AI in azienda, con Confindustria Vicenza e MIPU Predictive School

Mi capita spesso di raccontare in webinar e docenze cosa vuol dire portare l’AI in azienda, in particolare in industria.

Lo scorso 13 marzo ho avuto modo di parlarne con Confindustria Vicenza insieme a MIPU Predictive School, presentando gli step per portare l’AI in azienda e presentando una serie di casi di successo.

Cosa vuol dire utilizzare l’AI in industria?

L’AI è una tecnologia estremamente flessibile, con grandi potenzialità per ottimizzare i processi e supportare le persone in campo e dietro le scrivanie. La fabbrica del futuro è monitorata 24/7 grazie a sensoristica in campo, accelerometri, videocamere, ed è in grado di intercettare inefficienze e malfunzionamenti prima che questi causino un fermo o un extra-costo. Inoltre, grazie ai tool di ottimizzazione AI driven, l’industria può minimizzare consumi energetici e di materie prime o il costo unitario, massimizzare l’OEE e la qualità.

Questo, grazie ai dati: informazioni in grado di rappresentare i fenomeni e i processi, da cui l’AI può imparare. E un sistema che impara dai dati proprietari, come detto, sa supportare in situazioni specifiche, può interpretare correttamente le anomalie, identificare i problemi e ottimizzare le regolazioni.

A seconda del tipo di dato e del tipo di sfida di business che vogliamo risolvere, si identifica la migliore strategia algoritmica, per abilitare savings piuttosto interessanti per il settore industriale.

L’avvento dell’AI generativa

Con la rivoluzione dell’AI generativa, che apre le porte ad una serie di use case prima difficilmente immaginabili, l’asticella dell’interesse nei confronti delle tecnologie data-driven è schizzato in alto. E a ragione: l’impatto dei tool pronti all’uso sulla nostra efficienza personale e aziendale sarà molto simile all’impatto che ha avuto il personal computer. Guardando i numeri di McKinsey, ci sono tre aspetti interessanti da notare.

Il primo è che l’impatto dell’AI generativa si somma ad una rivoluzione già in atto in cui l’AI muoverà trilioni di dollari nell’economia. Il secondo è che l’area di interesse principale non è tanto l’automatizzazione di processi in sostituzione alle persone, ma la possibilità per le persone di essere più rapide e precise a parità di effort. Il terzo è che l’AI generativa avrà un impatto più marcato in quei settori ancora molto legati a processi manuali (es. marketing, sales, customer operations) in cui le persone al lavoro spesso ripetono gli stessi step con minime modifiche in base a chi hanno davanti. Il settore dell’industria per esempio sta già raccogliendo i risultati dell’utilizzo dell’AI, senza per forza ricorrere a LLM.

Adottare l’AI in azienda: sette passi

Secondo gli osservatori dell’intelligenza artificiale del Politecnico di Milano, il 38% delle grandi aziende fatica a far partire progetti di AI a causa di due barriere all’ingresso:

• E’ difficile identificare business case simili da cui partire con gli sviluppi senza ricostruire tutto da zero
• Il dimensionamento dei benefici ottenibili è molto complesso e necessita di una quantità di dati e informazioni importante

Per facilitare un percorso che la maggior parte delle volte è lungo e tortuoso, nel webinar ho identificato 7 passi da considerare per portare l’AI in industria.

1. Formatevi! Prima di partire, è molto utile cercare di guardare dietro le tende per capire cosa si può fare con quello che si ha e cosa invece è fantasia. Comprendere come funzionano i sistemi di AI da a tutti la possibilità di capire meglio i requisiti da cui partire per aumentare la probabilità di successo di un pilota (avete mai sentito parlare di garbage in, garbage out?)
2. Parti dal problema di business. Identificare un’esigenza da risolvere sposta il focus dalla tecnologia al business. Ragionare per problemi e soluzioni e non per applicazioni della tecnologia aiuta a uscire dal meccanismo del ‘questo è figo per cui lo facciamo‘ e porta invece a ragionare sull’utilità effettiva della soluzione.
3. Lega il successo a una metrica del business. Una soluzione anche non tecnicamente ottimale che risolve un problema reale porta ad un impatto (e saving!) maggiore di una soluzione allo stato dell’arte tecnologico che però non è utilizzata perché non risolve alcun problema reale.
4. Costruisci il team nel modo giusto. Che sia un team esterno o un team interno, è necessario che le persone che sviluppano il sistema conoscano le problematiche del business, e siano competenti nella data science, nella data engineering e nella gestione di architetture e implementazioni più o meno complesse. Si può anche pensare ad un percorso in cui si parte esternalizzando gli sviluppi, prevedendo nel frattempo un percorso di internalizzazione delle competenze.
5. Ipotizza l’impatto della soluzione e identifica i costi associati. Prima di partire è utile definire quali sono le voci di costo oggi, come verrebbero influenzate dalla soluzione che si ha in mente, e quali ulteriori costi legati allo sviluppo e al mantenimento saranno da ipotizzare dopo.
6. Raccogli i dati! Tutte le soluzioni di AI, anche quelle che si basano su sistemi pre-trained come sono i large language models disponibili devono essere calati nel contesto con un allenamento, un fine tuning o l’inserimento in strutture di Retrieval Augmented Generation o in grado di gestire il contesto. No data, no party!
7. Non dimenticare i costi di mantenimento. L’AI diventa un asset intangibile, e come tale deve essere aggiornato, riallenato, monitorato e gestito. Questo si porta dietro costi e competenze da prevedere. Arrivare preparati aiuta!

L’intervento completo

Il video seguente mostra l’intervento completo del 13 marzo, e ripercorre i punti di questo articolo approfondendoli ulteriormente.