Nei paragrafi che seguono si vanno a introdurre sinteticamente i fondamenti della gestione per processi, modello che negli ultimi decenni ha proposto una rilettura della struttura e della dinamica dell'organizzazione imperniata sulla creazione del valore, attraverso la centralità del cliente e il soddisfacimento dei suoi bisogni. I modelli statici "tradizionali" con una gestione verticale e compartimentata delle attività in unità organizzative, siano divisioni o semplici uffici, rischiano difatti di perdere di vista il concetto di output per il cliente e spesso non sono in grado di adattarsi ai suoi bisogni sempre più variegati e mutevoli.
Ecco quindi emergere il concetto dinamico di processo, inteso come insieme di attività end-to-end che attraversano trasversalmente l’organizzazione per creare un output al quale il cliente attribuisce valore. In questa ottica il Business Process Management coinvolge l'intera organizzazione in un approccio sistematico e strutturato per analizzare, gestire, controllare e migliorare nel tempo l'insieme dei processi aziendali, integrando l'orientamento ai processi con logiche di continuous improvement.
A supporto dell’adozione del BPM, si introducono vari framework per la classificazione dei processi, come i l'APQC's PCF e SCOR, che possono essere utilizzati per identificare i processi e agevolarne la standardizzazione, beneficiando di know-how e best practice di settore. Si esaminerà anche come l’adozione del BPM possa avvenire per gradi e con diversi obiettivi a seconda dello stadio di maturità dell’organizzazione.
Saranno quindi analizzati i diversi principi da seguire per implementare efficacemente la gestione per processi:

• culturali, per riorientare la cultura aziendale, attraverso la pervasività e la logica cliente-fornitore, dalla visione statica delle unità organizzative a quella dinamica interfunzionale di attività orientate alla soddisfazione del cliente;
• organizzativi, per intervenire sulla struttura e sul funzionamento dell’organizzazione, attraverso la process ownership e il job redesign;
• gestionali, per agevolare l’integrazione dei flussi di attività e di informazioni dei processi, attraverso la documentazione (per la quale presenteremo in dettaglio lo standard BPMN), la misurazione con kpi per valutare efficienza ed efficacia, l’ottimizzazione delle attività e dei controlli;

Vedremo infine come le tecnologie digitali operino in simbiosi con il BPM, sia attraverso suite BPMS per la gestione dei processi a 360°, dalla modellazione all’esecuzione e al controllo, sia attraverso Enterprise Systems (ERP, CRM, SCM) che implementano le attività operative in ottica di processo.

Indice

1. Le dimensioni dell’organizzazione aziendale e l’orientamento al cliente: i processi aziendali

2. Evoluzione dei processi aziendali: dalla divisione del lavoro al BPM

3. Tipologia, identificazione e classificazione dei processi aziendali

4.  Rappresentazione CRASO, gerarchia e livelli di analisi dei processi

5. Implementazione del BPM: fasi, maturità, fattori critici di successo e principi

6. Principi culturali: pervasività e logica cliente/fornitore

7. Principi organizzativi: process ownership e job redesign

8. Principi gestionali: la documentazione. Modellazione dei processi con BPMN

9. Principi gestionali: la misurazione

10. Principi gestionali: ottimizzazione dei flussi, controlli e bilanciamento push/pull

11. Tecnologie digitali e BPM

I modelli di trasformazione image-to-image generano, a partire da una immagine di input, una differente immagine di output con l'applicazione di un determinato stile, anche complesso e con informazioni non direttamente desumibili dall'input. Alcuni esempi possono essere la generazione di una immagine a colori a partire da una immagine in bianco e nero, oppure la generazione di un panorama fotorealistico a partire da uno schema stilizzato.

Esempi di trasformazioni image-to-image¹

In termini di GAN è possibile approcciare il problema come la generazione condizionata sulla base di una intera immagine - il corrispondente modello verrà quindi addestrato a partire a coppie di immagini input-output.

La logica della GAN condizionata attraverso coppie input/output può spingersi anche oltre la diretta trasformazione image-to-image. 
Ad esempio è possibile condizionare la generazione di una immagine a partire dalla immagine dello stesso soggetto in una posizione diversa e da una mappa di marcatori della nuova posizione, oppure condizionare in ottica text-to-image la generazione in base ad un testo descrittivo, o infine generare un video condizionato da una immagine statica, dalla mappa dei suoi landmark, e dall'animazione dei landmark.
 

Pix2Pix: modello generale e addestramento

Pix2Pix¹ è un modello GAN essenziale per la trasformazione image-to-image basato su coppie input/output, utilizzato come base di riferimento anche in modelli più evoluti (Pix2PixHD, GauGAN, SRGAN).
In Pix2Pix il generatore G accetterà in input una immagine x e genererà una immagine output G(x), mentre il discriminatore accetterà in input una coppia di immagini  che concatenerà e che dovrà individuare come coppia reale o falsa.
L'addestramento del discriminatore D prevederà ovviamente che ogni coppia {x,G(x)}  venga riconosciuta come falsa, mentre ogni coppia del dataset di training {x,y} venga riconosciuta come vera.   Per quanto riguarda lo step di addestramento del generatore G invece, si cercherà di ottenere che ogni coppia {x,G(x)} sia riconosciuta come vera e capace di ingannare il discriminatore.

Pix2Pix: addestramento del discriminatore¹

Discriminatore Pix2Pix: PatchGAN

Il discriminatore utilizzato nel modello Pix2Pix, non è un semplice discriminatore con una uscita per indicare la probabilità di verosimiglianza dell'output nel suo complesso, bensì un discriminatore PatchGAN con un output matriciale nella quale è riportata la probabilità di verosimiglianza di ogni determinata zona dell'output, in modo da favorire una rispondenza equilibrata del modello su tutte le aree dell'immagine. Chiaramente le corrispondenti label vero e falso di confronto saranno non scalari ma matrici riempite rispettivamente da 1 e 0,

Discriminatore PatchGAN²

Generatore Pix2Pix: U-Net

L'architettura U-Net è utilizzata solitamente per compiti discriminativi di classificazione e segmentazione, dove c'è da attribuire una classe ad ogni punto dell'immagine. In questo caso la rete viene invece utilizzata come vero e proprio generatore per costruire un output verosimile.

La struttura di U-Net, in considerazione delle dimensioni analoghe di input e output, è di tipo encoder-decoder, nella quale i livelli successivi di encoding sono anche concatenati ai corrispondenti livelli di decoding attraverso delle skip-connection che agevolano sia il passaggio di informazione di dettaglio/specifica altrimenti persa nel processo di encoding, sia il flusso dei gradienti nella retropropagazione limitando il fenomeno della scomparsa del gradiente.

In alcuni blocchi del decoder possono essere inseriti dei layer di dropout che hanno la funzione, oltre che di regolarizzazione, di introdurre del rumore nella rete, (labilmente) correlato alla capacità della rete di variare l'output.

Pix2Pix U-Net Generator³

Generatore Pix2Pix: funzione di costo

La funzione di costo del modello, sulla quale ottimizzare i parametri del generatore e del discriminatore, sarà la consueta funzione BCE di costo base delle GAN condizionate   \(\mathcal L(G,D)=\Bbb E_{x,y} [\log D(x,y)] + \Bbb E_{x,z}[\log(1-D(x,G(x,z))]\) che mira ad addestrare un generatore in grado di "ingannare il discriminatore", alla quale aggiungeremo un termine \(\mathcal L_{L1}=\Bbb E_{x,y,z} \lVert y-G(x,z) \rVert_1\) per incoraggiare il generatore a produrre output il più possibile aderenti a quelli del dataset reale. 
Come accennato sopra, in queste formulazioni il rumore \(z\) viene inserito attraverso dei layer di dropout sia in fase di training che di test. Pertanto l'obiettivo finale del  modello sarà:

\(\displaystyle \underset{G}{\min} \underset{D}{\max} \mathcal L(G,D)+\lambda \mathcal L_{L1}(G)\)

____________________

¹ Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134). https://arxiv.org/abs/1611.07004

² Demir, U., & Unal, G. (2018). Patch-based image inpainting with generative adversarial networks. arXiv preprint arXiv:1803.07422. https://arxiv.org/abs/1803.07422

³ Wang, Chenxing & Fanzhou, Wang & Guan, Qingze. (2021). Single-shot fringe projection profilometry based on Deep Learning and Computer Graphics. Optics Express. 29. 10.1364/OE.418430. https://arxiv.org/abs/2101.00814