Analytics & Artificial Intelligence
Tra le nuove sfide e opportunità legate al complesso mondo dell’Intelligenza Artificiale e dell’AI generativa, le possibili applicazioni in ambito manifatturiero sono numerose, come emerso in occasione di un evento recentemente organizzato da Bosch Rexroth, leader mondiale delle tecnologie integrate per l’automazione industriale e la movimentazione di macchine operatrici mobili.
Aziende italiane e Intelligenza Artificiale
Secondo una ricerca condotta dall’Osservatorio Digital Innovation del Politecnico di Milano, il 49% delle grandi aziende sta esplorando le potenzialità della Gen AI, una percentuale che scende drasticamente al 10% nelle medie imprese e al 6% nelle piccole. Quanto ai progetti sperimentali, il 14% delle grandi imprese ha già intrapreso delle iniziative, mentre solo il 4% delle medie e il 2% delle piccole aziende hanno avviato questo tipo di percorso.
Le grandi aziende che stanno implementando progetti di Gen AI puntano principalmente ad aumentare la produttività e realizzare applicazioni di AI conversazionale, entrambi citati dal 43% del campione. A seguire, con percentuali decisamente inferiori, le applicazioni includono la data augmentation (26%) e la creazione di contenuti.
Chi ha già attivato progetti in ambito AI è più propenso a vedere i vantaggi di questo approccio e tende quindi ad avviare nuovi progetti. In Italia, avendo soprattutto piccole e medie imprese che non hanno le stesse risorse delle grandi, corriamo il rischio che si accentui il divario aziende di dimensioni differenti.
Quando conviene sperimentare la Generative AI?
Le principali applicazioni dell’IA generativa includono la creazione di testo e codice, la Data Analysis e l’HMI (Human-Machine Interaction). Nel primo caso, l’uso dell’AI consente di incrementare la produttività e ridurre lo sforzo necessario per produrre testi, procedure, report e codice. Per quanto riguarda Data Analysis e Augmentation, l’IA generativa consente di elaborare diverse fonti di dati simultaneamente e creare dati sintetici basati su caratteristiche definite, riducendo i tempi di ricerca e analisi dei dati stessi (come nella generazione di summary report) o facilitando la produzione di dataset. Infine, in ambito HMI, la Gen AI offre la possibilità di fornire risposte basate su un gran numero di fonti, migliorando il supporto clienti, la ricerca di documenti e offrendo interfacce semplificate per gli utenti.
Quando non conviene usare la Generative AI?
Per quanto riguarda le previsioni, la Generative AI ragiona sulla base di associazioni tra i dati, ma fatica a elaborare previsioni in scenari complessi. In questi casi, è più indicato l’uso del machine learning supervisionato, così come nel contesto di elaborazione delle decisioni dove i modelli di IA generativa potrebbero fornire risultati non prevedibili e mancare di coerenza e trasparenza (explainability) rendendo consigliabile il ricorso all’uso di sistemi di supporto alle decisioni (Decision Support Systems).
L’AI generativa viene addestrata su dati passati e presenti, ma fatica a elaborare scenari complessi e a fare previsioni accurate. Il processo attraverso cui arriva a un risultato non è facilmente comprensibile e potrebbe fornire risultati incoerenti nel tempo. Pertanto, non è adatta per compiti che richiedono decisioni affidabili e coerenti.
Infine, relativamente al contesto dei sistemi autonomi, la Generative AI non è in grado di fornire le indicazioni precise, affidabili e sicure richieste; in questo caso, si consigliano sistemi di controllo avanzati, insieme a modelli di intelligenza artificiale specializzati.
Applicare con successo l’IA: un caso d’uso di rilevamento incendi nel settore manifatturiero
In Cefriel abbiamo sviluppato un progetto che nasceva dall’esigenza di garantire la sicurezza in ambienti industriali a elevato rischio di incendi, come nel caso di un’azienda che utilizza macchine a controllo numerico per la lavorazione del legno.
Il principale timore del cliente riguardava il fatto che si potesse innescare un incendio a causa di scintille, fumo o fuoco durante i processi di lavorazione del legno e che i sistemi di rilevamento di fumo tradizionali si dimostrassero inadeguati, visto che, in passato, i fumi generati dai macchinari avevano attivato falsi allarmi.
All’inizio, l’implementazione del machine learning si è rivelata complessa a causa della scarsità di immagini di incendi reali, con cui si intendeva addestrare il modello. Per questo motivo, abbiamo optato per un approccio tradizionale, creando un algoritmo di computer vision che rilevava scintille, fumo e eventuali fiamme. Il sistema ha funzionato per circa tre mesi, permettendo di raccogliere e classificare automaticamente immagini delle condizioni normali e di eventuali anomalie.
Successivamente, grazie ai dati raccolti dal sistema iniziale, è stato possibile addestrare un algoritmo di machine learning e confrontarne le performance con l’algoritmo classico, ottenendo risultati comparabili e un buon grado di soddisfazione nell’evidenziare i progressi ottenuti con il rilevamento automatico delle minacce. Stiamo esplorando adesso l’uso della Generative AI per creare un dataset, velocizzando così i tempi di addestramento dell’algoritmo di machine learning.
Il caso presentato rivela un approccio graduale e strategico di adozione dell’IA in ambito industriale, con un’applicazione guidata e customizzata sulla base delle condizioni tecnologiche, operative e di sicurezza dello specifico contesto produttivo, sia alla luce dei requisiti attuali che di evoluzioni future in ottica di continua innovazione digitale. Un approccio vincente per le industrie che vogliono avvicinarsi nel modo corretto all’introduzione dell’Intelligenza Artificiale in azienda.
Andrea Villa
Smart Industry Research Lead, Cefriel
