AI predittiva, generativa o agentiva: tre tecnologie diverse con requisiti e costi diversi. Una guida per CEO e C-level che devono orientarsi prima di approvare un progetto AI in ambito industriale.
L’AI Act è il primo quadro normativo vincolante per l’uso e la fornitura di sistemi di AI nell’UE. Classifica i sistemi in quattro livelli di rischio — da vietato a minimo — con obblighi e sanzioni proporzionali. In Italia, la Legge 132/2025 lo recepisce senza aggiungere nuovi obblighi, ma introduce aggravanti penali già operative e delega al Governo i dettagli procedurali entro ottobre 2026. Per il manifatturiero, il punto di partenza è uno solo: sapere quali sistemi hai, e a quale livello di rischio appartengono.
EIT Manufacturing ha mappato le 10 sfide del manifatturiero europeo. Per chi lavora in R&D, è la mappa più utile per decidere dove concentrare l’innovazione AI.
Ma com’è che si calcola il consumo dell’AI? Quali sono le strategie che vengono utilizzate per ricostruire questi numeri?
Utilizzando strumenti di data science e facendoci aiutare dai modelli di classificazione allenati man mano, possiamo ricostruire in modo empirico l’intervallo P-F di uno specifico modo di guasto. Per farlo servono i parametri di processo che possano rappresentarne i sintomi, qualcuno che sa come evolve il modo di guasto, e l’indicazione precisa di quando il guasto è stato registrato. Ah, e tanto tempo e pazienza per ripetere i vari test.
Alla fine, avremo costruito una curva P-F precisa, e un modello di manutenzione predittiva che è predittivo per davvero.
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.
Sapreste riconoscere una persona da una macchina? Domanda stupida, la riformulo. Immaginate di discutere via chat con qualcuno. Riuscireste a dire se state parlando con un chatbot o una persona? Beh, con ragionevole certezza sì, penserete. E invece, secondo uno studio pubblicato nel febbraio 2024, vi sbagliate. Matthew O. Jackson e il suo team hanno…
Gli agenti uniti alla potenza dei LLM apre nuovi orizzonti prima difficili da immaginare, in tutti i settori. Un agente con gli strumenti giuste e abbastanza informazioni può potenzialmente sostituire una persona esperta in qualsiasi task digitale – e in alcuni casi anche fisico. Tuttavia, costruire agenti complessi può essere costoso e resource-demanding (acqua, energia, potenza computazionale…), e la gestione della compliance e della responsabilità di scelta non è sempre facile da gestire.
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.
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).