- L’AI viene utilizzata per ottimizzare processi aziendali e manifatturieri, controllare i consumi, migliorare i processi di acquisto e la formazione.
- Esperti e utilizzatori hanno condiviso le sfide incontrate nell’implementazione dell’AI.
- Leggi le testimonianze.
Dal convegno “Intelligenza artificiale: l’Italia s’è desta!” è emerso un quadro di grande fermento, che si traduce in una crescita complessiva del 27% di questo segmento nel 2021, pur con livelli di investimento ancora contenuti di circa 380 milioni di euro. Esperti e utilizzatori dell’Artificial Intelligence (AI) con le loro testimonianze ci aiutano a evidenziare i numerosi ambiti di applicazione e le criticità incontrate nel percorso. Si va dall’ottimizzazione dei processi aziendali e manifatturieri, al controllo dei consumi, dal miglioramento dei processi di acquisto alla formazione.
La centralità dei dati: come usarli al meglio per l’AI?
“Le grandi aziende non si chiedono più se investire in AI, ma dove concentrare gli investimenti sfruttando un budget in crescita”, sintetizza Lorenzo Tencati, Chairman di Intellico che opera per migliorare la gestione degli asset fisici anche in termini di sostenibilità. L’era post covid registra alcuni macrotrend che vedono da un lato la disponibilità crescente di dati, la materia prima dell’AI, e dall’altro una maggiore attenzione ai temi della sostenibilità e ai costi dell’energia. Questa congiuntura converge verso l’opportunità della creazione di algoritmi intelligenti per creare smart plant, smart building, smart city.
In ambito manifatturiero, in particolare, l’AI abilita la manutenzione predittiva, su asset industriali di qualunque tipo, per poter ridurre il downtime, aumentare l’uptime e la performance, favorire l’ottimizzazione e i parametri di processo. L’obiettivo è diminuire il consumo di materie prime ed energia e aumentare la qualità dell’output.
L’AI si affaccia anche in aree, come i processi di approvvigionamento, che sono vitali per il business ma dove non ci si aspetta di trovare “tecnologie di frontiera”. L’evoluzione parte dalla nuova consapevolezza sulla centralità dei dati da parte degli uffici acquisti. “I responsabili considerano l’AI uno strumento indispensabile per gestire i dati e poter far evolvere l’ufficio acquisti da un centro di costo puramente amministrativo a un partner di valore al pari della altre funzioni aziendali”, spiega Giampiero Volpi, Strategic Business Analyst, Niuma, a partire dalla sua esperienza sul campo.
Le applicazioni sono molteplici come ad esempio estrarre, dall’insieme elevato di dati da più fonti, le informazioni utili per capire in profondità cosa si stia acquistando e quanto contenga di innovazione, comprendere la dinamica delle catene di fornitura. L’AI può aiutare anche a costruire contrattualità che consentono di risparmiare, con notevoli ricadute sul conto economico aziendale, e a controllare le catene di fornitura per garantire il livello di sostenibilità che può contribuire fino al 90% di sostenibilità globale dell’azienda.
Un’importante area di utilizzo dell’AI è quella della formazione, soprattutto in campi come Industria 4.0 dove la carenza di competenze è cronica e vanno create in tempi rapidi attraverso il reskilling e l’upskilling. È questa l’area in cui opera Social Thingum che ha creato la piattaforma WhoTeach che consente di creare corsi online, basati sul deep learning e sul natural language processing (NLP). “Le aziende possono creare formazione di qualità a costi contenuti e senza dispendio di tempo”, sottolinea Francesco Epifania, CEO & Co-Founder, Social Thingum,
Strategie e criticità nell’adozione dell’AI
Se la disponibilità dei dati è il presupposto su cui si basa l’AI, il percorso per selezionarli e per inglobarli è tutt’altro che condiviso. “Partendo da una definizione di AI come tecnologia a supporto di sistemi che imparano e che riescono a sintetizzare competenze di esperti tramite dati, possiamo constatare che nel nostro ambiente industriale abbiamo tanti esperti ma pochi dati significativi” afferma per esempio Stefano Farisè, Head of AI manufacturing BU, Oròbix.
Serve dunque un framework che possa portare l’AI rapidamente in produzione, perché solo lì si trovano i dati veri. Il suggerimento, basato sull’esperienza, è quello di seguire un percorso che, a partire da un business case solido con pochi dati di sensori e poche immagini, riesca a creare modelli che già riescano a traguardare competenze “simil-umane” per poi portare sul campo gli algoritmi. Solo allora, operando con i dati aggiuntivi, sarà possibile traguardare performance impossibili con un approccio chiavi in mano, incapace di trarre vantaggio dalle competenze degli esperti.
Unipol Sai: automatizzare i processi con RPA
L’esperienza Unipol Sai evidenzia infine, concretamente, che automatizzare i processi con strumenti basati su AI si può fare e conviene. “Nel 2019 l’amministratore delegato ci aveva affidato l’obiettivo ambizioso di realizzare in tre anni 100 importanti automazioni all’interno del gruppo”, ricorda Mariano d’Amore, Head of AI & RPA, Unipol Sai Assicurazioni. Il gruppo di lavoro aveva già maturato alcune esperienze di automazioni nel mondo del linguaggio naturale e della computer vision ma non nella robot process automation (RPA). “Al momento della richiesta non disponevamo neppure del software”, confessa d’Amore.
Partendo con tre automazioni a trimestre per arrivare, a fine periodo, alla media di dieci, il team ha addirittura superato l’obiettivo, con la realizzazione di 104 automazioni a fine 2021. Per farlo, è riuscito a superare le problematiche che via via si ponevano, anche grazie alla creazione di un centro di eccellenza dove sono confluite sia la componente tecnologica, sia quella organizzativa.
Un esempio di applicazione è la realizzazione di un voice bot per gestire, tramite RPA, l’effetto traino per la campagna #UNMESEPERTE che prevede la restituzione di un mese di Rc Auto con un voucher da utilizzare al rinnovo della polizza. “Per farlo con tecnologie tradizionali avremmo dovuto impiegare circa 30 persone”, commenta d’Amore. Per il futuro, Unipol prevede sia ulteriori progetti interni all’azienda sia con dati nella catena del valore dei fornitori.
