L’avvento di ChatGPT ha risvegliato l’attenzione pubblica e mediatica attorno ai temi dell’artificial intelligence. Tuttavia, le tecnologie AI erano già entrate nelle nostre vite ben prima del clamore sollevato da OpenAI e dalle potenzialità dell’intelligenza artificiale generativa. Oggi è finalmente arrivato il momento di premere sull’acceleratore, passando dalle sperimentazioni ai progetti su larga scala: bisogna insomma industrializzare le soluzioni AI perché possano essere introdotte sistematicamente in azienda.
Così il filo rosso del recente appuntamento targato Demo Experience, il format di eventi organizzato dal Competence Center MADE4.0, è stato un invito alla standardizzazione dei modelli di machine learning. L’evento, che si è tenuto a Milano lo scorso 18 aprile, ha infatti acceso i riflettori sulle opportunità dell’intelligenza artificiale per i costruttori e gli utilizzatori di impianti e macchinari industriali, con un’ampia rassegna di casi studio.
Le opportunità del Competence Center
Massimo Giardiello, Business Development di MADE4.0, ha fatto gli onori di casa, spiegando come il Competence Center possa sostenere le industrie manifatturiere nel processo di trasformazione digitale. Le iniziative spaziano dalle attività di orientamento e formazione al supporto nella definizione e realizzazione dei progetti.
“Inoltre – precisa Giardiello – le imprese possono accedere ai nostri servizi a catalogo beneficiando di contributi diretti; oppure possono usufruire di contributi a fondo perduto che coprono fino al 75% dei costi sostenuti per progetti di ricerca industriale, sviluppo sperimentale e studio di fattibilità”. Nel secondo caso, il processo per accedere ai finanziamenti avviene tramite bando, con tempi di approvazione rapidi: come dichiara Giardiello, l’esito viene fornito mediamente in meno di una settimana dalla richiesta. Nella rendicontazione delle spese complessive sono incluse anche i costi del personale aziendale coinvolto nel progetto.
“Nel 2023 – afferma il manager di MADE4.0 – abbiamo realizzato 67 progetti industriali e organizzato 46 corsi per un totale di 600 discenti. Nel primo trimestre dell’anno in corso le iniziative avviate sono state cinquanta, le attività formative quaranta”.
Industrializzare l’AI per cogliere l’innovazione
I numeri insomma testimoniano l’effervescenza del settore manifatturiero verso le tematiche dell’innovazione, inclusa l’intelligenza artificiale. L’onda è partita e sembra inarrestabile, ma serve ancora un boost. Come sostiene Vincenzo De Paola, Technical Sales Support Professional di Siemens, l’industrialità dell’AI è fondamentale perché si possa avvicinare il mondo della ricerca all’applicazione reale. “Nella nostra visione – dichiara – l’AI deve essere industriale, ovvero facile da utilizzare, funzionante 24/7, robusta e affidabile. Deve essere standardizzata per consentire il riuso dei modelli di machine learning in applicazioni diverse”.
Siemens sfrutta l’intelligenza artificiale in tre campi: Robotics, GenAI e AI on Edge. Tra i casi presentati in ambito Robotica, De Paola spiega come un sistema equipaggiato con telecamere 3D e reti neurali permetta il riconoscimento e il picking di oggetti sconosciuti, supportando così i cambi di produzione. Viene citata anche un’applicazione per la generazione di immagini sintetiche, realizzata in collaborazione con Nvidia, che permette di addestrare gli algoritmi di intelligenza artificiale in un ambiente simulato, risparmiando i costi della prototipazione e riproduzione delle casistiche in ambiente fisico.
Sul fronte della GenAI, invece, Siemens si sta muovendo in partnership con Microsoft e ha sviluppato soluzioni come Industrial copilot for Engineering, un assistente basato sull’intelligenza artificiale generativa che supporta gli sviluppatori nella scrittura del codice di programmazione delle macchine.
In ambito Edge, infine, Siemens ha sviluppato una piattaforma modulare con diversi applicativi AI-based (proprietari e di terze parti) indirizzati a risolvere use case specifici, ad esempio nel campo della visual inspection, ottimizzazione dei parametri e manutenzione predittiva. I modelli di intelligenza artificiale disponibili a portafoglio sono standardizzati e, grazie alla gestione centralizzata e alla connettività Edge, si installano facilmente nei dispositivi alla periferia. Qui possono sfruttare i dati di campo per attività di analisi, monitoraggio, ispezione visuale e così via, adattandosi al contesto applicativo. Le informazioni raccolte a bordo macchina permettono inoltre il re-training continuo degli algoritmi per risultati sempre più accurati.
Condivisione di conoscenza grazie alla Causal AI
L’intervento congiunto di Carlo Innocenti e Lorenzo Conti, rispettivamente Sales Director e BU Technical Director di AISent, porta l’attenzione sulle opportunità della Causal AI, un approccio che permette di consolidare e condividere il know-how aziendale grazie alle competenze dei più esperti.
“Nel mondo industriale – sostiene Innocenti – ci sono tre evidenze: nonostante le evoluzioni tecnologiche, a fare la differenza sulla linea sono le persone; accumulare competenze di processo richiede anni e infatti i più esperti non sono giovani; il ricambio generazionale è difficile perché i talenti oggi tendono a cambiare frequentemente azienda e lavoro; pertanto, non riescono a maturare conoscenze al pari dei colleghi prossimi alla pensione”.
Come colmare il divario e costruire una base di knowledge fruibile immediatamente alle nuove risorse?
“Imbottire le macchine di dati – asserisce Innocenti – non è sufficiente. Piuttosto bisogna trovare uno strumento che permetta di codificare il ragionamento degli esperti, ovvero il modo con cui arrivano a determinare la soluzione. Ciò è frutto dell’osservazione sul nesso causa-effetto, praticata in anni di attività”.
Per digitalizzare l’expertise, come suggerisce Conti, ci sono tre approcci: apprendere il processo dai dati attraverso il machine learning; utilizzare i Large Language Model dell’intelligenza artificiale generativa; oppure utilizzare la Causal AI. Nel terzo caso, si intervistano gli esperti, si riproducono graficamente i nessi causa-effetto e si costruiscono i modelli, arricchendoli con dati quantitativi. L’approccio è alla base di Meti, la piattaforma di inferenza causale sviluppata da AiSent.
“La Causal AI – conclude Conti – porta una serie di vantaggi: innanzitutto, spiegando al modello come funziona un processo, serviranno sempre meno dati con cui effettuare l’addestramento. Inoltre, si ottengono modelli più aderenti alla realtà e trasparenti, facili da spiegare e interpretare”. Così, qualsiasi lavoratore, può avere sempre al proprio fianco un assistente virtuale con le competenze dei più esperti, a supporto delle attività quotidiane e straordinarie.
Tecniche ingegneristiche e AI per la Manutenzione Smart
Anche la presentazione di Giovanna Chiara Rodi e Francesca Cipollini, rispettivamente Project Manager e Senior Data Scientist e di aizoOn, esplora nuove frontiere applicative per l’intelligenza artificiale in fabbrica.
Stavolta il focus è sulla predictive maintenance, che rappresenta il superamento degli approcci correttivo / reattivo (l’intervento viene effettuato a guasto ormai avvenuto) e programmato / preventivo (il piano di manutenzione è definito a priori, su basi statistiche).
La combinazione di metodi ingegneristici e nuove tecniche AI permette invece di costruire un modello di Manutenzione Smart, in grado di ridurre rischi, costi e sprechi, a tutto vantaggio dell’efficienza e della continuità operative.
I punti di partenza sono l’approccio FMEA (Failure Mode & Effects Analysis) che permette di catalogare le modalità di guasto e gli effetti associati, e FRACAS (Failure Reporting, Analysis & Corrective Action System), che consente di quantificare la criticità dei guasti, identificando le azioni correttive. Così si ottiene visibilità a livello OT utile per indirizzare le priorità gestionali.
Da qui, grazie alla sensoristica negli impianti e all’integrazione con il layer IT, si passa alla Generalized-FMEA: le analisi ingegneristiche classiche vengono completate con l’aggiunta di variabili causali, sintomatiche e di contesto. Lo step successivo riguarda la modellizzazione del fault con approcci ingegneristici oppure tecniche di intelligenza artificiale. L’opzione AI consente di sviluppare modelli di apprendimento supervisionato (causa-effetto), che permettono cioè di spiegare la relazione tra degrado e rottura del componente, ottenendo il massimo livello di generalità e sfruttando le potenzialità del Digital Twin (la copia virtuale del sistema fisico, alimentata in tempo reale con i dati di campo digitali, che permette di simulare e prevedere scenari).
La Manutenzione Smart, come mix di modelli ingegneristici e AI, permette quindi di comprendere i problemi alla radice, identificandone le cause, e di pianificare interventi correttivi nel momento più vicino al fault, potendo prevedere le rotture imminenti.
Seguendo tale approccio, aizoOn ha sviluppato MaintexHub, una soluzione software che integra sorgenti già esistenti per la raccolta di dati empirici consentendo l’applicazione degli approcci FRACAS e G-FMEA. Si coniugano così metodi ingegneristici tradizionali con lo sfruttamento dei dati digitali.
Il Copilota di GenAI che supporta le PMI manifatturiere
Con Giacomo Baldi, CTO di Zerynth, si torna a parlare di assistenti virtuali nell’ambito del Manufacturing. Zero è un Copilota AI+IoT che, collegandosi direttamente alle macchine e agli impianti industriali, analizza i dati operativi e fornisce evidenze utili per identificare e risolvere eventuali inefficienze.
La soluzione si rivolge al mercato delle Piccole Medie Imprese manifatturiere, che devono competere in un contesto in rapida evoluzione, ma che non hanno un IT interno né i dati per eseguire le elaborazioni AI. “Spesso – aggiunge Baldi – manca anche la cultura del dato. Con la nostra proposta diretta alle PMI, garantiamo un’installazione dei dispositivi IoT in tempi rapidi (circa tre ore a macchinario), mettendo così a disposizione della piattaforma AI la quantità di informazioni necessarie a ottenere risultati”. Le variabili collezionate sono predefinite in funzione delle diverse tipologie di macchina (per ogni classe sono stati identificati gli indicatori più rilevanti) così da avere una soluzione standard pronta all’uso, con la possibilità di ottenere consulenza aggiuntiva per eventuali personalizzazioni in collaborazione con MADE.
Come spiega Baldi, in tale contesto la vera differenza è rappresentata dal modo con cui vengono consultati i dati e la Generative AI alla base di Zero rappresenta un game changer, perché rivoluziona l’interfaccia utente permettendo di sfruttare il linguaggio naturale.
Certo, ci sono delle limitazioni: la GenAI ha una conoscenza fino al 2023, non è un sistema esperto (non ha una comprensione reale), non ha memoria ed è soggetta ad allucinazioni. Per ovviare ai problemi, il sistema va istruito con i dati provenienti dalle officine di produzione e relativi ai processi aziendali (la Retrivial Augmented Generative o RAG è una tecnica che permette di migliorare l’accuratezza e l’affidabilità dei modelli di intelligenza artificiale generativa fornendo informazioni da fonti esterne).
La piattaforma proposta da Zerynth permette di raccogliere dati di funzionamento e processo dai macchinari (moderni e legacy) attraverso i device all’edge dotati di connettività. Le informazioni vengono quindi convogliate all’interno di repository centralizzati on-premise o in cloud, alimentando gli algoritmi AI. Infine il chatbot Zero, che può essere implementato su diverse interfacce (a breve la disponibilità tramite Telegram e Whatsapp), permette interrogazioni in linguaggio naturale.
Intelligenza artificiale per il controllo qualità
A chiudere la carrellata di soluzioni e casi applicativi, l’intervento di Brembo Solutions mostra un esempio di utilizzo dell’AI nel processo di controllo qualità per riconoscere le anomalie di prodotto.
Come spiega il Key Accountant Manager Lorenzo Chiara, Brembo, il produttore di sistemi frenanti per veicoli, ha iniziato a investire in soluzioni di intelligenza artificiale già da tempo e ha deciso di condividere sul mercato l’expertise accumulata. Così nel maggio 2023 è nata l’unità Brembo Solutions per fornire alle aziende del comparto industriale le applicazioni AI sviluppate internamente.
A titolo di esempio, Elena Mazzoleni, Data Science Coordinator di Brembo Solutions, racconta l’esperienza realizzata per un’azienda del settore Fashion, che ha visto lo sviluppo della soluzione Tailor MATE. “Siamo partiti da un progetto interno – afferma Mazzoleni – che prevedeva l’impiego dell’intelligenza artificiale per identificare le cricche sui dischi dei freni”.
Lo stesso modello di defect detection è stato applicato anche ai processi del cliente, che aveva la necessità di verificare la qualità dei tessuti. Basato su tecniche di apprendimento supervisionato (la tassonomia dei difetti è conosciuta) e reti neurali pre-trainate, l’algoritmo è stato addestrato ad hoc per lo use case con circa trecento immagini di difetti specifici, ottenendo un’accuratezza del 90% (si possono tuttavia utilizzare anche altre tecniche di data enrichment e addirittura sfruttare le immagini create con la GenAI). Tramite apposita interfaccia, gli operatori possono visualizzare le previsioni dell’algoritmo e fornire feedback in caso di errore; così l’algoritmo, che viene eseguito in locale, può essere sottoposto al re-training, che avviene nel cloud.
Il processo di controllo è così impostato: il tessuto scorre sulla specula e viene ispezionato nella sua totalità da una batteria di telecamere che restituiscono immagini ad alta risoluzione. Le informazioni sono subito disponibili tramite app di front-end all’operatore di linea, che ottiene così un supporto per identificare le difettosità e il metro esatto dove sono state rilevate. Si ottiene così una reportistica che indica le porzioni di tessuto da considerarsi scarto. I dati vengono quindi convogliati nel sistema di storage e calcolo locale per ulteriori elaborazioni AI. Infine, l’ufficio qualità (back-end) può effettuare analisi aggiuntive grazie a un’applicazione specifica, che consente di valutare ad esempio la quantità di difetti per tipologia di tessuto oppure la bontà dei fornitori.
Tailor MATE ha permesso al cliente di ottenere diversi vantaggi, senza incidere minimamente sulle performance del macchinario. Tra i benefici, si annoverano il monitoraggio 24/7, la possibilità di impiegare operatori senza competenze specifiche, un risparmio di tempo del 50% per gli esperti qualità.
In chiusura, Mazzoleni ricorda altre applicazioni AI sviluppate da Brembo Solutions a supporto del controllo qualità: ad esempio un caso di testing control per verificare il punto di rottura delle pinze risolto con un modello di unsupervised learning oppure lo sviluppo di un algoritmo basato su tracce audio trasformate in immagini (spettrogrammi) per identificare la fischiosità dei freni e i rischi connessi.
Insomma, l’intelligenza artificiale è entrata ormai nelle fabbriche con un approccio sempre più concreto e progettuale, trasformando il clamore e gli entusiasmi iniziali in opportunità effettive per gli utilizzatori e i costruttori di macchine industriali.
