Industrial AI engineer: la mente

L’industrial AI engineer è la mente: ha la visione per immaginarsi la soluzione migliore, e la pragmaticità per trasformarla in un progetto. Seleziona e quantifica l’indicatore di business su cui lavorare e progetta il sistema per generare un miglioramento nel’indicatore. Si occupa inoltre di dimensionare il saving ottenibile in base ad ipotesi e osservazioni sul processo.

📢 La figura deve possedere forti competenze legate a funzionamento e O&M dei principali asset e processi industriali, e deve conoscere in modo approfondito le tecniche statistiche, di machine learning e deep learning, e le modalità di implementazione di pipeline di data processing.
Il ruolo avrà forti competenze di comunicazione, team work e coordinamento di diverse figure, con una predisposizione alla creatività e alla progettazione di soluzioni data-driven hardware-software. 
Altre competenze utili sono la consocenza delle principali librerie di Python per la data analysis e per il modeling, e la conoscenza di base dei protocolli di comunicazione industriali e di interfaccia tra sistemi.

Questa è una figura molto eclettica, che sposa creatività e praticità e sa indirizzare il resto del team nello sviluppo.

Industrial data analyst: lo sguardo sulla fisica delle cose

Con un insieme di competenze simili all’industrial AI engineer per quanto riguarda matematica e processo, l’industrial data analyst è colui che esplora approfonditamente i dati selezionando la strategia algoritmica migliore in base all’obiettivo, in base alle indicazioni del progetto preliminare e con il supporto dell’indsutrial AI engineer. E’ in grado di sviluppare modelli semplici con sistemi code-less. Anche in questo caso, un ingegnere è una buona opzione.

📢 La figura deve possedere forti competenze legate a funzionamento e O&M dei principali asset e processi industriali, e deve conoscere e saper applicare i principali strumenti di analisi dati e di correlazione, validazione statistica, analisi di probabilità e distribuzione. Deve conoscere gli algoritmi di machine learning e deep learning, le modalità di allenamento e validazione, e le modalità per integrare i risultati dei modelli nelle procedure operative del business. Deve inoltre avere competenze nella progettazione qualitativa di sistemi di reportistica e allarmistica.

L’industrial data analyst è a contatto con il business ed è una figura molto operativa, che si confronta con gli esperti di dominio nella loro lingua e riesce a comprendere le risposte traducendole in step operativi di implementazione.

Data scientist: il modello e il preprocessing

Il termine generico data scientist potrebbe coincidere nei team reali con l’industrial data analyst o con il machine learning engineer. Essendo però ruoli con competenze lievemente diverse, li separiamo per completezza.

Il data scientist crea il modello: a partire dalla progettazione e dalle indicazioni dell’industrial data analyst (che garantiscono rappresentatività fisica), il data scientist apre Python o R e sviluppa il codice per il modello. Di solito lavora su jupyter notebook o simili. Di solito fa mille tentativi (chiamati iterazioni), e alla fine identifica il modo migliore per raggiungere il risultato.

📢 La figura conosce in modo approfondito le principali librerie di Python o R per la modellazione e l'analisi dei dati, quali ad esempio numpy, pandas, scikit learn, tensorflow, keras, xgboost, dplyr, mlr  e equivalenti. E' in grado di sviluppare cruscotti per l'eplorazione dei risultati tramite librerie dedicate come matplotlib, seaborn, ggplot2 o strumenti come Tableau, BI e equivalenti, e sa predisporre notebook interattivi per scalare le analisi su dataset più o meno ampi. 
La conoscenza di SQL rappresenta competenza preferenziale. 

Il data scientist si occupa di identificare quella che viene chiamata pipeline per il modello: l’insieme di azioni che trasformano il dato grezzo in conoscenza (tipo la predizione della probabilità di guasto).

Data engineer: garantire la base dati

Il data engineer prende in carico le azioni della prima parte della pipeline e le industrializza. In particolare si occupa della parte di pulizia dei dati da outlier e anomalie e la formattazione del dato, dalla fonte (sensore, PLC, database, datalake…) al luogo in cui il modello gira.

📢 La figura è in grado di gestire e interrogare database relazionali e non relazionali, ha competenze di programmazione in Python, Java e SQL, e conosce i sistemi per la gestione dei big data come Hadoop, Kafka e Spark. Ha conoscenze di base dei principali provider di infrastruttura (AWS, GCP, Azure) e sa progettare e predisporre API, connettori e ETL.

Ove necessario, è il data engineer che predispone filtri e processi per la gestione dei dati anomali.

Machine Learning engineer: mettere online il sistema

Il ML engineer, a partire dal lavoro del data scientist, sviluppa il sistema online in modo che sia facilmente manutenibile e scalabile nel tempo e in linea con i requisiti di progettazione.

📢 La figura conosce in modo approfondito le principali librerie di Python, Java, C# per la modellazione e l'analisi dei dati e lo sviluppo di soluzioni online. E' in grado di predisporre procedure per la gestione del ciclo vita dei modelli in modo efficace e scalabile. Conosce le regolamentazioni vigenti nel campo dell'AI e del deep learning e conosce le principali tecniche di eXplainable AI. 
La conoscenza di SQL e la capacità di sviluppare API e ETL rappresentano competenze preferenziali. 

Il ML engineer è colui che si occupa, in collaborazione con industrial ai analyst, di manutenere il modello nel tempo e scalare le soluzioni su use case simili.

Figure a supporto

Oltre al power team di data science, ci sono almeno altre due figure trasversali che devono supportare nell’implementazione:

• Per fare sì che il team operativo adotti la soluzione, è necessario coinvolgerlo e fare sì che l’adozione sia semplice: per questo è utile coinvolger un change management expert o consultant. Insieme al business expert e il power team, si occuperà di formare le persone, ingaggiarle e supportarle nelle fasi di adozione.
• In caso di integrazione con altri sistemi e comunque sempre necessario, l‘infrastructure expert / IT manager garantisce che il data e il ML engineer facciano le cose nei posti giusti: cloud, edge, ibrido… Se ci sono hardware da prevedere, supporta nella progettazione dell’architettura e nell’installazione.