Digitalsoft X #TorinoDigitalDays2023

Quasi amici: Intelligenza Artificiale e Industria

Il 10 Maggio Giulia Ruffatto e Simone Galante, rispettivamente Head of Product Marketing e Operations Research and ML Developer di Digitalsoft, hanno parlato ai Torino Digital Days, festival che dal 2019 promuove la cultura digitale sulla città.

Tema di questa edizione è stato quello (quanto mai attuale) del rapporto tra l’Intelligenza Artificiale e l’uomo. Nella loro sessione dal titolo Quasi amici: Intelligenza Artificiale e Industria Giulia e Simone hanno discusso con il pubblico sulle caratteristiche dell’attuale rapporto tra tale tecnologia e il mondo manifatturiero. 

Il tema

Negli ultimi mesi è stato riscontrato un drastico aumento dell’utilizzo dell’Intelligenza artificiale nel manifatturiero, non solo a livello globale ed europeo ma anche in Italia. In parallelo però emergono sempre più barriere e ostacoli che contrastano questa crescita positiva. 

L’Italia è tra i primi al mondo in sviluppo IA ma indietro in digitalizzazione: è al 23º posto rispetto ai 27 stati UE  – Rome Business School, 11/05/2022

Questo titolo sintetizza perfettamente il paradosso che stiamo vivendo: la bravura dell’Italia nello sviluppare tecnologie innovative spesso si va a scontrare direttamente con un atteggiamento restio del mercato nell’adottarle. Questo atteggiamento non caratterizza il solo scenario italiano e rallenta fortemente la diffusione dell’Intelligenza Artificiale nell’industria.

La Ricerca

Partendo da qui Giulia ha deciso di avviare una ricerca sul campo, così da identificare le radici di tale paradosso e comprendere i perché del rapporto spesso complesso tra settore manifatturiero ed IA.

Tramite lo strumento ‘Sondaggi’ di LinkedIn e form aggiuntivi è stato intervistato un pubblico globale di più di 500 persone, responsabili della gestione di processi chiave in aziende di vari settori manifatturieri.

La ricerca, durata quasi due settimane, si è conclusa registrando un numero complessivo di circa 470 risposte. Dai risultati del solo sondaggio LinkedIn (nel grafico) possiamo osservare che la maggior parte degli intervistati utilizza o ha in piano di utilizzare l’IA nella propria azienda. I restanti intervistati si dividono equamente tra chi non adotta questa tecnologia per mancanza di conoscenza e chi per sfiducia.

Integrando poi i feedback aggiuntivi condivisi dagli intervistati sono emersi esempi di:

• possibili utilizzi dell’IA: il supporto nella creazione di codice, produzione di contenuti di comunicazione, previsione di devianze di processo e prodotto, ottimizzazione della produzione e dell’inventario e più in generale nell’efficientamento dei processi con conseguente aumento della produttività.
• principali barriere che ostacolano l’adozione dell’IA: mancanza di una reale conoscenza della tecnologia (nei suoi pro e contro), sfiducia rispetto alla sua accuratezza, paura dei rischi che essa potrebbe apportare in termini di sostituzione dell’uomo, di sicurezza e privacy come anche a livello di impatto ambientale.
• soluzioni per abbattere queste barriere: informarsi maggiormente a riguardo, per capire quando, dove e come utilizzarla, e preparare i processi all’adozione di questa tecnologia.

Da queste informazioni emerge quanto fondamentale risulti supportare e veicolare nel mercato la diffusione di una corretta informazione sul tema dell’Intelligenza Artificiale. 

Ciò garantirà alle aziende e ai professionisti una visione completa e obiettiva delle reali potenzialità di questa tecnologia, consentendo loro di farne un utilizzo consapevole e vantaggioso e di non perdere importanti opportunità a causa di falsi miti e paure immotivate. 

Quando l’IA fa la differenza: esempi di applicazione

Conoscere una tecnologia consente di capire in quali contesti il suo utilizzo può portare un reale valore aggiunto. Andiamo allora a visionare alcuni esempi di processi e attività dove l’utilizzo dell’IA può apportare notevoli benefici. 

Il Machine Learning a supporto della previsione della domanda.

L’utilizzo del Machine Learning nelle attività di previsione della domanda offre una serie di benefici in termini di accuratezza, adattabilità, gestione delle eccezioni, automazione, scalabilità, ottimizzazione delle scorte e agilità decisionale.

Il Machine Learning consente ad esempio di applicare la tecnica di previsione del Demand Sensing che, grazie all’utilizzo di dati esterni correlati, permette di ottenere notevoli miglioramenti nell’accuratezza delle previsioni rispetto all’analisi statistica tradizionale. 

In contesti come quello del 2020, interessati da una combinazione di eventi come la pandemia, la guerra commerciale e la siccità, i soli dati storici non basterebbero in ottica di previsione. L’introduzione di dati esterni consente invece ai modelli di Machine Learning di comprendere meglio il contesto di mercato e migliorare le previsioni. 

Tuttavia, è importante notare che l’applicazione corretta del Machine Learning richiede un ampio e coerente storico dei dati. In caso contrario, il suo utilizzo potrebbe comportare uno spreco di risorse ed energia senza apportare un reale valore aggiunto. Ricordiamo infatti che il Machine Learning richiede tempo ed energia per l’addestramento e l’esecuzione delle attività. Utilizzarlo in contesti inappropriati potrebbe essere dannoso sia dal punto di vista economico che ambientale.

Il Machine Learning per l’individuazione di anomalie.

Un altro vantaggio del Machine Learning è la sua capacità di individuare anomalie all’interno dei processi di produzione, sulla base di parametri che potrebbero sfuggire all’occhio umano. La capacità di rilevare anomalie in tempo reale è estremamente utile per prevenire blocchi nella catena produttiva o problemi di controllo qualità. Ciò porta a benefici significativi in termini di efficienza e riduzione del consumo energetico, contribuendo ad aumentare la produttività e ridurre l’impatto ambientale.

Per l’individuazione di anomalie (guasti o difetti), che per la loro sporadicità rendono difficile effettuare una raccolta adeguata di dati, viene utilizzata una sottoclasse di modelli di Machine Learning chiamati Unsupervised. Essi vengono allenati sulla base dei dati che descrivono una situazione di normalità, che invece sono presenti in grande quantità, così da rilevare quando questa situazione di normalità viene meno e identificare il parametro responsabile.

È importante notare che il modello viene addestrato sui dati relativi a specifici parametri di normalità. Se questi parametri cambiano, sarà necessario fornire al modello un nuovo set di dati e procedere con un nuovo addestramento. Pertanto, in contesti in cui la situazione di “normalità” cambia frequentemente senza correlazione con i dati di addestramento, questo approccio potrebbe non essere consigliabile.

Scegli la tecnologia giusta per te!

Questi sono due esempi di come utilizziamo il Machine Learning in d-one per supportare in modo più efficace i nostri clienti nel raggiungimento dei loro obiettivi specifici. Ogni azienda ha infatti un percorso di digitalizzazione diverso, che richiederà specifiche combinazioni di funzionalità e tecnologie. 

E’ per questo che in Digitalsoft, combinando l’esperienza in ambito di gestione della supply chain del nostro team con la tecnologia avanzata della nostra piattaforma, accompagniamo le aziende in maniera graduale nel loro percorso di digitalizzazione, identificando le soluzioni più adatte per le loro specifiche esigenze e priorità.