione nell’organizzare progetti e processi di innovazione in modo strutturato e continuativo e tale da favorire la creazione di un ambiente creativo e propositivo, in grado di cogliere tutti gli stimoli interni ed esterni all’organizzazione per la generazione di nuove idee.
Leadership e alta capacità di problem solving per la gestione delle risorse e dei team di R&D, in grado di valorizzare le risorse umane che contribuiscono ai processi di innovazione.
Pianificazione economico-finanziaria pluriennale (roadmap, business plan, simulazioni economico-finanziare dei progetti di innovazione) e di Project Management; consolidata esperienza (quali/quantitativa) nella gestione e nella realizzazione degli investimenti.
Visione strategica dei processi di innovazione, finalizzata a guidare lo sviluppo tecnologico in modo coerente con il business dell’azienda e con gli scenari sociali, tecnologici, informatici e normativi che potrebbero affermarsi.
Forte senso di responsabilità; affidabilità; puntualità; creatività; passione per il proprio lavoro.
Buona padronanza della lingua inglese,acquisita non solo mediante corsi specifici, ma anche attraverso i numerosi rapporti e ruoli ricoperti in piena autonomia all’estero (Olanda,Germania, Inghilterra, Spagna).

Tra le principali attività di R&S per lo sviluppo di progetti di innovazione ed esperienze professionali specifiche sulle tecnologie impresa 4.0, vengono riportati i seguenti:

(2021) Realizzazione della piattaforma software SWATER-saas (Smart WasteWater Treatments Modeling): “ecosistema software in cloud per la modellazione e simulazione dei processi di depurazione delle acque”. Trasformazione tecnologica di preesistenti modelli di simulazione dei processi di trattamento acque reflue (SWater, SWT) sviluppati in ANOVA a partire dal 1998 e diffusi capillarmente in Italia e in parte all’estero.
(2016 – 2017) Incarico di Consulenza per conto di NATURA Srl di ammodernamento degli assetti gestionali ed organizzativi dell’impresa Progetto MSO (nuovo e più efficiente Modello di Sviluppo Organizzativo).
(2012 -2023) Incarico di consulenza e accordo di collaborazione con la società svizzera ENDRESS + HAUSER – leader globale nella fornitura di strumentazione di misura, servizi e soluzioni per l’ingegneria dei processi industriali – per lo sviluppo di applicativi software intelligenti da installare su dispositivi di automazione e controllo (Rif. Ing. Alberto Casiraghi).
(2008-2009) Incarico di consulenza per conto di ENDRESS+HAUSER GmbH+Co. KG, D-70839 Gerligen (in Germania), per la realizzazione di un dispositivo Hw/Sw intelligente web-based (tipo Nodo Fog/IoT) per il monitoraggio ed il controllo di un processo sperimentale basato sull’utilizzo di sensori E+H (Rif. Manfred Jagiella).
(2009-2011) Incarico di consulenza per conto di ARETHUSA Srl (Rif. Cesare Ferone) per lo sviluppo del Progetto di Ricerca AMS “Autonomic Maintenance System” – Progetto e sviluppo di un Prototipo di Piattaforma Informatica SOA/Web per la Gestione Autonomica (ad Agenti Intelligenti), Integrata e Collaborativa della Manutenzione” – con l’Università di Napoli – Prof. E.Burattini – Misura 3.17 POR Campania.
(2004-2012) Incarichi per lo sviluppo e la gestione di una quindicina di progetti di R&S e innovazione per PMI industriali, nell’ambito delle agevolazioni MIUR Art.14 DM593/2000, tra cui le società: MECAL Srl, RITONNARO Costruzioni Srl, Gruppo Prima SpA, Zeta Consulting Srl, La MARRA Srl, Data ITC Srl.
(2007–2010) Accordo di Collaborazione per la direzione tecnica della società olandese SENSORS INTELLIGENCE (Rif. Dr. Leo Hoekstra/ D3-Advies), con 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 FOODS -sede di Beilen (NL), nonché per la realizzazione di Analisi Dati da processi Industriali.
(1998-2002) Incarico di consulenza per conto di IIASS (Istituto Internazionale per gli Alti Studi Scientifici – Vietri SA) per la realizzazione di un Laboratorio di Ricerca per la Sensoristica Intelligente – (Rif. Prof.ssa M. Marinaro).

Altri incarichi ANOVA per lo sviluppo e la gestione di progetti di innovazione basati su finanza agevolata:

Progetto Europeo BATTLE/ENEA (Progetto LIFE Ambiente) – Sviluppo di un Sistema ICT Real-Time di Gestione e Controllo del Recupero di Acque di Processo da una Industria Tessile – per conto di ENEA (piattaforma real-time Microsoft.NET/WDC). (Rif. Maurizio Casarci)
Sviluppo di un Sistema Informativo Esperto Distribuito – Progetto ENEA/TE.R.R.I. – come strumento di testing e di supporto per il trasferimento tecnologico -– su piattaforma Microsoft XBASE (Rif. Ferdinando Frenquellucci).
Progetto CyberPARK – Sviluppo di una Piattaforma Tecnologica ICT come Sistema Informativo e di Supporto alle Decisioni per il Monitoraggio Ambientale Integrato – per conto della Università di Foggia (BioAgromed); (piattaforma real-timeMicrosoft.NET/XBASE).
Progetto RECENT (IMI-MURST) – Realizzazione di un Sistema Informativo Esperto per il Recupero dei Centri Storici (piattaforma Microsoft VB/XBASE) – Diagnosi Stato Fessurativo – DSS Interventi (PST Salerno).
Progetto Europeo ELEN-Tool – Sviluppo di un Sistema Esperto per la Diagnosi e la Gestione del Processo di Fermentazione nell’Industria Vinicola – piattaforma real-time Microsoft XBASE.
Progetto di Ricerca Europeo INFOWATER “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.
Progetto T.E.C.S.A.S. (MIUR) – Sviluppo di Tecnologie ICT Esperte per il Telecontrollo e la telesorveglianza dell’ambiente costruito strategico – Sviluppo di un Modelle Multicriteriale “Fuzzy MQC” – per conto del Centro ISIDE Srl.

___________________

Documentazione di supporto

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”.

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

ici:

“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.

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)
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.

Strumenti Logico-Matematici I.T.K.S. per la Gestione Interdisciplinare della Conoscenza, dell’Innovazione e dei Processi Decisionali

Postato il 23 gennaio 201429 dicembre 2019 di Giovanni Mappa in Formazione Interdisciplinare

http://www.h2biz.eu/scheda_prodotto.asp?prod=2079

Formazione e Trasferimento Tecnologico per l’acquisizione degli Strumenti Logico – Matematici dell’approccio interdisciplinare I.T.K.S. (Interdisciplinary Thinking by Knowledge Synthesis).

Si tratta di una metodologia che aiuta notevolmente a risolvere la complessità dei problemi professionali, attraverso il riconoscimento e/o l’utilizzo di “Modelli di Conoscenza”. Questi ultimi, possono essere assimilati a strutture canoniche di Conoscenza (esplicita o implicita), il cui riconoscimento appunto, consente di risolvere più rapidamente e facilmente, i vari “puzzle” che si incontrano generalmente nei processi di problem – solving e presa di decisione, nonché nell’ambito dello sviluppo dell’innovazione di processo.
La metodologia I.T.K.S. nasce agli inizi degli anni ’90 come “motore inferenziale” di sintesi logico – matematica ed è utilizzato per lo sviluppo informatico di Sistemi Esperti ES e di Supporto alle Decisioni DSS (Intelligenza Artificiale).
Dall’esperienza applicativa informatica e da quella relativa alla formazione del personale addetto, si è venuto a creare un vero e proprio approccio cognitivo interdisciplinare, trasferibile ai diversi profili professionali emergenti e “Knowledge Intensive”.
La vera innovazione nella metodologia I.T.K.S. risiede soprattutto nel concetto di “indipendenza della struttura della Conoscenza” dal contesto (lessicale) in cui si sviluppa, nonché nella possibilità di “modellare” con linguaggio universale logico – matematico “porzioni” di Conoscenza ricorrente con Modelli di diverso tipo, derivanti ad es. dalla esperienza popolare, fino alle leggi più rigorose della Fisica o dell’Economia, ecc. Detta possibilità, oltre a fornire l’indubbio vantaggio di riuscire a ”capitalizzare” la conoscenza, funge da catalizzatore nei processi cognitivi (sia umani che informatici), nel senso che consente di generare le conclusioni più valide nel minor tempo.
L’utilizzo applicativo dei Modelli di Conoscenza come già detto, ricopre una casistica molto ampia, fino allo sviluppo di sistemi on – line/real – time e di early – warning, nonché ove vi sia la necessità di prendere delle decisioni, in situazioni caratterizzate da elevata eterogeneità quantitativa e qualitativa dei dati come ad es., nei processi ambientali, nella gestione dei processi industriali e addirittura, nella valutazione di beni intangibili (ad es. il valore stesso della conoscenza).

Come Potenziare le proprie Capacità di Sintesi Cognitiva e Abilità Decisionali, senza ricorrere a Coach, Mentor o Guru?
________________________________
Per la frequentazione del Corso ITKS è preferibile possedere una base formativa scientifica anche scolastica (nell’ambito delle Scienze Matematiche, Fisiche e Naturali, ovvero nell’ambito delle Scienze Economiche e Statistiche).

Per Info:

Torna indietro

Il messaggio è stato inviato

Algoritmi sullo sviluppo della Interdisciplinarietà, del Buonsenso e del Valore

Postato il 22 gennaio 201429 dicembre 2019 di Giovanni Mappa in Formazione Interdisciplinare

Interdisciplinary Thinking by Knowledge Synthesis

(2011) In un mercato del lavoro contraddittorio e imprevedibile come quello attuale, nel quale le professionalità “medie” (“colletti bianchi”) sono sempre meno richieste, a favore di un dicotomico interesse per la categoria degli artigiani (cuochi, panettieri, ecc.) da una parte, emergenti professionalità “Knowledge Intensive” dall’altra. Queste ultime, frutto della globalizzazione della conoscenza, sono caratterizzate da una crescente competitività in termini di flessibilità e interdisciplinarità. La sfida da affrontare è il lavoro che manca, perché per decenni si è puntato solo alla riduzione dei costi, piuttosto che alla creazione di valore ed eliminazione degli sprechi. La sfida da affrontare è il lavoro che cambia, sia in termini temporali, che in termini concettuali: se è cambiata la domanda, l’offerta dovrà necessariamente adeguarsi.

“Non possiamo pretendere che le cose cambino, se continuiamo a fare sempre le stesse cose...” (A. Einstein). Il presente lavoro intende contribuire a dare possibili risposte alle seguenti domande:

è possibile potenziare la propria professionalità, per capire ed adeguarsi al nuovo livello di competitività?
è possibile potenziare la propria capacità di elaborare e sintetizzare l’enorme volume di dati e informazioni, con le quali dobbiamo confrontarci ogni giorno?
è possibile sviluppare, in uno scenario di complessità lavorativa, il “buonsenso” nella presa di decisione e la capacità di creare nuovo “valore”?
è possibile fare tutto ciò in un tempo sostenibile (mesi e non anni)?

La soluzione proposta in questi libro di appunti è l’apprendimento del “ragionamento interdisciplinare” (v. http://www.conoscenzaefficiente.it) e la metodologia proposta, nelle sue linee essenziali, si basa sul concetto dell’esistenza una struttura comune e ricorrente della conoscenza (Knowledge’s Common Frame) che, con le sue proprietà e dinamiche evolutive, rappresenta la “chiave di volta” del nuovo approccio. Pur contenendo algoritmi di tipo matematico, il testo segue un filo logico discorsivo che lo rende adatto a lettori con un “background” non solo di tipo tecnico-scientifico, ma anche economico-gestionale e politico.

Il libro è scritto in un inglese tecnico, ma contiene note e commenti in Italiano. Due casi applicativi della metodologia, come l’Interdisciplinary Knowledge Worker e il K-commerce, sono riportati ad esempio.

Something old, something new, something better…, perhaps something for you.

Abbonati per continuare a leggere

Modelli di Conoscenza come Catalizzatori di Efficienza Cognitiva e Strumento di Sviluppo di Sistemi Decisionali

METODOLOGIA DI APPROCCIO: Modelli di Conoscenza

Il messaggio è stato inviato