Navier-Stokes “risolto” da OpenAI: cosa cambia per la ricerca e chi ne controlla l’uso
OpenAI dichiara di aver risolto Navier-Stokes con 10.000 agenti AI: costi, controversie e chi decide oggi le regole d’uso di questi strumenti.
-
-
AI, MCP ed edifici efficienti
L’integrazione tra intelligenza artificiale e simulazione energetica, resa possibile dal protocollo MCP, apre la strada a un nuovo approccio alla progettazione degli edifici. I modelli possono essere gestiti con linguaggio naturale, automatizzando analisi e ottimizzazioni. Il risultato: più velocità, accessibilità e precisione nelle strategie di efficienza energetica e riqualificazione.
-
AWS Summit 2025 | Usare l’AI generativa per esplorare i disegni tecnici
AI per leggere schemi tecnici? Si può! Utilizzando OCR, NLP e LLM, è stato possibile cercare nei disegni tecnici in archivio componenti già progettate per concentrarsi sul lavoro di innovazione del team.
-
AI-powered Lean Six Sigma
L’unione tra Lean Six Sigma e Intelligenza Artificiale rappresenta una potente combinazione per le aziende che mirano al miglioramento continuo e ad un processo di scelta data-driven. Integrare modelli di AI nei tradizionali strumenti di analisi statistica di processo – come carte di controllo, capability analysis e DOE – permette di affrontare variabilità non stazionarie, condizioni complesse e colli di bottiglia operativi con un livello di precisione e adattività prima impensabile. Diverso approccio, risultati potenziati.
Strumenti predittivi e digital twin inoltre trasformano l’approccio da reattivo a proattivo: non monitoriamo più, ma ma riusciamo ad anticipare, ottimizzare e validare in tempo reale. La sperimentazione diventa continua, il controllo più intelligente, e le decisioni più oggettive.
In questo scenario l’ingegnere di processo del futuro è anche un architetto di modelli, capace di leggere i dati, strutturare la conoscenza e guidare l’innovazione con metodo e visione. Non male come futuro, eh?
-
Transfer learning in industria: quando i modelli vanno in università
Il transfer learning è una tecnica interessante quando si ha un task abbastanza generalizzabile ma pochi dati per il training. Con tempi per l’allenamento ridotti e performance più alte, apre molte potenzialità e ha trasformato il modo in cui oggi i modelli di riconoscimento di immagini e di linguaggio sono costruiti. Nel campo industriale possono essere molto utili per la gestione del ciclo vita del modello e lo scale up di un modello esistente su altri casi simili. Anche se il primo training deve essere gestito con metodi tradizionali, quello che segue può essere gestito con pochi dati e sfruttando la conoscenza pregressa.
-
Guida per l’adozione volontaria e responsabile dell’Intelligenza Artificiale
The ultimate guide to AI management systems: 42001:2023. Possiamo tutti essere grati che cominci proprio con il numero 42?
-
Un articolo utile per capire l’ottimizzazione
In generale, la scelta dell’algoritmo di ottimizzazione dipende dalle caratteristiche del problema (continuità, complessità, vincoli) e dagli obiettivi (precisione, tempo di convergenza, esplorazione globale o locale).
-
Perché la giraffa ha il collo lungo? Come la natura ha inventato l’ottimizzazione
I meccanismi di selezione naturale che hanno fatto allungare il collo alle giraffe possono essere sfruttati per trovare la combinazione di setpoint migliore per minimizzare il costo o massimizzare la qualità di un processo.
