.webp)
Ciclo di vita di una macchina più lungo, gestione più efficiente dei flussi documentali, valorizzazione del know-how aziendale, anche quello tacito e informale, trasformabile in patrimonio condiviso. Sono esempi del potenziale degli Agenti AI applicati all’industria, presentati in occasione della Demo Experience organizzato da Made Competence Center.
I cosiddetti “AI Agents”, Agenti di intelligenza artificiale, sono strumenti di supporto ai processi aziendali che, grazie a modelli digitali probabilistici e adattativi, forniscono istruzioni e suggerimenti per aumentare la produttività. Grazie agli Agenti, le imprese possono avere benefici lungo l’intera catena produttiva: ottimizzazione, riduzione degli sprechi, aumento della qualità, anticipazione dei guasti e riduzione dei fermi macchina, prevenzione dei rischi e aumento della sicurezza; pianificazione della produzione con una previsione più accurata della domanda e una migliore gestione del magazzino, fino a un impatto sulle decisioni strategiche con un’analisi avanzata dei dati in chiave predittiva. Gli Agenti AI sono una ulteriore evoluzione della GenAI (intelligenza artificiale generativa), perché sono proattivi e non solo reattivi, prendono decisioni oltre a creare nuovi contenuti e gestiscono task multipli. Rendono flessibile l’automazione grazie a un’analisi evoluta dei dati, efficientano i flussi documentali con interventi su dati destrutturati e valorizzano il knowledge management con soluzioni innovative.
Durante la Demo Experience organizzata da Made Competence Center su “AI Agents: strumenti per la produttività” sono stati presentati cinque casi applicativi sviluppati da aizoOn Technology Consulting, Gea, Sharazad e AISent.
Sistema di controllo delle macchine con modello adattativo
Grazie a modelli digitali probabilistici e adattativi, la flessibilità entra sulle linee automatiche di produzione. Gli operatori possono ricevere istruzioni e suggerimenti per ottimizzare i processi, come allungare il ciclo di vita di un macchinario, grazie alle strategie messe a punto da un Agente AI. L’AI agentica supera dunque la barriera dell’automazione di processo, ma bisogna sempre partire dai dati e da una loro corretta analisi.
La società aizoOn Technology Consulting ha messo a punto un processo di generazione di conoscenza in 6 fasi: definizione del problema, analisi dati (con integrazione know-how OT e IT); Data engineering (data integration, quality, insight, enrichment); Data Science (modellizzazione e validazione); test e validazione, applicazione operativa.
Il caso industriale riguarda il sistema di controllo di una macchina segatrice a lame circolari, applicata su lingotti di acciaio in un’azienda siderurgica, estendibile a molti altri casi industriali. L’obiettivo era quello di massimizzare la vita utile delle lame, allungando i tempi di usura dei denti delle lame e i tempi di vita della macchina stessa, senza affidarsi all’orecchio dell’operatore per la regolazione dei carichi e della velocità. Grazie al machine learning implementato (detto di “Reinforcement Learning”) e all’Agente in grado di compiere azioni ottimizzate in base allo stato del sistema, raccolto da sensori di campo, l’aumento di vita utile delle lame è stato del 9%. L’Agente stabilisce di volta in volta un range di carico rotazionale cui attenersi, per non incorrere in rotture della lama e guasto improvviso della macchina. La regolazione e riduzione della velocità, in base all’usura della lama, è ampiamente compensata da tempi di vita più lunghi dell’utensile. In pratica, è stato costruito un modello digitale (Digital Twin) che tenesse conto anche della correlazione dei carichi (verticale e rotazionale) con la variabile usura. L’Agente è stato addestrato da un algoritmo (per casi più complessi si usano le reti neurali o Deep learning), in base alla correlazione tra stati e azioni. Lo stesso algoritmo apprende per mezzo di un processo di prove ed errori, che assegna un valore ad ogni coppia di stato-azione. Il modello digitale si arricchisce dal campo, da cui prende lo stato in cui si trova l’ambiente e restituisce un valore per ogni possibile azione. Il sistema di controllo automatico si adatta al tipo di lavorazione e allo stato dell’usura, in modo da massimizzare la vita dell’utensile.
Gestione documentale: i vantaggi dell’AI Agent rispetto alla Robot Process Automation
Mentre l’automazione di processo si basa su regole definite e deterministiche, senza alcuna flessibilità, ideale per flussi standardizzati, l’Agentic Process Automation consente analisi di contesto, sintesi, adattamento e apprendimento, grazie al modello digitale sviluppato e senza bisogno di rivedere i processi. L’AI Agent non è sostitutivo dell’uomo, ma lo assiste e ne aumenta la produttività. Può essere utile per digitalizzare un processo basato su interazioni non standardizzate e destrutturate. Se, per esempio, l’azienda ha necessità di crescere, e quindi di gestire un aumento di flussi documentali non uniformi tra loro e vuole contenere i costi, l’assistente digitale fa risparmiare ore di controllo manuale, per lo più a rischio di errore.
La Divisione Digital della società di consulenza Gea ha presentato un caso in cui il software, basato su AI, analizza documenti da sorgenti eterogenee e verifica la conformità e coerenza degli stessi, segnalando eventuali difformità all’operatore che ne resta responsabile. Con questo AI Agent è stato risolto un problema di gestione documentale, con clienti e fornitori, per un’azienda media di servizi finanziari che vuole crescere contenendo i costi. La società gestisce un’elevata quantità di dati per poche commesse personalizzate, con variabilità negli interlocutori e nelle sorgenti documentali, non gestibili in modo standard e automatico, ma con verifica continua di correttezza e completezza. L’AI Agent in questo caso è stato la soluzione adatta per ridurre i tempi di evasione delle pratiche e i costi di risorse umane impiegate, senza dover intervenire sui processi.
Un’ altra applicazione ai flussi documentali, sempre sviluppata da Gea, riguarda la gestione dei documenti tecnici che accompagnano le prove in laboratorio per lo sviluppo di nuovi prodotti o loro revisioni, in una media azienda che produce elettrodomestici. La successione delle prove con raccolta dati era già informatizzata e strutturata, ma in modo deterministico, senza possibilità di selezionare di volta in volta i test necessari, a seconda dell’obiettivo, per esempio la revisione di un modello, o un nuovo prodotto. Anche i dati venivano trasmessi al software dal campo senza alcuna selezione. Ora l’AI Agent introduce elementi di flessibilità, con una logica adattativa che inferisce di volta in volta le prove necessarie a seconda dell’obiettivo, nonché i dati effettivamente necessari per la costruzione del dossier. In questo modo si risparmia tempo, si occupano meno le stazioni di prova ed è possibile fare una pianificazione accurata dell’utilizzo del laboratorio stesso. Si introduce inoltre una gestione intelligente del grande patrimonio di dati ottenuti in laboratorio.
AI Agent per raccogliere la conoscenza tacita
Gli agenti AI sono una evoluzione della stessa GenAI per livello di autonomia e proattività: elaborano nuove domande in base alle risposte dell’interlocutore, pianificano task e li adattano al contesto, operano in autonomia dentro regole definite e gestiscono processi complessi. L’AI generativa invece reagisce, non pianifica, esegue task isolati, risponde a singoli prompt, crea nuovi documenti di testo, video, immagini e codice software, ma non prende decisioni. Gli assistenti virtuali, o copiloti, invece, sono un esempio di AI agentica, che può essere estesa alla raccolta di conoscenza tacita, presente in modo disorganizzato nei diversi canali di comunicazione di un’azienda e che può essere raccolta direttamente dagli interlocutori. Intervistatori AI, progettati in base all’obiettivo (analisi delle competenze, sentiment analysis, ricerca dei need e delle cause di un fenomeno), possono essere di grande aiuto nelle imprese e nelle società di ricerca di mercato per raccogliere informazioni complete e preziose, non sottoposte a distrazioni né ad eventuali bias. Tacita è la piattaforma digitale sviluppata dalla società di innovazione tecnologica Sharazad Consulting, che raccoglie e analizza le informazioni richieste attraverso una rete di Agenti AI replicabili, scalabili, coerenti e documentati, che interagiscono simultaneamente con più intervistati con linguaggio naturale (LLM – Large Language Model), con grande risparmio di risorse. Ovviamente per l’efficacia di queste interviste automatiche e intelligenti, servono un corretto design dell’intervistatore cognitivo e la creazione di un rapporto di fiducia con l’intervistato.
Ci vuole orecchio: come digitalizzare il saper fare dell’operatore esperto
Come codificare il saper fare di operatori esperti pronti alla pensione? Come raccogliere, mettere a sistema e condividere esperienza, fiuto e orecchio per anticipare guasti o trovare in fretta la causa di un fermo macchina? In pratica, come intercettare e creare valore da tutti quei segnali deboli che sfuggono a dati, inferenze e modelli digitali?
La società AISent ha sviluppato la soluzione Meti che, a seguito di interviste con l’operatore esperto, traduce in grafi matematici il ragionamento con cui risale alle cause. Viene così codificata la sua mappa di ragionamento e, con algoritmi causali basati su reti bayesiane, ogni volta che si presenta un problema, il sistema pone all’operatore junior domande chiuse e deterministiche per risalire alla causa, in base alla probabilità associata alla risposta. Il sistema si alimenta dal campo e, via via che si arricchisce di casi reali, si affina il calcolo delle probabilità. Il caso presentato riguarda la manutenzione di macchinari farmaceutici realizzati dal costruttore Masco Group. Il caso d’uso riguarda la manutenzione di una macchina per la distillazione dell’acqua. L’azienda vende con la macchina un chatbot, che ha incorporato l’esperienza dell’operatore che è anche un manager dell’azienda e pone domande all’operatore in caso di problemi. In questo modo si rende autonomo il cliente nella gestione del problema e, al contempo, si liberano risorse in azienda e si apre a un modello nuovo di business: la servitizzazione della conoscenza, ovvero oltre alla macchina si vendono servizi digitali avanzati.
