In base a cosa l’AI fa predizioni?

Ogni modello di AI industriale fa essenzialmente una cosa sola: guarda dati che non ha mai visto prima e fa una stima. Stima che la temperatura di quel cuscinetto tra 48 ore sarà fuori range. Stima che quell’immagine superficiale contiene un difetto. Stima che il consumo di gas di quella linea nelle prossime quattro ore sarà il 12% sopra la baseline.

La domanda che vale la pena farsi è: su cosa si basa quella stima?

La risposta è sempre la stessa — il modello generalizza. Ha visto migliaia di situazioni passate, ha imparato le relazioni tra gli input e gli output, e quando arriva una situazione nuova le applica. Non ragiona, non capisce: riconosce pattern e li proietta.

Questo è al tempo stesso il punto di forza e il limite fondamentale di qualsiasi sistema di machine learning.

Input, output e la logica della predizione

In un contesto industriale, gli input del modello sono i dati che descrivono la situazione presente: temperature, pressioni, portate, velocità, assorbimenti di corrente, vibrazioni, o anche immagini di superfici e componenti. Sono la “fotografia” dell’asset o del processo nel momento in cui viene fatta la predizione.

L’output è ciò che il modello stima a partire da quella fotografia. Può essere un valore continuo — il consumo energetico atteso nelle prossime ore, la temperatura prevista all’uscita di un reattore — oppure una classificazione: questo cuscinetto è in stato normale o anomalo? Questo pezzo è conforme o difettoso? La probabilità di guasto nei prossimi sette giorni è alta, media o bassa?

La distinzione tra output continuo (regressione) e output categorico (classificazione) non è solo tecnica: determina come si valuta la performance del modello e come si usa il suo risultato in produzione.

Il ruolo degli input: non tutti i dati sono uguali

Un errore comune è pensare che più dati si forniscono al modello, meglio è. In realtà, quello che conta è la qualità e la rilevanza degli input rispetto all’obiettivo.

Un modello per la manutenzione predittiva di un compressore che riceve in input la temperatura dell’ufficio amministrativo adiacente ha un input irrilevante che aggiunge rumore senza aggiungere informazione. Un modello per la previsione del consumo di gas che non riceve in input il piano di produzione della giornata manca di un’informazione fondamentale.

Questo processo — decidere quali variabili includere, come trasformarle, come gestire i valori mancanti o fuori scala — si chiama feature engineering, ed è spesso la parte più impattante dell’intero progetto di AI. Un modello semplice con feature ben costruite supera quasi sempre un modello complesso con dati grezzi e mal selezionati.

In ambito industriale questo significa lavorare a stretto contatto con chi conosce il processo: il manutentore che sa che quella vibrazione è influenzata dalla temperatura ambiente, l’operatore che sa che quel sensore va in saturazione sopra i 90°C e smette di essere informativo.

Come impara un modello di AI

L’apprendimento è la fase in cui un algoritmo — una struttura matematica vuota — vede dati storici e ottimizza i propri parametri interni per rappresentare le relazioni tra input e output nel modo più accurato possibile. Quando questo processo è completo, l’algoritmo è diventato un modello.

La distinzione tra algoritmo e modello è sottile ma importante: l’algoritmo è il metodo (la rete neurale, il gradient boosting, la foresta casuale), il modello è quell’algoritmo dopo che ha visto i dati di un impianto specifico. Lo stesso algoritmo applicato a due compressori diversi produce due modelli diversi, perché ha visto dati diversi.

Le modalità di apprendimento

Il modo in cui un modello impara dipende dalla struttura dei dati disponibili e dall’obiettivo che si vuole raggiungere. Le tre modalità principali sono profondamente diverse.

Apprendimento supervisionato — il modello apprende da esempi etichettati: dati storici in cui l’output corretto è già noto. Per la manutenzione predittiva significa avere uno storico in cui ogni anomalia è già stata classificata e associata al tipo di guasto che l’ha causata. Per il controllo qualità visivo significa avere migliaia di immagini già etichettate come “conforme” o “difettoso”. È la modalità più potente e più usata in industria, ma richiede che i dati storici siano accurati e sufficientemente rappresentativi di tutte le condizioni che il modello dovrà affrontare in produzione.

Apprendimento non supervisionato — il modello non ha etichette: impara a riconoscere la struttura interna dei dati senza sapere cosa sta cercando. È la modalità tipica dell’anomaly detection: il modello impara come si comporta normalmente un asset e segnala tutto ciò che si discosta da quel comportamento normale, senza aver visto esempi di guasto. In un contesto industriale dove i guasti sono rari e i dati di failure sono pochi o inaffidabili, questa modalità è spesso l’unica praticabile.

Apprendimento per rinforzo — il modello non ha dati storici: impara per tentativi, ricevendo un feedback (ricompensa o penalità) in base al risultato delle sue azioni. È la modalità usata nei sistemi di ottimizzazione adattiva dei setpoint di processo, dove il modello sperimenta diverse regolazioni e impara a preferire quelle che migliorano l’indicatore di performance scelto. Richiede un ambiente di simulazione o un processo in cui gli errori di apprendimento siano tollerabili.

Dataset di training e di test: la differenza che conta

I dati storici vengono sempre divisi in due parti prima dell’addestramento. Il dataset di training è quello che il modello vede durante l’apprendimento e su cui ottimizza i propri parametri. Il dataset di test è quello che il modello non ha mai visto e su cui viene valutata la sua performance reale.

Questa separazione esiste per un motivo preciso: un modello può imparare a memoria i dati di training senza capire realmente le relazioni sottostanti. Se valutassimo la sua performance sugli stessi dati su cui ha imparato, otterremmo risultati ottimistici e fuorvianti.

Overfitting, underfitting e generalizzazione

Il vero obiettivo dell’addestramento non è che il modello perda su tutti i dati di training — è che generalizzi bene su dati nuovi che non ha mai visto.

L’overfitting si verifica quando il modello impara troppo bene i dati di training, incluso il rumore statistico e le anomalie casuali, e perde la capacità di generalizzare. Un modello in overfitting performa in modo eccellente sul dataset di training e male sul dataset di test. In ambito industriale è un rischio concreto quando i dati di training sono pochi o poco variegati: il modello “memorizza” le condizioni operative di quei pochi mesi e fatica a generalizzare su condizioni stagionali diverse o su variazioni del processo.

L’underfitting è il problema opposto: il modello è troppo semplice per catturare le relazioni presenti nei dati, e performa male sia sul training che sul test. Tipicamente si verifica quando si sceglie un algoritmo troppo elementare per la complessità del problema, o quando le feature fornite al modello sono insufficienti.

Il punto di equilibrio — un modello che performa bene sia sul training che sul test — si chiama buona generalizzazione ed è l’obiettivo reale di qualsiasi progetto di machine learning industriale.

Gestire il drift significa monitorare nel tempo le performance del modello in produzione, definire soglie di riaddestrament e avere processi per aggiornare il modello quando le sue stime si discostano significativamente dalla realtà. Non è un problema tecnico da risolvere una volta: è una responsabilità operativa continuativa.rare e comincia a fare predizioni, replicando quello che ha visto nel passato con la grande ipotesi che il passato si ripete.

La predizione: il momento in cui il modello lavora davvero

Completato l’addestramento, il modello entra in produzione e inizia a fare quello per cui è stato costruito: guardare dati nuovi e produrre una stima in tempo reale.

In questa fase — chiamata inferenza o predizione — i parametri interni del modello sono fissi. Il modello non impara più, non si aggiorna, non si adatta: applica le relazioni che ha estratto dallo storico alla situazione che sta osservando in questo momento. Se il compressore mostra una firma vibrazionale che assomiglia a quelle che precedevano un guasto al cuscinetto, il modello lo segnala. Se il profilo di consumo della mattinata si discosta da quello atteso per quella combinazione di carico e temperatura esterna, il modello lo rileva. Se l’immagine superficiale presenta una discontinuità nella texture che il modello ha imparato ad associare a un difetto, lo classifica.

La predizione è computazionalmente leggera: elaborare un nuovo dato richiede millisecondi, indipendentemente da quanto fosse costoso l’addestramento. Questa asimmetria è una delle ragioni per cui i modelli di machine learning sono adatti a contesti industriali in cui le decisioni devono essere prese in tempo reale, su flussi continui di dati.

Il limite è speculare al vantaggio: il modello sa generalizzare bene solo nelle condizioni che ha già visto. Se il processo cambia — una nuova ricetta, un componente sostituito, una stagione che porta condizioni operative mai osservate nel periodo di training — le sue stime possono degradare silenziosamente. Non smette di produrre output, ma quegli output diventano progressivamente meno affidabili. È per questo che monitorare la performance del modello in produzione non è un’attività opzionale: è parte integrante della gestione di qualsiasi sistema di AI industriale.

Drift: quando il mondo cambia e il modello non lo sa

Un modello addestrato su dati storici rappresenta il comportamento del sistema in quelle condizioni specifiche. Se le condizioni cambiano — nuova ricetta di produzione, manutenzione straordinaria su un componente, variazione stagionale, degradazione progressiva dei sensori — il modello può diventare gradualmente meno accurato senza che nessuno se ne accorga immediatamente.

Questo fenomeno si chiama concept drift ed è uno dei problemi più insidiosi in produzione. Un modello di anomaly detection che non viene riaddestratto dopo una revisione importante dell’impianto potrebbe continuare a segnalare come anomalie condizioni che sono diventate la nuova normalità, o peggio, smettere di segnalare anomalie reali perché il suo riferimento di “normale” è diventato obsoleto.

Saper fare le domande giuste

L’apprendimento automatico non è una tecnologia che si installa e si dimentica. È un processo che inizia molto prima che venga scritto il primo algoritmo e continua ben oltre il momento in cui il modello va in produzione.

Prima del training c’è il lavoro sui dati: capire quali variabili contengono informazione utile, come gestire i sensori che vanno in saturazione, come trattare i periodi di fermata impianto, come costruire le etichette quando i guasti in archivio sono pochi o mal documentati. Questo lavoro — invisibile nell’output finale — determina il 70% della qualità del modello.

Dopo il deployment c’è il monitoraggio: verificare che le predizioni restino accurate nel tempo, riconoscere i segnali di drift prima che diventino errori operativi, decidere quando vale la pena riaddestrare.

Nel mezzo c’è la scelta dell’algoritmo, che conta meno di quanto si pensi. Un modello semplice su dati ben costruiti supera quasi sempre un modello complesso su dati grezzi e mal selezionati. La complessità tecnica raramente è il collo di bottiglia: lo è molto più spesso la qualità dei dati, la chiarezza dell’obiettivo, e la capacità di tradurre una domanda di business in un problema che una macchina può imparare a risolvere.