Sfide moderne

La prima sfida di chiunque abbia deciso di intraprendere un investimento è dimostrare che il suo investimento sta raggiungendo gli obiettivi sperati.

E se ci hai mai provato, sai quanto è difficile farlo.

Questi nuovi macchinari efficienti che ho installato dovrebbero farmi risparmiare il 15% sulla bolletta, ma quest’estate è stata particolarmente calda e abbiamo prodotto il 23% in più. Come dimostro che i soldi investiti non sono buttati se alla fine la bolletta di quest’anno sarà più alta del 2%?

Questa nuova strategia manutentiva dovrebbe aiutare a diminuire i costi legati agli interventi in emergenza, ma abbiamo lavorato a basso carico rispetto all’anno scorso e i macchinari si sono guastati lo stesso. Come dimostro che in queste condizioni ma senza strategia ottimizzata avrei speso molto di più?

Quando si confrontano due situazioni diverse, il segreto è trovare uno strumento che suggerisca cosa sarebbe successo nelle condizioni operative di oggi, con la situazione impiantistica o le procedure di ieri?

In alcuni casi è semplice, quando ad esempio l’unica cosa che cambia è la temperatura esterna o le tonnellate di produzione e una semplice divisione è sufficiente.

In altri invece è molto più complicato capire in che modo una condizione influenza i costi. Come fare in queste situazioni?

I modelli di AI possono essere molto utili allo scopo.

L’AI non prevede per davvero

I modelli di AI sono bravi a prevedere cose simili a quanto accaduto nel passato. Il segreto della previsione è che i modelli non prevedono niente, replicano solo quanto hanno già visto come se dovesse riproporsi sempre uguale in eterno.

Cosa succede quindi se alleno un modello sul periodo precedente all’intervento? Il modello imparerà a stimare quale dovrebbe essere il costo a determinate condizioni, in modo preciso e affidabile. E se si costruisce bene, non sarà influenzato dalle nuove condizioni del sistema e sarà in grado di diventare un benchmark con cui confrontare le due situazioni.

Una questione di tempismo

La chiave del successo è capire cosa significa il periodo precedente.

Per fare si che il modello sia affidabile, serve garantire due aspetti fondamentali:

1. Il periodo che si seleziona deve essere abbastanza ampio da rappresentare tutti i comportamenti che il sistema attraverserà. Se le procedure prevedono 4 ricette e turni operativi durante tutto l’anno, sarà necessario avere dati rappresentativi di tutte e quattro le ricette in tutte le stagioni.
2. Il periodo non deve contenere comportamenti anomali. Se nel periodo precedente sono stati registrati guasti, oppure si sono verificate operazioni che hanno aumentato il costo del processo ma che normalmente non si presentano, si dovranno escludere dalla modellazione.

Costruire il modello

Selezionato il periodo giusto, è giunto il momento di scegliere con che dati costruire il modello di riferimento.

La prima tipologia di dato da selezionare è l’insieme di parametri che non saranno influenzati dall’intervento in questione. Se l’intervento è una modifica del setpoint che normalmente era costante, il modello che costruirò non dovrà contenere il setpoint tra i suoi input.

La seconda tipologia di dato è l’insieme di parametri che effettivamente concorrono o sono influenzati dall’intervento, e di cui però posso rappresentare il valore anche nella situazione ex-ante. Se la modifica è una regolazione differente della caldaia che però già prima veniva modulata in base alla temperatura esterna, dovrò costruire un modello in grado di stimare il costo dell’operatività della caldaia anche in base alla regolazione, e integrare la modulazione precedente negli input dello scenario di benchmark.

Il prima e il dopo

Costruito il modello, siamo pronti per la magia.

Si forniscono i dati delle condizioni operative attuali al modello. Il modello in cambio restituirà il costo che si sarebbe avuto a queste condizioni operative, se non ci fosse stato nessun intervento.

Confrontando quindi in risultato del modello con il valore reale, è facile calcolare la differenza e valutare quanto sto risparmiando nel tempo.

Ma cosa si prevede?

L’ultima cosa da decidere, sebbene come al solito la più importante, è decidere cosa prevedere con il nostro modello.

La scelta più ovvia è cercare di prevedere direttamente il costo. Tuttavia è possibile prevedere anche variabili che indirettamente influenzano il costo, come il consumo di materie prime, gli scarti, il consumo energetico o il numero di interventi di manutenzione.

Vediamo insieme un paio di esempi.

Il saving energetico

Un esempio eclatante, confermato dalla linea guida operativa per il calcolo dei certificati bianchi, è l’utilizzo di modelli data-driven per registrare l’effettivo saving energetico ottenuto.

Questo approccio, molto utilizzato nei sistemi di gestione dell’energia, rende possibile capire quanti kWh sono stati risparmiati grazie ad un intervento di efficientamento energetico, con un modello che prevede il consumo della situazione precedente.

Il saving di costi

Un secondo esempio è legato direttamente alla previsione dei costi. Ci sono diversi esempi in cui i modelli di machine learning e deep learning supportano nella stima del costo di produzione o di processo.

Utilizzare questi sistemi per prevedere quanto sarebbe costato produrre un specifico batch nelle condizioni precedenti, oppure quanto sarebbe costata la manutenzione date le ore di funzionamento, le ricette e la temperatura esterna.

Calcolare il risparmio confrontando prima e poi

Sintetizzando, è possibile sfruttare la capacità dei modelli di replicare quanto hanno già visto in passato per stimare quanto sarebbe costato il processo alle condizioni operative odierne, se non ci fosse stato l’intervento di miglioramento.

Andando poi a confrontare il risultato del modello, che diventa il nostro benchmark, con il valore reale del costo, è possibile capire in modo preciso quanto è stato il risparmio legato all’intervento, escludendo le interazioni esterne dal calcolo.