Intelligenza artificiale e AI generativa danno un vantaggio competitivo alle pmi: migliorano l’efficienza, la sostenibilità e la gestione dei processi e delle risorse.
Le barriere d’ingresso di questa tecnologia in produzione (raccolta e gestione dati per istruire modelli matematici e credibilità ed esplicabilità del modello) oggi sono superabili. Grazie ai servizi di trasferimento tecnologico e di consulenza per l’innovazione di processo e prodotto di un Competence Center come MADE 4.0, anche l’intelligenza artificiale è a portata delle pmi.
Durante la Demo Experience “Accelerare la crescita, strategie pratiche per l’implementazione dell’AI nelle Pmi”, si sono toccati con mano i vantaggi delle soluzioni AI in fabbrica. Sono stati mostrati i casi d’uso di Aizoon, Avvale, Quin e Zerynth, partner del Competence Center nello sviluppo di progetti di innovazione.
I vantaggi dell’intelligenza artificiale in fabbrica
L’AI può abilitare un aumento di produttività ed efficienza, dal singolo macchinario (ad esempio, efficienza energetica, resa e durata) all’intero processo produttivo.
Impatta la Supply Chain, perché permette previsioni molto attendibili della domanda (Forecast), pianificando acquisti e produzione e rendendo flessibile l’automazione a seconda dei lotti da produrre di volta in volta. Rende possibile un maggiore controllo sulla qualità e abilita concetti come la manutenzione predittiva degli impianti.
Inoltre, grazie all’intelligenza artificiale generativa, che utilizza il linguaggio naturale (Large Language Model, LLM), diventa sempre più semplice “dialogare” con la macchina e gli impianti. L'accesso ai dati risulta più un facile e supporta decisioni strategiche più veloci.
Le soluzioni AI dei partner di MADE
I quattro casi d’uso sono soluzioni pensate per rendere solidi e affidabili i modelli matematici nel contesto industriale. Questo ha esigenze applicative molto stringenti per precisione, affidabilità e responsabilità, corrispondenza con il sistema fisico e forti attese applicative.
Gli obiettivi dell’adozione di AI nelle line produttive, infatti, puntano a due procedure. Quella di Smart System (Industria 4.0) e quella di “Self Adaptive Automation”, ovvereo di correzioni automatiche nelle Operations, guidate da un sistema AI.
Le applicazioni per rispondere al livello di sofisticazione richiesto dall’industria manifatturiera richiedono sempre un altissimo grado di personalizzazione.
Dall'automazione a Copilot: i casi di GenAI di Avvale e Zerynth
L’AI generativa può supportare diverse attività aziendali, dalla gestione documentale (manuali d’uso e documenti amministrativi) a quella produttiva. Vengono applicati modelli funzionali a una “knowledge base”, per esempio, sia testuale sia di immagine e video, che permette al sistema di rispondere alle domande dell’operatore con un linguaggio naturale e flessibile nei contenuti.
Questa modalità è basata su solidi modelli matematici e su database aziendali, ma rende più facile l’accesso alle informazioni grazie al linguaggio naturale. Il controllo sul processo resta all’operatore, che ha la competenza di dominio e addestra con feedback continui il sistema stesso.
In pratica, uomo e macchina dialogano e collaborano tra loro. Secondo la definizione stessa di ChatGPT 4.0, la GenAI è un tipo di intelligenza artificiale che apprende dai “pattern” (modelli) di dati e li utilizza per creare nuove soluzioni o previsioni, spesso più affidabili di quelli generati dagli esseri umani.
Nel caso presentato da Avvale, si tratta di una soluzione per creare un sistema interrogabile con domande in linguaggio naturale e in grado di restituire risposte, a partire da una base documentale (manuali d’uso testuali e per immagini). La revisione, la modifica e la convalida delle risposte restano in capo agli operatori. Questi operatori hanno competenze di contesto e ottimizzano il sistema con i loro feedback. Inoltre, per evitare risposte fuori contesto o non affidabili, si ingegnerizzano una serie di Prompt (domande) e template (modello) per indirizzare le risposte dentro un perimetro definito.
Zerynth, a sua volta, ha presentato Zero, un copilota progettato per il settore manifatturiero con tecnologie di AI e IoT, che si collega direttamente ai dispositivi e ai macchinari in officina. La società, grazie alla sua Industrial IoT & AI Platform, connette infatti in modo veloce, flessibile e sicuro qualsiasi macchinario industriale per monitorare gli impianti e i processi produttivi. Così, attraverso l’analisi dettagliata dei dati operativi, Zero fornisce insight per identificare e affrontare le inefficienze. Grazie al linguaggio naturale, si facilita l’accesso alle informazioni da parte di direttori di produzione, responsabili della manutenzione ed energy manager.
AI e Digital Twin per ottimizzare i processi produttivi: il caso Aizoon
La velocità di computo dei sistemi AI, in grado di restituire in pochi secondi le migliori soluzioni per migliaia di combinazioni possibili, sarebbe impensabile per la mente umana. I dati vengono processati da algoritmi di machine learning che restituiscono informazioni utili per efficientare la produzione.
Attraverso tecnologie come il Digital Twin (ovvero il modello digitale del processo produttivo che interpola i dati raccolti con le previsioni simulate) si possono migliorare i processi produttivi. Si riducono errori, scarti e sprechi e si regolano e manutengono in modo ottimale i macchinari in base a una serie di variabili, allungandone il ciclo di vita e la capacità produttiva.
Aizoon, per esempio, ha dimostrato i vantaggi tangibili dell'introduzione del controllo automatico per macchine CNC, sostituendo il controllo manuale dell’operatore. Il carico dei motori è fortemente correlato allo stato di usura dell’utensile. Il mantenimento dei parametri di lavoro all’interno della fascia di tolleranza suggerita dal costruttore è praticamente impossibile da ottenere manualmente.
L’applicazione del Reinforcement Learning è una operazione complessa per l’elevato numero di variabili e combinazioni possibili. Tuttavia, grazie al Digital Twin di processo e all’uso di una rete neurale di Deep Learning, è possibile ottenere informazioni in tempo reale di tutti i parametri coinvolti. Si possono prendere decisioni di controllo ottimali per massimizzare l’efficienza del macchinario.
AI e Digital Twin per il benessere dei lavoratori e la produttività: il caso Quin
L’intelligenza artificiale consente anche una migliore pianificazione delle risorse umane. Aumenta infatti la qualità, la produttività, il clima aziendale e il benessere dei dipendenti, grazie a una distribuzione più equa ed efficace dei carichi di lavoro.
Quin ha illustrato proprio un caso in cui un’azienda ha richiesto di sviluppare un algoritmo capace di assegnare operatori diversi su linee di assemblaggio con lotti mutevoli, in base a fattori quali seniority, esperienza, specializzazione, carico di lavoro. L’operazione manuale che si è voluta digitalizzare era affidata ai capolinea che non avevano visibilità sulle varabili per compiere una scelta efficiente.
La complessità del progetto è che l’azienda non era in possesso di dati storici per addestrare l’algoritmo. È stato quindi sviluppato il Digital Twin della linea di assemblaggio e si è cominciato a raccogliere dati.
Grazie a questo primo set di informazioni e ai dati simulati (ottimizzati) si è addestrato il modello, consultabile dagli operatori tramite tablet. L'obiettivo è un continuo scambio di informazioni tra l’ambiente reale e quello simulato per garantire la sicurezza delle raccomandazioni.
