5_2021: Agile e Data Science

Figura 11 - Fluid Process Un’iterazione, solitamente della durata di due in corso, il Team inizia a lavorare e organizza i Daily settimane, contiene le attività che il Team si impegna Meeting: si tratta di riunioni rapide (15-20 minuti) che a sviluppare in maniera collaborativa entro il termine il Team tiene regolarmente ogni giorno, in cui ogni dell’iterazione stessa, selezionandole dal Backlog partecipante fa il punto sulle proprie lavorazioni in (elenco dei requisiti e delle attività di progetto) in base corso e su eventuali necessità di supporto. Il meeting al livello di priorità. permette ai presenti di aggiornarsi rapidamente sullo stato di avanzamento del lavoro e di pianificare le Il Project Manager raccoglie le richieste e le necessità successive lavorazioni. degli Stakeholder (Committente, Enti competenti, Le attività quotidiane vengono gestite con uno chiunque sia in qualche modo interessato o influenzato strumento visuale, la Design Board, implementata dal progetto), stabilisce le priorità da sviluppare grazie a Planner di Microsoft 365. La board contiene nell’iterazione e si preoccupa di rimuovere gli ostacoli la Project Inventory (il backlog con le attività in attesa nel lavoro quotidiano. di essere messe in lavorazione), le attività scelte per essere svolte nell’iterazione (colonna “to do”), quelle L’iterazione inizia con l’Iteration Planning, un incontro effettivamente in corso (colonna “doing”), quelle che apre il ciclo di lavoro e che ha l’obiettivo di bloccate (colonna “waiting”), e quelle completate pianificare le attività da svolgere nell’iterazione stessa. (colonna “done”). Scelte le attività prioritarie da sviluppare nel ciclo Figura 12 - AgileBIM Design Board ArchLivIng

Al termine delle due settimane, si tengono due eventi: Conclusioni • la Review, dove il Team discute sulle lavorazioni Il percorso di adozione dell’Agile nel mondo delle completate e non completate e, in funzione costruzioni è solo all’inizio, e quindi si è a tutti gli degli obiettivi raggiunti, opera una prima pre- effetti in una fase di sperimentazione che sicuramente pianificazione dell’iterazione successiva; riserverà sorprese e sfide interessanti. • la Retrospective, dove il Team discute l’efficacia Detto questo, però, la strada è tracciata e il BIM richiede del metodo di lavoro, la validità delle pratiche e obbligatoriamente una nuova mentalità orientata alla degli strumenti utilizzati. L’obiettivo è quello di collaborazione e una visione d’insieme che guardi individuare costantemente azioni di miglioramento all’opera come un prodotto che vada oltre l’aspetto per efficientare le lavorazioni. (dodicesimo principio di progettazione e cantierizzazione, assolvendo Agile [6] : “A intervalli regolari il team riflette su come al compito primario di soddisfare l’esigenza della diventare più efficace, dopodiché regola e adatta committenza in un contesto sostenibile. • il proprio comportamento di conseguenza.”). AgileBIM supporta prima di tutto lo sviluppo di un mindset in questa direzione, fornendo al contempo una Nella Review il Team coinvolge il Committente serie di processi e strumenti operativi atti a metterlo consegnando e discutendo la documentazione in pratica. Ciò che lo caratterizza è l’alta flessibilità, incrementale prodotta. ovvero la capacità di declinare le pratiche specifiche Il processo iterativo continua con l’avvio dell’iterazione in funzione del contesto in cui lo si applica, ricordando successiva, e così via fino al termine delle attività. che ogni contesto è diverso dagli altri e che quindi è fondamentale avere un approccio pragmatico e I benefici dell’organizzazione per cicli iterativi sono concreto. riassumibili in: Per ulteriori informazioni su AgileBIM è possibile • costante allineamento con i desiderata del consultare il sito ufficiale AgileBIM.info ed AgileConstellation.info. Committente, grazie alle consegne continue (ad ogni fine iterazione) ed incrementali; • costante allineamento del Team sulle priorità da mettere in lavorazione; • produzione continua di valore per il Committente; • costante allineamento tra gli obiettivi aziendali e l’operatività quotidiana. Figura 13 - Figura 13 – Cicli iterativi [6] https://agilemanifesto.org/iso/it/principles.html 103A g i l e I t a l i a

Disciplined Agile Business Coach @Xebir, Felice Pescatore si confronta quotidianamente con contesti complessi, utilizzando primariamente approcci Agile e Lean per supportare le organizzazioni nel loro percorso di trasformazione in ottica customer-centric. Ingegnere Informatico, con un Master in Tecnologie e Gestione del software, si definisce un “tecnico” prestato all’organizzazione e la sua mission è quella di contribuire allo sviluppo della rete sociale che costituisce la linfa vitale di ogni società. PMI Disciplined Agile Coach e Instructor, è lead del progetto open AgileConstellation che guarda ai nuovi domini di interesse dell’Agile, primi tra tutti l’Industry 4.0 e il BIM, grazie ad un approccio disciplinato che supporta team multidisciplinari impegnati giornalmente nella creazione di soluzioni di valore “ricamate” sulle esigenze dei clienti. Presidente e co-fondatore dell’Agile Community Campania, è impegnato costantemente nelle community a tema, nonché speaker e co-organizzatore delle più importanti conferenze Agile, Lean e DevOps, italiane ed Europee. Link social: • Site/blog: www.felicepescatore.it • LinkedIn profile: http://www.linkedin.com/pub/felice-pescatore/22/41a/50a • Twitter: @felicepescatore • AgileConstellation: www.agileconstellation.info • Company: Xebir (xebir.com) • Email: [email protected] ArchLiving è un Laboratorio di progettazione integrata in cui architettura, ingegneria, ricerca e rigore si fondono per proporre progetti all’avanguardia, nel rispetto dell’uomo e dell’ambiente, utilizzando a pieno innovazioni tecnologiche. ArchLiving opera nei seguenti settori: infrastrutture, restauro, industria, residenziale, e urbanistica. Lavorando sia per enti pubblici che per privati è in grado di costruire team multidisciplinari specifici per ogni progetto assicurando qualità e rispetto delle tempistiche. In ambito tecnologico è attenta a innovazioni e nuovi trend per meglio soddisfare richieste e ottimizzare il lavoro. Link social: • Site/blog: http://www.archliving.it/ • LinkedIn profile: https://www.linkedin.com/company/archliving- srl/?viewAsMember=true • Facebook: https://www.facebook.com/archlivingsrl • Instagram: https://www.instagram.com/archlivingsrl/ • Email: [email protected]

Sulla transizione verso l’AGILE Machine Learning: cosa può funzionare e cosa no. Carlo Metta Ph.D in Mathematics interested in different research areas: Machine Learning, Explainable Artificial Intelligence, Combinatorics, Game Theory, Graph Theory, Fluid Dynamics. Advanced knowledge of Machine Learning, Reinforcement Learning as well as Shell Model for Turbulence in Fluid Dynamics acquired during research work. 105A g i l e I t a l i a

Introduzione L’opportunità di avere a portata di mano strumenti ad elevata connettività digitale non avviene per magia: Molti di voi, esperti di tecnologia, developer necessitiamo della capacità di apprendere questi professionisti o semplici appassionati, avranno diversi strumenti e di mantenerli disponibili per il sicuramente avuto a che fare con la metolodia coinvolgimento umano. E’ qui che entra in gioco il Agile, avranno anche letto di Intelligenza Artificiale o Machine Learning, il quale usa algoritmi e statistiche magari di Machine Learning. Ma pochi o nessuno di per inferire pattern e correlazioni all’interno di voi avrà sentito menzionare tutte e tre questi concetti enormi quantità di dati. I dati comprendono numeri, simultaneamente all’interno di un caso d’uso in parole, immagini, suoni e tutto ciò che può essere azienda. Questo perchè Agile è una metodologia di immagazzinato in device digitali e dato in pasto ad sviluppo software applicato comunemente alla algoritmi di Machine Learning. creazione di applicazioni IT, mentre l’intelligenza artificiale e il machine learning sono innovazioni Se pensiamo al processo di sviluppo Agile, l’industria tecnologiche che supportano le aziende nell’estrarre tecnologica è stata rapidamente rivoluzionata per valore tramite il supporto decisionale e il essere intuitiva, smart ed efficiente. Le aziende sono potenziamento delle abilità umane. costrette a perseguire una integrazione continua e la creazione di prodotti che anticipano le richieste del Nel mondo odierno fatto di aziende tecnologiche mercato, simultaneamente limitando le spese e brillanti e pervasive, Agile si è erto a processo di producendo utili. sviluppo software ideale per la dimensione delle start-up. Quelle di maggior successo sviluppano Utilizzando la medesima intuizione della filosofia innovazioni che sconvolgono il nostro modo di vivere, Agile, stiamo contemporanenamente costruendo di conseguenza le grandi aziende consolidate sono nuovi device, migliori applicazioni e creando modi costrette a tenere il passo per non rimanere indietro. migliori di compiere le nostre azioni quotidiane. Tutto Ciò le ha spinte a passare da un processo di sviluppo ciò può essere abbinato al Machine Learning, infatti le a cascata ad un processo rapido e agile. attività umane ed il loro prodotto vengono digitalizzate e date in pasto a complessi algoritmi che grazie alle La nostra società è pervasa dalla connettività tecniche di intelligenza artificiale possono essere tecnologica, che si tratta di una smart tv o di un telefono eseguiti in modo intelligente. Estendere il paradigma cellulare che si connette al nostro veicolo. Utilizziamo del manifesto Agile può gettare le basi per uno l’intelligenza artificiale per comunicare con gli amici, sviluppo dell’intelligenza artificiale oltre le previsioni per ordinare un pasto o per quotidiani acquisti online. le e moderne metodologie.

Agile Mindset ricerca è quello di portare all’interno del team sia conoscenze già presenti nello stato dell’arte sia idee Un team di ricerca e sviluppo in ambito machine ancora inedite ed esplorare via ancora non battute. learning può beneficiare di un mindset di tipo Agile in Un progetto di solito si compone di tre componenti diverse componenti: principali: • E’ necessario comprendere che di norma è difficile • Una parte di ricerca applicata volta a studiare, operare una pianificazione accurata a causa della elaborare ed implementare articoli di ricerca già consistente componente di ricerca che risulta in un esistenti, sia tecniche di base diventate ormai alto grado di incertezza sull’outcome di ciascuna benchmark imprescindibili, sia promettenti iterazione del processo di sviluppo. tecniche cutting-edge selezionate apposta per il • Rimanere focalizzati sugli obiettivi ricevendo singolo progetto. continui feedback dai clienti: è infatti molto comune lasciarsi prendere dalla tentazione di perseguire • Una parte di ricerca di base che consiste una pista di ricerca su argomenti che sono nell’elaborare, validare e pubblicare delle tecniche potenzialmente interessanti per un ricercatore inedite derivate dall’esperienza sul campo del piuttosto che rilevanti per un cliente. team, e renderle disponibili alla comunità. • Elaborare delle best practices per auto organizzarsi col fine di catalogare le varie idee e progetti che • L’ultima fase della pipeline consiste nascono all’interno di un team. nell’implementazione e nel software engineering • Implementare i principi della mentalità AGILE per per incorporare gli algoritmi all’interno dei gestire le complessità dello sviluppo di progetti deliverable. machine learning-based in modo da alleviare la pressione e lo stress che questi spesso possono Il punto chiave da sottolineare è che il machine learning generare. ha a che fare con un livello di incertezza molto più elevato rispetto al normale sviluppo software. Idee ed Il trade off fra la velocità e l’ottimalità ipotesi potrebbero non funzionare per il particolare caso d’uso, di conseguenza potrebbe essere E’ essenziale trovare un equilibrio fra la velocità e necessario un supplemento di tempo e di energie l’ottimalità delle soluzioni che si vogliono ricercare. In per risolvere tali sorgenti di incertezza. Sviluppatori e un contesto di sviluppo machine learning un approccio clienti devono necessariamente essere a conoscenza rapido di solito implica l’utilizzo di una collezione di di questa differenza ed essere pronti a periodi di stallo. euristiche e tecniche per risolvere le stimolanti sfide Un’altra differenza cardinale è rappresentata dalle di un mondo sempre più data-driven. metriche di qualità del sitema, meglio note come Sebbene mirare alla velocità sia spesso sufficiente, un requisiti non funzionali del software: nel machine team efficiente dovrebbe sempre mirare a risolvere learning esse diventano le features principali. ogni challenge in modo più strutturato e scientifico, il quale richiede flessibilità, disciplina e tempi più lunghi. Nello sviluppo sofware tradizionale, attributi come l’accuratezza non sono di norma considerati Il machine learning richiede la ricerca oltre lo caratteristiche del prodotto e la maggior parte del sviluppo tempo è dedicato allo sviluppo di nuove funzionalità. Nel machine learning, tuttavia, la precisione di un Lo sviluppo di progetti in campo Machine Learning algoritmo è la caratteristica principale a cui viene richiede una significativa componente di ricerca, che dedicato il maggior quantitativo di tempo ed energie. lo rende atipico rispetto ad un classico progetto che richiede lo sviluppo di un software. L’obiettivo della 107A g i l e I t a l i a

Pianificazione e Priorità all’inizio di uno Sprint dati devono essere utilizzati e come utilizzarli. Una volta deciso il dataset da studiare, quanto impegno Avere riunioni periodiche di pianificazione e è necessario per l’esplorazione? E per la pulizia e la definizione delle priorità fornisce alle parti interessate preparazione dei dati? E per l’implementazione delle una migliore comprensione dei costi associati a ogni funzionalità? la valutazione di diversi modelli e quindi sforzo produttivo di data science e del sovraccarico il raggiungimento di una metrica obiettivo? associato alle priorità che cambiano frequentemente e allo specifico contesto. Ciò garantisce l’allineamento Sebbene tutto il processo possa essere definito nei tra il team di data analist e gli stakeholder, dove il primo dettagli, la quantità di impegno per ciascuna attività è consapevole delle esigenze organizzative e di come può variare notevolmente da progetto a progetto. possono contribuire efficacemente mentre i secondi sono coscienziosi riguardo al budget da impiegare Facciano un esempio. Supponiamo che ci venga nello studio dei dati. assegnato il compito di ottimizzare un sito di e-commerce migliorando il suo algoritmo di ranking, Definizione di task e timeline per i deliverable con un obiettivo di aumento di almeno il 5%. Si tratta di un progetto relativamente difficile, con molte Un problema comune affrontato dai team di data sorgenti di incertezza. scientist è la mancanza di focus o il deragliamento verso direzioni tangenti completamente non I dati saranno puliti e conformi alle nostre ipotesi, o necessarie e inutilmente complicate. Ciò è dovuto in emergono strani fenomeni dai dati? parte alla curiosità innata che guida la maggior parte Se ci sono problemi nei dati, da cosa sono generati? Il dei data scientist e in parte alla natura mal definita dei localizzatore non funziona correttamente? O è dovuto problemi di data science. a un comportamento insolito dell’utente? Qual è l’impatto sull’analisi e sul sistema sviluppato? Definire le attività in anticipo con scadenze chiare Come dovrebbe essere modellato questo problema? aiuta a mitigare questo problema. Avere un risultato Dovrebbe essere un problema di classificazione, in cui finale chiaro e definito per ogni attività si allinea con i prodotti sono classificati in base a ciascuna categoria una delle principali abitudini delle persone altamente e termine di ricerca? pratiche ed efficaci: ‘‘Begin with the end in mind’’. Oppure si tratta di un problema di classificazione basato su clic, aggiunta al carrello o checkout? La formulazione di domande e ipotesi di lavoro in O forse è un problema di regressione basato su clic, anticipo fornisce ai data scientist degli utili checkpoint aggiunte al carrello, checkout o entrate? mentre conducono la loro analisi. Inoltre, la condivisione Quale dovrebbe essere la metrica di successo? Clic? di questi compiti con gli stakeholder è necessaria per Acquisti? Entrate? Dovrebbe essere un valore assoluto generare informazioni e feedback utili in base alla loro (cioè il totale degli acquisti) o un tasso (cioè il tasso di esperienza. conversione)? I problemi di Data Science sono mal definiti e difficili Sulla base del semplice esempio sopra, l’intento e da stimare i risultati desiderati sono chiari. Tuttavia, ci sono più percorsi per arrivare a destinazione. I problemi di data science sono mal definiti se confrontati con problemi di sviluppo software: di norma questo rende molto più difficile la stima di tempi e risorse. Ad esempio, quando viene fornito un nuovo problema, non è sempre immediato capire quali

Obiettivi e requisiti possono cambiare velocemente science è in parte ricerca, coloro che sono amanti delle scadenze potrebbero trovare disorientante la A causa della natura del business, l’ambito e/oi requisiti mancanza di scadenze chiare. degli stakeholder possono cambiare rapidamente. D’altra parte anche le analisi e le soluzioni richieste Ciò può portare a stakeholder frustrati per cui i possono cambiare man mano che il progetto risultati attesi non vengono raggiunti e a data scientist progredisce. Ad esempio, gli stakeholder possono eccessivamente stressati che non hanno il tempo e lo avere solide convinzioni sulla causa di un problema e spazio per innovare e trovare soluzioni ottimali. sulla soluzione richiesta, ma i dati possono invece suggerire qualcos’altro. Di conseguenza, l’ambito di Con l’aiuto della metodologia Agile, più aziende lavoro e le attività pianificate dovranno adattarsi di saranno spinte ad integrare nel loro organico team di conseguenza. Questo può essere dannoso per lo machine learning e data scientist. Ciò aumenterà sprint se fatto troppo spesso. l’adozione del machine learning come nuova tecnologia dominate, oltre a fornire un approccio più Lo sviluppo di software è una disciplina oggi matura olistico allo sviluppo del progetto. Esiste ampio spazio con problemi e modelli di progettazione relativamente per le aziende per innovare utilizzando il machine ben definiti, e quindi compiti che sono più facili da learning mantenendo al loro interno le principali progrmmare. L’analisi dei dati è più acerba, con caratteristiche del paradigma Agile. problemi più difficili da definire e soluzioni non sempre note. Questa differenza rende più difficile suddividere Conclusioni i progetti in piccoli compiti ben definiti. Rispetto ai modelli tradizionali, il machine learning Uno sprint in Data Science non porta a deliverable può diventare sempre più complesso, aumentando identici a quelli dello sviluppo software così il carico cognitivo. Le aziende potrebbero quindi allontanarsi dall’uso del machine learning Molte persone che hanno familiarità con Agile (o non sentendosi a proprio agio a lavorare con tale Scrum) si aspettano che il codice funzioni alla fine di tecnologia. Tuttavia, nel caso Agile, le aziende ogni sprint. Quando si applica per la prima volta possono sbloccare i vantaggi del machine learning Scrum all’analisi dei dati, la maggior parte dei project senza venire sopraffatte dalla difficoltà e dal carico di manager cercherà naturalmente di avere un risultato lavoro. ben definito. Nel contesto dello sviluppo software questo potrebbe essere l’impostazione di alcune Agile acquisisce approfondimenti e informazioni da infrastrutture, l’implementazione di una nuova ogni dominio per creare soluzioni più trasparenti. Ciò funzionalità o lo sviluppo di un nuovo front-end. In aumenterà l’adozione del machine learning, dando questi casi, c’è chiaramente un risultato tangibile da origine ad una maggiore domanda in tutti i settori. La esibire, ad esempio attraverso la dimostrazione della chiave dell’integrazione della metodologia Agile in nuova funzionalità o del front-end. un contesto dominato dal machine learning sta nello sviluppare soluzione innovative ai problemi e alle Tuttavia, nel caso dell’analisi dati, questo diventa un frizioni fra questi due mondi presentate in questo po’ complicato. A volte, il lavoro di un data scientist articolo. implica un’analisi in cui qualcuno si aspetta una risposta o un modello di machine learning che contribuisce a un miglioramento misurabile in determinate metriche. Tali criteri sono difficili da incastonare all’interno di uno sviluppo Agile standard. Inoltre, dato che data 109A g i l e I t a l i a

Vuoi aiutarci a crescere? Cerchiamo Sponsors scrivi a [email protected]

Data Governance nei team di Data Science Giulio Nicelli Specializzato in progetti di innovazione, lavoro per numerosi clienti leader di settore, per migliorare il modo in cui digitale ed innovazione vengono gestiti nelle organizzazioni, facendo leva su cultura, metodologie, processi e tecnolgie. Il resto del tempo lo dedico alle attività di ricerca e didattica in università e business school o ad attività di formazione sui temi di innovazione. 111A g i l e I t a l i a

Obiettivi e requisiti possono cambiare velocemente Data Governance. La definizione e l’adozione di un framework di Data Governance, infatti, permette di Le pratiche di sviluppo Agile stanno (finalmente) definire flussi di lavoro e politiche di gestione dei dati prendendo piede anche in Italia nonostante l’inerzia a 360°. di molte organizzazioni sia stata un freno rilevante negli ultimi anni e, parallelamente, l’attenzione delle Mettendo il dato al centro dei processi aziendali, aziende italiane per i progetti di valorizzazione dati siano essi processi business-as-usual o rivolti sta aumentando grazie alla maggior consapevolezza all’innovazione. Andando a definire le modalità con delle potenzialità di utilizzo degli asset Dati. cui l’azienda si prende cura dei suoi dati, la Data Governance permette di garantire all’azienda l’utilizzo A titolo esemplificativo, nonostante il 2020 sia stato di dati di qualità, coerenti e tempestivi ad utenti e chiaramente un anno di rallentamento in termini processi di business. di investimenti per le imprese, il 96% delle grandi aziende italiane dichiara di aver avviato o portato Un framework di Data Governance permette avanti investimenti (interni o esterni) in ambito anzitutto di definire le responsabilità rispetto alla Data Management & Analytics e che lo sviluppo di gestione del dato, ovvero quali sono le figure interne progettualità̀ di Advanced Analytics risulta essere all’organizzazione che garantiscono, in prima battuta, prioritario per il 61% di esse [1] . la copertura di alcuni obiettivi fondamentali: E sono proprio questo tipo di progettualità il motivo • Conoscenza aggiornata dei data asset posseduti per cui team che al loro interno hanno competenze dall’azienda dedicate alla valorizzazione dell’asset dati in azienda sono sempre più presenti nelle grandi aziende. • Garanzia di accessibilità e usabilità del dato • Monitoraggio della qualità Viste le caratteristiche di questo tipo di progetti Agile • Garanzia di sicurezza ed utilizzo corretto dei dati può essere una leva per garantire efficacia ed efficienza al team. Si tratta infatti di progetti caratterizzati da Ovviamente il raggiungimento di questi obiettivi componenti di incertezza elevate rispetto sia ai requisiti dipende da attività di Data Governance (pianificazione, iniziali sia alle soluzioni tecniche e tecnologiche che esecuzione, monitoraggio) effettuate lungo tutto il dovranno essere implementate da parte del team ciclo di vita del dato, ed i progetti di cui si occupano per il raggiungimento degli obiettivi di business. In i team di Data Science offrono un ottimo punto di questi contesti, infatti, l’approccio Agile porta il team a partenza. sforzarsi nella divisione del lavoro in attività di minore dimensione, prioritizzate rispetto al valore generato e In una recente esperienza progettuale ho avuto su cui si ricevono feedback tempestivi. l’opportunità di supportare in un percorso di definizione ed attuazione di un framework di Data Governance Parallelamente, l’utilizzo sempre più evoluto dell’asset una multiutility leader in Italia che sta investendo nella dati all’interno delle imprese sta facendo crescere valorizzazione dei molteplici data asset di cui dispone. l’attenzione per un’altra tematica fondamentale: la [1] Fonte: Osservatori Politecnico di Milano, 2020

Nel 2018 in azienda è emersa evidente la necessità da una mancata definizione e applicazione di un di avere a disposizione una piattaforma di gestione Framework di Data Governance strutturato. Ad dati moderna. Dopo uno studio iniziale per definire le esempio, dopo alcuni mesi dopo lo sviluppo (PoC) componenti principali, è stata avviata la realizzazione di uno specifico modello che faceva uso di dati pilota di una Data Platform a supporto della direzione provenienti dai contatori elettrici, al momento del test commerciale realizzata su datacenter proprietario, del servizio “industrializzato” gli utenti finali hanno ma già nel 2019 il perimetro è stato esteso a tutte le rilevato una anomalia negli output del modello. Dopo direzioni aziendali e ad inizio 2020 la piattaforma è attenta analisi, è emerso che uno dei dati utilizzati stata completamente migrata su infrastruttura Public dai modelli, la potenza installata del cliente elettrico, Cloud. dato proveniente dal Sistema Informativo Integrato (Autorità), non era popolato in piattaforma, causando La Data Platform consente di avere disponibili in l’anomalia. In un altro caso, invece, l’eliminazione di un unico spazio tutti i dati raccolti dalle varie fonti alcune tabelle all’interno della Data Platform da parte alimentanti, permettendo alle Business Unit di potere di un gruppo di lavoro, ha avuto conseguenze su altri realizzare soluzioni di reportistica e di intelligenza modelli già in fase di affinamento, portando ad una artificiale per supportare le decisioni di business serie di rework imprevisti. beneficiando di tutti i dati a disposizione. Inoltre, qualsiasi dato non ancora presente può essere Per prevenire questi ed altri inconvenienti si è deciso integrato in caso di necessità, in modo da renderlo di sviluppare un framework di Data Governance che disponibile per ogni altra applicazione che lo richieda. coinvolgesse tutti gli attori necessari per passare La crescente disponibilità di dati ha permesso di dalla definizione di un caso d’uso di machine learning aumentare considerevolmente la velocità con cui all’industrializzazione del servizio di business basato i modelli di machine learning vengono sviluppati. su di esso. Questi modelli vengono sviluppati da un team di Data Scientists interno chi è, vista la natura di questi All’interno di questi progetti, i team delle stanze hanno progetti, ha deciso di adottare un approccio Agile un ruolo fondamentale rispetto alla Data Governance SCRUM-based. I team sono organizzati in “stanze” di poiché è proprio durante la stanza che, ad esempio, si: lavoro, gestite in modo iterativo ed incrementale e ogni “stanza” generalmente composta da un Product • definiscono le entità di business che devono essere Owner di business, uno Scrum Master, due Data utilizzate per supportare il modello Scientist e un Data Engineer. Una volta creato un PoC di modello affinato e dopo averne testata l’efficacia, • verifica o definisce il significato che quelle entità di questo viene trasferito al dipartimento IT che si occupa business (e i relativi attributi) hanno della sua “industrializzazione” e del deploy del servizio a beneficio degli utenti. • verificano eventuali vincoli all’utilizzo dei dati (es. GDPR) Durante il 2019, però, sia durante le attività progettuali di sviluppo che all’adozione di alcuni dei casi d’uso • verificano la provenienza e le modalità di sviluppati sulla piattaforma, erano emerse alcune acquisizione dei dati problematiche che l’azienda ha ritenuto derivanti e questo spesso avviene in modo iterativo ed incrementale. 113A g i l e I t a l i a

E’ risultato chiave quindi definire e formalizzare Dopo qualche mese di progetto pilota durante il alcune attività di Data Governance che le differenti quale sono stati affinati sia il modello che alcune delle figure coinvolte in questa fase si sarebbero dovute procedure operative, il framework è stato esteso a prendere in carico, facendole diventare a tutti gli effetti tutta la piattaforma, arrivando a coinvolgere più di 100 o parte della DoD di alcune attività o incorporandole persone all’interno dell’organizzazione. direttamente all’interno del backlog della stanza. I team di Data Science, a fronte di un maggior impegno richiesto loro all’interno della stanza, hanno Molte di queste attività prevedono l’attivazione beneficiato della presenza di documentazione sui dati di ruoli di Data Governance esterni alla stanza, presenti in piattaforma standardizzata ed aggiornata coinvolgendoli nel momento giusto all’interno dei regolarmente , rendendo molto più rapidi processi quali cicli di sviluppo, ed è stato deciso di assegnare questo l’identificazione dei corretti interlocutori di business tipo di responsabilità allo Scrum Master, in virtù del per la validazione semantica delle informazioni e suo ruolo di facilitatore ed attivatore. Altre attività l’accesso alla documentazione tecnica relativa alle maggiormente legate allo sviluppo della soluzione, ad trasformazioni subite dal dato prima di arrivare in esempio la documentazione dei flussi dati predisposti piattaforma (Data Lineage). In questo modo è stato necessari alla stanza, sono state demandate al team possibile rendere più efficiente ed efficace il lavoro di sviluppo (Data Scientist o Data Engineer) a seconda delle stanze sin dalle prime iterazioni della loro natura. Inoltre, per garantire che non vadano perse le informazioni sulla storia e sulle evoluzioni del Questa esperienza conferma che è possibile (oltre modello sviluppato, e delle relative logiche alimentati, che necessario) far coesistere framework a prima si è deciso di creare una figura di stewardship ad-hoc vista lontani dalle logiche Agile con modalità di lavoro che garantisca continuità nel tracciare questo tipo di basate si questi principi. Sicuramente non è sempre informazione. semplice ed è necessario scendere a “compromessi” da entrambi i punti di vista, ma con una attenta Come già menzionato, il frameworkdiDataGovernance osservazione delle dinamiche organizzative ed un non ha coinvolto solo i team delle stanze, ma anche approccio iterativo si riescono a raggiungere ottimi tutto il resto dell’azienda, a livello sia di figure buisness risultati. per quanto riguarda la semantica dei dati sia figure IT, maggiormente focalizzate sugli aspetti tecnici della Data Governance.

Essere un data scientist Antonio Di Cecco Scrittore di Explainable Ai with Python, Data Scientist, Fisico Teorico e fondatore di School of AI Italia associazione per la divulgazione dell’intelligenza artificiale. 115A g i l e I t a l i a

Parlare del lavoro del Data scientist in un contesto non è sufficiente che il modello sia estremamente Agile è un facile continuo trovare riscontri sia per la preciso ma è necessario che il modello sia preciso per natura dinamica del lavoro, acquisire ed elaborare i motivi giusti. Motivi che possano essere generalizzati dati in un mondo in costante mutamento sia perché su esempi diversi da quelli con cui il modello è stato la professione stessa del Data Scientist si trova addestrato. Nell’esempio il modello riconosce lupi da a rinnovarsi in competenze e abilità con un ritmo cani da una caratteristica (feature) inattesa: riconosce rapidissimo. le foto dei lupi perché sono state scattate tutte su fondo innevato. Quindi non avevo nell’esempio un In questo articolo vi parlerò del lavoro del Data Scientist classificatore di animali bensì di neve! riferendomi a un team che ho diretto recentemente e delle piccole idiosincrasie che derivano dalla Per risolvere problemi come questi è necessario «gioventù» della professione stessa. aver a disposizione tecniche create opportunamente, modelli che spieghino se stessi e per finire una fondata Esordisco dicendo che sono un esperto di Explainable cultura del dato. AI. Per spiegarvi di cosa si tratta vi cito un adagio che spesso cito nei corsi che tengo. Pensate alla La parte sulla cultura del dato può e deve essere differenza tra due professioni l’ingegnere meccanico spiegata al Committente e in un certo senso delle costruzioni e quello che si kccupa di sicurezza costituisce una delle difficoltà maggiori per il lavoro informatica. L’ingegnere che costruì il Titanic disse del Data Scientist. Non è sufficiente creare modelli che la sua nave sarebbe stata inaffondabile ed ma bisogna ripulire i dati, procacciarseli, incrociarli era orgoglioso di questo. Un ingegnere esperto di con altri dati e soprattutto valutarli non solo nel sicurezza informatica vi dirà che nessun algoritmo di loro contenuto esplicativo (non posso aspettarmi cifratura dati è intrinsecamente sicuro (no nemmeno di prevedere le vendite di un prodotto dal segno quelli quantistici) e sarà orgoglioso di combattere la zodiacale dei clienti) ma anche nella loro valenza sua battaglia per rendere i suoi sistemi un po’ più sicuri sociale. Un settore importante dell’Explainable AI si degli altri. occupa infatti di Fairness ovvero di quanto un dataset Ecco noi esperti di Explainable AI siamo gli esperti di o un modello vengano influenzati da caratteristiche Cybersecurity del mondo dell’intelligenza artificiale dei poco giuste, auspicabili o «fair» della nostra società «menagrami» in un mondo di profeti dell’intelligenza appunto. Immaginate un sistema che preveda se artificiale e di attivisti della teoria della singolarità. avrete un prestito bancario basandosi sul colore della Menagrami che costruiscono algoritmi sicuri e mission pelle ad esempio. E no non è sufficiente impedire che critical in ambiti legal o medico: algoritmi che non un modello usi esplicitamente queste caratteristiche dovrebbero fallire. perché un modello di intelligenza artificiale può Un esempio facile di come fallisca miseramente un desumerle da altri dati quindi c’è bisogno di un’analisi algoritmo lo trovate già in apertura del libro che ho opportuna per evitare distorsioni. scritto con Leonida Gianfagna. Se addestro un modello a riconoscere cani da lupi

Conoscere questi casi dovrebbe far parte della riadattato al conteggio dei casi e voleva una UX quanto «Cultura del dato” che il Committente dovrebbe più simile a quella. Capita spesso le realtà che da poco conoscere. Fortunatamente molto stiamo facendo si affacciano in ambito AI facciano confusione tra e molto sta diventando obbligatoriamente parte del l’Analytics dei Dati e il Machine Learning, si aspettano bagaglio di competenze di ogni Data Scientist anche grafici da interpretare e finestre piene di gauge da grazie alle recenti disposizioni legislativa a livello controllare quando invece i metodi di Machine Learning europeo. prevedono una forma di controllo del dato attraverso la creazione di modelli. Citando un adagio chi fa Ora che sapete che sono un menagramo dell’AI e Analytics crea report e slide chi fa Machine Learning non uno di quelli che vi dicono che l’AI risolverà ogni fa modelli previsionali (bot software) che agiscano vostro problema non vi stupirà sapere che ho scelto per conto dell’utente finale o lo consiglino. E così per di parlarvi di un lavoro che ho fatto in tema sicurezza rispondere alle richieste del Committente ci siamo e sanità pubblica per una piccola commessa dell’Asl trovati anche a fare una parte di semplice Analytics di Arezzo: una dashboard interattiva per la previsione dei dati con cartine georeferenziate, dati statistici dei casi di Covid-19. sul territorio e quant’altro anche se teoricamente il L’obiettivo uno strumento che si aggiornasse di lavoro più affascinante e importante spesso non è continuo con i dati dei tamponi prevedendo il numero di quello che appaga l’occhio con un grazioso grafico nuovi contagi frazione di ASL per fazione di ASL perfino bensì un numero di casi con tanto di incertezza non e consigliando su quali frazioni di ASL concentrare ottenuto con modelli epidemiologici ma direttamente lo sforzo di indagine. Lo strumento doveva essere a partire dagli stessi dati, modellando comune per realizzato con celerità. Il gruppo si riuniva due volte comune l’andamento dei casi fino a ricostruire i a settimana una per aggiornare tutti gli elementi del classici andamenti settimanali sconosciuti ai modelli team sui propri progressi e una volta per un resoconto epidemiologici. dello stato di avanzamento con il Committente. Come accennato un tipico lavoro di Data Science Concludo con una riflessione. Un aspetto molto prevede buona parte di trattamento dei dati a cui bello dei lavori di Data Science è la possibilità di segue la realizzazione e il tuning dei modelli di machine procedere parallelamente alla creazione dei modelli. learning / intelligenza artificiale che rispondano alle Ci sono innumerevoli tecniche per modellare dei necessità del cliente. Realizzare i modelli comporta uno dati le più usate sono le reti neurali e le gradient studio dello stato dell’arte oltre che la progettazione boosting machine ma l’elenco potrebbe essere di sistemi mirati. Insomma considerato anche il poco lungo a piacere. Una caratteristica molto interessante tempo e la realizzazione di una dashboard completa di questi modelli è la loro capacità di completarsi a da zero si trattava di un lavoro considerevole e anche vicenda essendo ognuno forte in ambiti diversi. Così è di un notevole impatto sociale. abbastanza naturale, quando si punta ad aumentare le Per affrontare il tutto ci siamo focalizzati nello sviluppo performance, lasciare carta bianca ad ognuno, quando di tre sottoprogetti uno l’Analisi preliminare dei dati, nel team ci sono diversi data scientist o software l’interfaccia e lo studio dello stato dell’arte con ricerca engineer, sul modello da usare. Ognuno crea il suo dei modelli più idonei. I sottoprogetti non erano certo modello magari ispirandosi a un modello appena letto indipendenti l’uno dell’altro e abbiamo creato un in un paper o a una metodologia consolidata da ammi, gruppo Telegram apposito per evitare il più possibile e poi i modelli più promettenti vengono “fusi” con una che uno dei tre progetti si arrestasse prestandoci aiuto tecnica che si chiama ensembling per crearne uno vicendevolmente con spiegazioni e snippets di codice ancora più performante. Insomma tenendo traccia in tempo quasi reale. opportunamente di tutti gli esperimenti numerici che Durante i nostri incontri con il Committente era si fanno nella modellazione del fenomeno e lasciando nato chiaramente il problema di comunicazione del la più completa libertà di sperimentazione si ottengono lavoro e della sua portata, il Committente possedeva i modelli migliori. ed utilizzava già un sistema di Business Analytics Mai nessun tentativo è inutile o sprecato. 117A g i l e I t a l i a

Come facilitare la nascita di Community Of Practice sulla Data Science Diego Sanvito Innovation and Data Sources Director

In questo articolo vorrei approfondire in che modo si creda. Anche l’interesse può quindi mutare molto sia possibile facilitare la nascita di una Community velocemente. Queste parti variegate e collegate sono Of Practice (di seguito CoP) in un ambito molto il Data Mining, la Compliance & Legal, la Statistica e variegato ovvero quello delle Data Science all’interno la Matematica, la Programmazione ed il Coding (e di un contesto aziendale. Si tratta di una sfida che mettiamo anche l’Architettura!), la Computazione, professionalmente o meno molti di voi hanno già avuto la Visualizzazione e la Comunicazione con relativa modo di vivere attivamente, che forse si accingono Traduzione per i comuni mortali. ad intraprendere o che vorrebbero perseguire in un Per fare in fretta, l’ambito della Data Science si prossimo futuro. In questo articolo vorrei analizzare riduce spesso e volentieri ad una piccola parte alcuni aspetti di questo percorso e approfondire quali specifica, relativa al proprio interesse ed alle proprie componenti, accorgimenti e soluzioni possono essere competenze, assumendo spesso e volentieri la messi in campo per facilitare la nascita di una CoP seguente trasformazione riduttiva: Data Science = sempre all’interno di un contesto aziendale. Artificial Intelligence = Machine Learning = (libreria Ma rispondiamo subito al domandone: cosa diavolo è appena uscita che si tende a voler applicare ovunque). la Data Science? E qui viene in aiuto Cassie Kozyrkov, Sad Short Story. Head of Decision Intelligence @Google con il seguente A ben vedere l’interesse comune risulta molto più articolo (link), tradotto in italiano. A ben vedere ci ampio di quanto si possa immaginare rispetto al sono molteplici descrizioni a proposito della Data proprio campo di azione e comfort zone, in cui si è Science che si possono facilmente trovare, corrette volutamente piantonati. Questo non aiuta di certo la e tutte interessanti in base ai differenti punti di vista: nascita di una CoP. vi condivido questa ulteriore interpretazione (link) Altre caratteristiche proprie di una CoP sono il fatto che ho trovato particolarmente intuitiva e di facile che sia una comunità e che ci sia attivamente una comprensione. pratica dell’interesse comune. Il fatto di essere una comunità è una delle Partiamo dalla caratteristiche di una CoP e dalle sue caratteristiche più difficili da raggiungere per una basi fondamentali: innanzitutto occorrono persone CoP di Data Science. Senza voler generalizzare motivate a perseguire un interesse comune. troppo, le persone maggiormente appassionate Persone motivate nel senso che occorrono persone alla Data Science possono avere la tendenza a che proattivamente vogliano mettersi in gioco per preferire un apprendimento abbastanza solitario, condividere la propria passione su qualcosa e per fare con ricerche sul web per avere le ultimissime novità meglio qualcosa (ebbene sì, meglio di quanto stiano da poter sperimentare nel proprio campo e che si già facendo!). Ed un aspetto fondamentale della contestualizzano poi nell’ambiente lavorativo come un condivisione verso le altre persone che non sempre “One Man Show”. O forse così è stato all’inizio dei tempi, viene espresso è che per condividere occorre anche e con il tempo si sono formate diverse possibilità di voler apprendere qualcosa, altrimenti la condivisione aggregazione (soprattutto virtuale negli ultimi periodi) risulta alquanto sterile. che permettono in qualche modo di arrivare ad una E l’interesse comune? Al momento indichiamo sorta di comunità: pensiamo ai numerosissimi Meetup l’interesse comune in modo generico come afferente presenti online sulla Data Science ed ai vari gruppi alla “Data Science”, con l’ipotesi che sia un piccolo di interesse presenti sulle piattaforme social, tutti mondo composto da molteplici parti variegate; parti utilissimi come momenti di effettiva interazione tra le anche molto collegate fra loro ma non propriamente persone e come momenti di vera cross-fertilization. così omogene e che per di più si evolvono continuamente e molto più velocemente di quanto 119A g i l e I t a l i a

E la pratica della Data Science invece? Forse è l’aspetto fisiologica primaria del nutrimento che apre le porte maggiormente coperto per i vari appassionati grazie alle fasi successive, tra cui alla fine anche il bisogno alle numerose risorse presenti sul web in modalità dell’autorealizzazione. open source, alle best practises e metodologie Non solo, ben vengano poi momenti incentrati sul condivise sui vari blog tematici e ad alle competizioni gioco, intesi propriamente come attività ludiche e come sponsorizzate dalle aziende su tematiche di business sfide, che possano essere intellettualmente stimolanti (Kaggle like) in cui spesso sono presenti anche incentivi e nelle quali si possa esternalizzare maggiormente la economici. condivisione delle emozioni tra le persone. Per arrivare Rimane da sottolineare il fatto che la pratica all’interno magari poi ad organizzare veri e propri momenti di di un CoP debba essere un momento di confronto gamification in cui inserire le varie componenti ludiche fondamentale oltre che di apprendimento condiviso. all’interno di un percorso di formazione del dominio relativo, in cui l’apprendimento è facilitato dal gioco, Tricks and tips dove gli errori non sono tenuti nascosti ma creano i Per facilitare la nascita della CoP sulla Data Science presupporti per continui feedback e dove si è stimolati all’interno di un contesto aziendale ecco alcuni ad apprendere in un contesto più divertente e meno accorgimenti e possibili soluzioni: stressante. Mettendo assieme il tutto, proviamo innanzitutto Facilitiamo la creazione di momenti di aggregazione ad organizzare eventi ad hoc specifici a facilitare informale, non per forza come occasioni di l’incontro delle persone accomunate da un apprendimento ma con la semplice volontà di interesse, pianificando con gli stessi partecipanti incontrarsi inizialmente. Come possiamo voler la programmazione delle attività, sia formative che imparare qualcosa da persone che non conosciamo ludiche, in un luogo che sia quanto più possibile lontano alla fine? Bisogna trovarsi ed iniziare a parlare intanto, dal posto di lavoro tradizionale a cui siamo abituati conoscersi in qualche modo. Ben vengano allora (non solo fisicamente, ma anche concettualmente colazioni, pranzi, aperitivi e cene. Insomma l’aspetto parlando). Lasciamo che si possa ricreare il proprio fondamentale sembra quello del cibo, ma in realtà ambiente di gioco preferito, in cui il confronto possa dietro a questo aspetto si cela la nostra stessa cultura, esercitarsi in un clima disteso e dove la “sfida” con le che nel corso del tempo ha fatto sì che in determinati altre persone sia quella più sincera ed ingenua, e non aspetti (in particolare il “mangiare assieme”) ci sia una quella della sopravvivenza lavorativa. comprovata facilità di comunicazione e di condivisione E devono esserci attività a dir poco leggendarie, (da varie analisi antropologiche) con il conseguente alle quali non si può neanche immaginare di non consolidamento con il tempo dei rapporti sociali. partecipare; esperienze di valore che possano Non da meno poi il superamento dell’esigenza permeare definitivamente il nostro vissuto.

Proviamo a concentrarci su determinati ambiti specifici Facciamoci aiutare dagli stakeholders e dagli del mondo della Data Science, in cui è possibile influencer aziendali interni, per incrociare potenziali facilitare il senso di appartenenza ad una potenziale aspettative di business future con attività che possano comunità, verso un gruppo di persone selezionate e scaturire dalle pratiche della CoP. La creazione di fortemente appassionate di un determinato ambito nuovi servizi/prodotti è un fattore molto importante della Data Science, senza voler da subito abbracciarne all’interno di un contesto aziendale ed è quindi possibile tutto il mondo. Identifichiamo all’interno del contesto cavalcare l’interesse. Non solo, in un’ottica di crescita aziendale quale possa essere lo zoccolo duro su cui condivisa, il knowledge sharing ed il knowledge concentrare l’interesse o meglio la passione delle transfer rappresentato due componenti fondamentali varie persone ed iniziamo da quello. per la continuità aziendale e sono fattori ben tenuti Sperimentiamo in piccolo e valutiamo poi di estendere in considerazione. A questo si aggiunga lo sviluppo il tutto ad altri ambiti: proviamo ad utilizzare il concetto professionale in termini di acquisizione di nuove skills di MLP (Minimum Lovable Product) portandolo in all’interno dei team di lavoro e la continua crescita questo contesto, in cui le persone possano amare dei network tra le persone che possono portare a quello a cui stanno partecipando, declinando insieme migliorare la retention delle stesse sia nel breve da subito il purpose, gli obiettivi da traguardare e le che nel medio/lungo periodo. Non sottovalutiamo modalità di raggiungimento degli stessi, cercando dunque la possibilità di avere sponsorship importanti di valorizzare al massimo il lavoro scaturito dalle indipendentemente dal fatto che possano poi portare pratiche tramite una comunicazione al di fuori dei budget a supporto delle iniziative: quelli potranno primi partecipanti arrivare a supporto nel tempo, e con essi anche guru ed influencers esterni del mondo della Data Science che porteranno le loro esperienze ed accresceranno ulteriormente l’interesse di nuove persone a partecipare alla CoP. 121A g i l e I t a l i a

Si tutto chiaro, ma non manca qualcosa? abbiamo visto la luce (I Have seen the light!, Jake Blues) Vero. Un mindset motivazionale ed il committment , oppure affrontare empaticamente ed in maniera continuo. Esploriamo e condividiamo i drivers trasparente all’interno della CoP questo percorso motivazioni delle persone desiderose di portare un di crescita (++ facile). Dobbiamo imparare qualcosa cambiamento e che possano essere loro stesse il di nuovo, qualcosa che non conosciamo e che non cambiamento. Supportiamo con la massima empatia sappiamo fare, affrontando i problemi relativi di una questo percorso al fine di creare un sincero contesto nuova sfida insieme, con l’aiuto di altre persone e di fiducia, in cui le persone possano sentirsi libere di perché no proprio all’interno della CoP, condividendo sbagliare e di ammettere di non conoscere, in modo il tutto emozionalmente. che alla fine siano capaci di apprendere, di crescere. Le emozioni diventano una e propria spinta propulsiva che rafforza l’imprinting delle nuove nozioni e Ma alla fine c’è una soluzione general purpose delle nuove esperienze a livello personale, e che con spiegone finale e pure una massima per chi si applichiamo poi facilmente in ambito professionale. vorrebbe cimentare? Qualcosa sicuramente apprenderemo, qualcosa In fondo era già tutto scritto sopra, quasi banale, trito metteremo in pratica, qualcosa impareremo. e ritrito: dobbiamo uscire dalla nostra zona di comfort. Giochiamo un poco, non vale la pena rimanere solo a Possiamo farlo da soli con le nostre innate capacità guardare. True Story di evolvere (+++ difficile) che tendenzialmente calano il giorno dopo rispetto a quando ci siamo gasati ed

AgileForItaly Lean Beer PODCAST SU SPOTIFY, SPREAKER, APPLE PODCAST, GOOGLE PODCAST DAVIDE CASARI TIZIANO INTERLANDI PIERPAOLO CIMIRRO 123A g i l e I t a l i a

Verona Handcrafted Gin non ti deluderà, è IL distillato fuori dal comune. Un Gin diverso che emana sensazioni e profumi mai trovati in nessun altro Gin. Come produttori di gin abbiamo scelto il metodo LONDON: Vhagin è un prodotto naturale al 100%, la macerazione delle spezie richiede tempi molto lunghi e solo alla fine di questo processo il gin può essere distillato. Per disciplinare non può essere aggiunta nessuna correzione dopo la distillazione e trae grande beneficio da un po’ di riposo in bottiglia. Nella giungla dei gin in commercio non è sempre facile orientarsi. Ogni volta che scegli un gin ricordati di cercare sull’etichetta la dicitura London Gin: Primo e facile criterio per distinguere un GIN di qualità. Vuoi capire meglio di cosa stiamo parlando? London Gin: il termine London non si riferisce al luogo di origine, ma al processo produttivo. Per disciplinare il London Gin, secondo il Reg. CE 110/2008, deve essere ottenuto esclusivamente da alcol etilico di origine agricola, il cui aroma è dovuto esclusivamente alla ridistillazione di alcol etilico in una singola seduta (one-shot) ed in alambicchi tradizionali con presenza di materiali esclusivamente vegetali naturali. Identico ad un Gin distillato, nel London Gin l’unica variante è che non può esserci aggiunta di nessun tipo di elementi artificiali quali aromi e coloranti. Il London Gin è trasparente, secco, profumato e deve avere titolo alcolometrico volumico minimo di 37,5% vol. www.vhagin.com – [email protected]

https://agileitalia.agileforitaly.com Ci vediamo il 9 Novembre AgileForItaly 125A g i l e I t a l i a