L’intelligenza artificiale per costruttori e utilizzatori di macchine industriali

La Demo Experience organizzata da MADE4.0 in collaborazione con i partner aizoOn, Brembo Solutions, Siemens e Zerynth ha evidenziato i vantaggi dell’AI per l’Industria, con appunto demo ed esempi concreti

ChatGPT ha avuto il grande merito di portare il tema dell’intelligenza artificiale nelle case di tutti con conseguente impennata di notorietà e interesse verso questa tecnologia. Per le aziende invece è arrivato il momento di premere sull’acceleratore, di investire e implementare soluzioni AI (e non solo generativa) su larga scala all’interno della fabbrica.

L’effervescenza del settore è stata confermata durante un recente appuntamento del ciclo Demo Experience di MADE4.0. L’evento, che si è tenuto a Milano lo scorso 18 aprile, ha evidenziato come, soluzioni di Intelligenza artificiale possa essere utilizzata sia dai costruttori, sia dagli utilizzatori di impianti e macchinari industriali.

Come e perché industrializzare l’AI

Sempre più aziende si sono mosse per cavalcare l’onda della digitalizzazione e dell’intelligenza artificiale. L’obiettivo ora è portare l’innovazione a livello industriale, come sostiene Vincenzo De Paola, Technical Sales Support Professional di Siemens. Nella prospettiva del vendor infatti, bisogna adottare un approccio standardizzato alle soluzioni AI, perché siano easy-to-use, robuste, affidabili e funzionanti 24/7.

Tale visione viene declinata concretamente in tre campi: Robotics, GenAI e AI on Edge. In ambito Robotica, ad esempio, Siemens ha sviluppato un sistema equipaggiato con telecamere 3D e reti neurali che permette il riconoscimento e il picking di oggetti sconosciuti. Un altro caso riguarda 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.

Sul fronte dell’intelligenza artificiale generativa, il vendor ha siglato una partnership con Microsoft, realizzando soluzioni come Industrial copilot for Engineering, un assistente 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 indirizzati a utilizzi specifici. I modelli di intelligenza artificiale a portafoglio sono preaddestrati 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 permettono il re-training continuo degli algoritmi per una maggiore accuratezza.

La Causal AI per condividere l’expertise

A seguire Carlo Innocenti e Lorenzo Conti, rispettivamente Sales Director e BU Technical Director di AISent, spiegano i benefici della Causal AI, un approccio che permette di consolidare e condividere il know-how aziendale.

Si parte da un assunto: le competenze specialistiche sono dominio di pochi esperti all’interno dell’organizzazione e molte conoscenze rischiano di andare perdute con i pensionamenti.

Digitalizzare l’expertise potrebbe essere la chiave di volta. Per raggiungere l’obiettivo, bisogna innanzitutto codificare il ragionamento degli esperti, ricostruendo le connessioni causa-effetto che hanno interiorizzato in anni di lavoro e osservazione dei processi. Da qui nasce Meti, la piattaforma di inferenza causale sviluppata da AiSent, che mette a disposizione degli operatori un assistente virtuale in grado di rispondere ai problemi condensando la knowledge degli specialisti.

I modelli di Causal AI alla base della soluzione vengono costruiti grazie alle interviste con gli esperti, che permettono di estrapolare i nessi causali, e alla successiva attività di data enrichment. Secondo AISent, si ottengono così algoritmi che necessitano di meno dati per l’addestramento, oltre a essere più aderenti alla realtà e trasparenti.

Manutenzione predittiva con tecniche ingegneristiche e AI

La presentazione di Giovanna Chiara Rodi e Francesca Cipollini, rispettivamente Project Manager e Senior Data Scientist e di aizoOn, invece esplora le opportunità della predictive maintenance.

La combinazione di metodi ingegneristici tradizionali (come l'Analisi dei Modi di Guasto ed Effetti o FMEA) e tecniche di intelligenza artificiale permette di costruire un modello di Manutenzione Smart, in grado di massimizzare l'efficienza operativa, riducendo i costi e i rischi della produzione. Così diventa possibile prevenire eventuali guasti ai macchinari, ma anche comprendere le cause dei problemi e pianificare proattivamente gli interventi correttivi.

Seguendo tale approccio, aizoOn ha sviluppato il software MaintexHub che permette di eseguire le analisi ingegneristiche standard integrandole con i dati empirici (le informazioni sugli eventi di guasto o le competenze dei manutentori esperti). Così si possono quantificare la criticità e l’impatto degli eventi, decidendo le strategie di intervento e sensorizzazione degli asset (i sensori verranno localizzati per rilevare solo le variabili che influenzano in modo significativo il processo da monitorare).

La possibilità di analizzare tramite modelli di AI le variabili diagnostiche e di contesto abilita una manutenzione effettivamente data-driven, che permette di intervenire tempestivamente nel momento più vicino alla rottura.

La Generative AI a supporto delle PMI

Giacomo Baldi, CTO di Zerynth riporta l’attenzione sugli 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 spesso non hanno un IT interno né i dati per eseguire le elaborazioni AI.

Zerynth può installare dispositivi IoT sui macchinari industriali del cliente in tempi rapidi, garantendo così la raccolta delle informazioni necessarie alle analisi. I dati vengono quindi convogliati all’interno di repository centralizzati on-premise o in cloud, alimentando le applicazioni 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 per la risoluzione dei problemi, grazie all’intelligenza artificiale generativa.

Soluzioni AI per migliorare il controllo qualità

A chiudere la rassegna di soluzioni e casi applicativi, 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, investe in intelligenza artificiale da tempo e attraverso la nuova unità Brembo Solutions condivide le applicazioni sviluppate per progetti interni.

A titolo di esempio, Elena Mazzoleni, Data Science Coordinator di Brembo Solutions, cita la soluzione Tailor MATE realizzata per un’azienda del settore Fashion.

La piattaforma sfrutta lo stesso modello supervisionato di defect detection che Brembo aveva sviluppato ad uso interno per identificare le cricche sui dischi dei freni. L’algoritmo è stato addestrato per adattarsi al caso del cliente, che aveva la necessità di verificare la qualità dei tessuti. Per il training sono state impiegate circa trecento immagini di difetti, ottenendo un’accuratezza del 90%. Il modello viene comunque costantemente affinato in base ai feedback degli utenti, che possono segnalare eventuali errori tramite apposita interfaccia.

Il sistema funziona così: una batteria di telecamere restituisce immagini ad alta risoluzione del tessuto che scorre sulla specula. Le informazioni vengono visualizzate dall’operatore sul campo tramite app, ottenendo un supporto per identificare con maggiore velocità e precisione le difettosità dei tessuti e il punto dove sono state identificate (viene elaborata una reportistica con le porzioni di tessuto da scartare). I dati sono quindi convogliati nel sistema di storage e calcolo locale per ulteriori elaborazioni AI. Infine, l’ufficio qualità può effettuare analisi aggiuntive grazie a un’applicazione ad hoc, che consente di valutare ad esempio la quantità di difetti per tipologia di tessuto oppure la bontà dei fornitori.

Insomma, come un’onda inarrestabile l’intelligenza artificiale sta investendo il mondo delle fabbriche con un approccio sempre più standardizzato e pragmatico, portando valore effettivo ai costruttori e utilizzatori di macchine industriali.

MADE Competence Center e i propri partner possono supportare la tua azienda nello sviluppo di soluzioni di artificial intelligence accompagnandola nel percorso di transizione digitale e sostenibile.