AI mania

Potrebbe sembrare fantascienza – l’AI nell’industria italiana? – , ma l’interesse sempre più ampio al tema e il grande investimento degli ultimi anni in IoT, impianti 4.0 e sistemi gestionali online ha gettato le basi per il passo successivo di adozione su larga scala dei sistemi AI-driven. L’intelligenza artificiale avrà un impatto ampio e diffuso con benefici tangibili in termini di efficienza e riduzione di costi, ma anche con risvolti etici importanti sull’utilizzo dei dati e sull’occupazione e il mismatch di competenze.

Ma nella pratica cosa ci dobbiamo aspettare nell’industria?

Cosa c’è all’orizzonte

Dal punto di vista puramente tecnologico in ogni caso l’AI è una rivoluzione, e cambierà di nuovo il nostro modo di lavorare, come ha fatto il PC e internet prima di lei. Da una ricerca dell’Osservatorio Internet of Things del Politecnico di Milano, emerge che in Italia l’87% delle PMI e il 98% delle grandi imprese stanno già sfruttando l’I-IoT nelle loro aziende. Potenzialmente quindi la maggioranza delle aziende dell’industria italiana ha i numeri per costruire una o più soluzioni di AI industriale.

L’introduzione di servizi per il fine tuning dei Large Language Models inoltre ha aperto le porte ad un secondo filone di sviluppo per sistemi di supporto e assistenza, ma anche per il design generativo e l’ottimizzazione.

Dai dati di campo alle soluzioni AI-driven

Partendo dal dato dell’osservatorio digitale, le soluzioni che più probabilmente avranno ampio sviluppo sono quelle che partono dai sensori in campo: MES, BMS, EMS ma anche PLC e gateway, oppure datalake già strutturati.

In questa famiglia troviamo le soluzioni di cui più spesso si parla in questo blog:

• Monitoraggio real time: a partire dai dati di campo, sarà sempre più diffusa la costruzione di baseline costruite con algoritmi data-driven in grado di rappresentare il comportamento atteso e confrontarlo con il reale. Energy manager, gestori di impianto e responsabili della manutenzione potranno ricevere in tempo reale alert di inefficienza senza dover predisporre reportistica e analisi ad hoc.
• Manutenzione predittiva: i parametri di processo incrociati con ordini di lavoro e segnalazioni di guasto genereranno allarmi automatici e richieste di ispezione direttamente sui CMMS in uso, la manutenzione degli asset più critici si sposterà da pianificata e correttiva a predittiva, con ispezioni meno invasive e più frequenti in base alle indicazioni dei modelli online.
• Ottimizzazione energetica: con l’avvento delle CER e un mercato energetico sempre meno centralizzato, molte industrie e grandi stabili stanno già investendo in fonti di autoproduzione differenziate: fotovoltaico, pompe di calore, serbatoi, cogeneratori. I sistemi di AI diventano strumento necessario per coordinare la produzione energetica e massimizzare la resa dell’impianto combinato.
• Ottimizzazione dei magazzini: meno spazio e costi più alti stanno già cambiando le strategie di stoccaggio. Si osserverà in alcuni casi critici l’utilizzo di sistemi in grado di prevedere la probabilità che uno specifico componente servirà nel prossimo futuro, e che in autonomia sappiano controllarne la disponibilità nel magazzino virtuale ed eventualmente mandare una richiesta di acquisto.
• Pianificazione intelligente della manutenzione: in base ai dati registrati sul CMMS, sarà possibile ottimizzare i piani di manutenzione per minimizzare il tempo di fermo degli impianti, o organizzare al meglio i turni dei team di manutenzione
• Pianificazione intelligente della produzione: sapendo in anticipo i volumi di produzione, le risorse disponibili, i consumi e la qualità delle materie prime i sistemi di AI saranno in grado di suggerire la migliore pianificazione di ricette e regolazioni per minimizzare il costo specifico per pezzo.

Sistemi del genere si basano su algoritmi di machine learning e deep learning cost-effective, che possono essere costruiti ad hoc per rappresentare le caratteristiche dei singoli sistemi a partire dai dati dell’azienda.

Sistemi del genere sono già in uso, e nell’arco dei prossimi 5 anni diventeranno uno standard di mercato per i principali software a supporto di processo, gestione dell’energia e della manutenzione.

L’AI generativa

Rispetto ai sistemi di machine learning e deep learning tradizionali, che spesso sono allenati sui dati specifici delle aziende che ne fanno uso, i sistemi di AI generativa sfruttano modelli linguistici già pronti all’uso, che possono essere ottimizzati (quella cosa che chiamano fine-tuning) su pochi dati specifici, in modo che imparino bene a rappresentare quella specificità.

A settembre 2023 è stata pubblicata una ricerca di Ambrosetti in collaborazione con Microsoft che dimensiona l’impatto che l’AI generativa avrà sul mercato italiano.

In industria, le applicazioni più interessanti sono principalmente nel campo della progettazione e del supporto operativo.

• Generative design: a partire da un componente in uso e considerando i vincoli progettuali, si utilizzerà l’AI generativa per identificare il design in grado di minimizzare il materiale garantendo le caratteristiche fisiche del componente stesso.
• Supporto e trouble shooting per le persone in campo: le piattaforme di CMMS o gestione asset si doteranno di soluzioni basate sui LLM ottimizzati sulle procedure di campo per dare supporto operativo ai tecnici e guidarli in caso di problematiche. Un manutentore esperto in tasca.
• Formazione facilitata on the job: quanto è difficile organizzare un buon onboarding, o un processo di formazione strutturato ma flessibile? Così come nel trouble shooting, anche nelle procedure di formazione i sistemi di AI generativa potranno supportare i dipendenti nei loro percorsi.
• R&D più rapida ed efficace: Sia nella sperimentazione sia nella redazione dei risultati l’AI generativa diventerà un supporto fondamentale. I sistemi generativi sono in grado di esplorare nuovi materiali e molecole e valutarne le caratteristiche, mentre i supporto tramite LLM aiuteranno chi deve scrivere a farlo più velocemente e in modo più completo.

E nei prossimi 5 anni?

Come tutte le trasformazioni, il cambiamento si svilupperà a macchia di leopardo, con picchi e avvallamenti.

Il ministero per la trasformazione digitale ha definito un programma strategico per l’Intelligenza Artificiale, in cui mappa le principali sfide e politiche per supportare le aziende nell’adozione dei sistemi basati su algoritmi di AI.

Le principali sfide da affrontare secondo lo studio a corredo sono quattro:

• Frammentarietà della ricerca
• Insufficiente attrazione di talenti
• Divario di genere significativo
• Limitata capacità brevettuale

A partire da queste sfide, l’agenda prevede azioni più o meno specifiche per supportare la transizione.

Nel frattempo, le industrie del settore privato hanno già cominciato a muoversi nella direzione di investimenti mirati per los viluppo di PoC e progetti di utilizzo dell’AI, nell’arco di 5 anni questi progetti si moltiplicheranno, gettando le basi per un tessuto industriale più digitalizzato.