Il concetto che sta alla base della ragion d’esistere di Moxoff è molto semplice, la sua realizzazione un po’ meno ed è qui che si trova la caratteristica differenziante dell’azienda. Ma andiamo per ordine.
“Innovare significa introdurre un cambiamento in un prodotto o in un processo e questo comporta sperimentare qualcosa di nuovo. Come è noto – dice Ottavio Crivaro, CEO di Moxoff – le strade per farlo sono due: costruisco un prototipo e ne sperimento caratteristiche e funzionalità in laboratorio (ripetendo il procedimento finché non ho il risultato desiderato) oppure realizzo un modello virtuale a computer che simuli le caratteristiche fisiche di ciò che voglio produrre. Da ormai diversi decenni si cerca di privilegiare questo secondo approccio dato che consente un notevole risparmio in termini di tempo e costi”.
Esistono sul mercato decine di soluzioni, più o meno sofisticate, che, arricchite da librerie con centinaia di oggetti, consentono di costruire questi modelli. Ma… ma quando ci troviamo a dover realizzare un prodotto o un processo molto complesso geometricamente e/o dove concorrono più fisiche (termodinamica, fluidodinamica, acustica ecc.), la simulazione a computer diventa molto difficile: “Ecco che serve una grande capacità di costruire modelli matematici e di saperli gestire. Questo significa prima di tutto realizzare sistemi di equazioni che consentono di rappresentare fenomeni complessi; equazioni che devono poi essere semplici da risolvere affinché il modello matematico che ne deriva possa essere risolto e controllato agevolmente”, spiega Crivaro.
E proprio in questa capacità risiede la specificità di Moxoff che, grazie alla enorme quantità e varietà di dati oggi disponibili, ha un ulteriore asso nella manica.
Modelli matematici e AI, la nuova frontiera
Non occorre soffermarsi sul fatto, ormai dato per assodato, che la vera benzina della nuova rivoluzione industriale che stiamo vivendo siano i dati, ma questo fenomeno amplifica la ragion d’essere di Moxoff, come spiega il suo CEO: “Avere innervato i prodotti di sensori che permettono di rilevare in real time, per esempio, la reazione a determinate sollecitazioni offre due grandi possibilità: la prima è che con questa grande mole di dati è possibile validare la capacità del modello di rappresentare un determinato fenomeno fisico; la seconda è che questa quantità e varietà di dati consente di alimentare reti neurali, algoritmi genetici, quelle ‘black box’ di intelligenza artificiale che, facendo il percorso inverso, riescono a spiegare il fenomeno che ha generato il dato. Proprio in questo risiede oggi la nostra specificità: ci sono tantissime realtà molto brave nell’utilizzare i dati per alimentare queste black box, molte meno sono quelle in grado di lavorare simultaneamente sulla costruzione di modelli matematici in grado rappresentare il fenomeno fisico, utilizzando quindi i dati per validare i modelli. Modelli in cui poter ‘integrare’ anche la grande conoscenza acquisita nel tempo da coloro che hanno progettato o gestito il processo. Cosa che normalmente in una black box non riesco a utilizzare…”.
E qui arriviamo alla caratteristica differenziante di Moxoff rispetto ad altre realtà: le competenze. “La nostra specializzazione è la matematica applicata. Nel nostro gruppo [una trentina di persone ndr] abbiamo ingegneri matematici e informatici …e quelli che oggi sono i nuovi ‘cloud and edge architect’, ovvero ingegneri del software che sappiano costruire architetture che sfruttino al massimo i cloud ibridi o l’edge computing presente sui device.. Tutti comunque hanno capacità di scrivere modelli matematici complessi, risolverli e tradurli in software robusti, affidabili e di facile utilizzo e lo facciamo tenendo conto delle risorse a disposizione dell’azienda per cui lavoriamo”, spiega Crivaro che ricorda come lo stesso modello matematico può essere risolto in modo più o meno rapido, a seconda, per esempio, delle risorse di calcolo disponibili.
Candy e Nolan: due esempi paradigmatici
Una dimostrazione di quanto illustrato viene da due progetti eccellenti tra i numerosi esempi che l‘azienda può fornire: Candy e Nolan.
Candy, oggi acquisita dal colosso cinese Haier, nell’ambito della strategia di progressivo affiancamento del rilascio di servizi alla vendita di prodotti si è affidata a Moxoff per sfruttare l’enorme mole di dati derivante dalla “sensorizzazione” dei suoi prodotti e sviluppare algoritmi di manutenzione predittiva che, realizzando dei digital twin dei prodotti, consentono di simulare il comportamento dei prodotti ottimizzandone produzione e manutenzione.
Il processo di produzione dei caschi Nolan parte dall’idea del designer che viene poi tradotta in un processo progettuale, produttivo e organizzativo che richiedeva, di fatto, circa 6 mesi per l’immissione del prodotto sul mercato. Bisogna infatti considerare che il casco per moto è un prodotto piuttosto articolato sia dal punto di vista geometrico sia dal punto di vista fisico dove concorrono termica, acustica, fluidodinamica e naturalmente strutturale ecc. La piattaforma di simulazione realizzata da Moxoff per Nolan consente simulazioni avanzate e dettagliate con runtime ridotti e senza necessità di una conoscenza della matematica che sta dietro lo strumento. “In questo modo è possibile offrire uno strumento di facile utilizzo che permette di mantenere il focus sul design e il time to market si è ridotto oggi a un mese e mezzo”, precisa il CEO di Moxoff.
Dalla haute couture al “quasi” prêt-à-porter
Questi due esempi danno un’idea della varietà del campo di azione di Moxoff, ma soprattutto della sartorialità dei progetti realizzati, una sartorialità che si potrebbe definire da haute couture.
Ma è proprio questa elevata competenza nell’elaborazione di modelli matematici complessi che sta abilitando Moxoff ad affiancare a questa haute couture una linea di “quasi” prêt-à-porter: “Se per un certo progetto abbiamo realizzato un’equazione che descrive il fluire di olio su una superficie rugosa, grazie agli algoritmi di machine learning posso validare il modello che ne deriva anche per materiali diversi. Questo ci consente di generalizzare i modelli e di utilizzarli in contesti differenti con un conseguente risparmio di tempo nella realizzazione di un progetto e un evidente vantaggio per il nostro cliente”. E questo potrebbe essere il concetto di prêt-à-porter, invece in quel “quasi” sta la cosa che più differenzia Moxoff dai competitor: “Le nostre elevate competenze di tipo matematico ci consentono di caratterizzare questi modelli, che potremmo definire standard, con specifiche competenze di processo di chi lavora in un determinato ambito. Mi spiego con un esempio: se un operaio che lavora su una catena di imbottigliamento si è reso conto che in determinate condizioni atmosferiche il liquido da imbottigliare diventa più denso, siamo in grado di inserire questa informazione nel modello affinché la linea, recependo questa informazione, operi di conseguenza”.
Perché Moxoff e Zucchetti?
Concludiamo questa intervista chiedendo a Crivaro qual è il disegno che ha portato Zucchetti a entrare, con una quota di maggioranza, nella compagine azionaria di Moxoff: “Come tutti i grandi gruppi, anche Zucchetti sta attraversando un periodo di trasformazione che, come dice lo stesso Mino Zucchetti, deve portare il Gruppo a veleggiare verso l’Industry 5.0 e per farlo aveva due possibilità: cercare di cambiare step by step internamente, portando al proprio interno competenze, conoscenze e poi approcci innovativi oppure innestando una nuova linfa che potesse contaminare tutto il gruppo. L’operazione che ha portato alla nostra acquisizione ha avuto origine proprio nel secondo approccio, mentre per noi, e ricordo che la compagine manageriale è rimasta invariata, ha significato poter contare su un partner finanziario e industriale che ci permetta di sfruttare al massimo il nostro potenziale nei prossimi anni.”.
