Per valutare il ROI bisogna avere ben chiaro quanto stiamo spendendo oggi in energia, manutenzione, gestione di processo, risorse sprecate e tempo delle persone. A partire da questa fotografia, si valuta per ogni voce di costo cosa potrebbe migliorare con l’AI, oltre al costo del mancato investimento
It’s some kind of magic… Ci sono molti modi di fare manutenzione predittiva data-driven. Alcuni suggeriscono una diagnosi, altri avvisano solo di una possibile anomalia. Tutti però necessitano di avere uno storico di guasti su cui testare la capacità di prevedere i problemi. Però. In moltissimi casi vorrei poter prevedere il guasto prima che avvenga,…
Tra il 2018 e il 2022 sono state fatte diverse ricerche sul tasso di successo o fallimento di progetti di advanced analystics e AI. Tutti concordano nel dire che solo il 20-30% di questi progetti si rivelano in grado di portare benefici ed essere scalato.
Ma come mai?
L’annoso problema della previsione Se il mio modello mi predice il guasto e io intervengo, come faccio ad essere sicuro che si sarebbe presentato? Se vado a fare un’ispezione ma non trovo nessuna anomalia, ha sbagliato il modello o sono io che non ho cercato bene perché il modello è troppo sensibile? Queste domande saltano…
Mi dispiace deludere i lettori, purtroppo l’AI non è infallibile. Lo so, prendetevi il tempo che vi serve per elaborare il lutto.
Infatti, i modelli di machine learning e di deep learning, imparando solo dai dati senza senso critico, spesso replicano quello che hanno osservato in modo errato, o non sanno gestire alcune situazioni.
Nel 1908 il New York Times ha pubblicato un articolo dedicato ad un cane che ha imparato a ingannare il sistema.
L’AI fa predizioni generalizzando informazioni che ha già visto nel passato, in base alla situazione che sta osservando nel momento presente.
In particolare, in industria osservare la situazione del momento presente significa elaborare in real-time i dati dal campo – temperatura, pressione, portata, ma anche immagini superficiali o di altro tipo. Questi diventano gli input del modello.
Il modello, in base agli input, cerca di fare una predizione, chiamata output. Gli output possono essere ad esempio il valore di temperatura o consumo attesi, o la probabilità che la condizione specifica sia sintomo di un guasto, o se l’immagine contiene o meno un difetto o un pezzo di scarto.