Le sfide della manifattura e le opportunità della GenAI e degli AI Agent per creare vantaggio competitivo, a patto di usare metodo e strumenti per una buona governance e una base dati di qualità. MADE 4.0 ha organizzato un evento, in collaborazione con i partner GEA e Miraitek, per accompagnare le PMI in questo percorso digitale.
L’incontro organizzato da MADE 4.0, con la collaborazione dei partner GEA e Miraitek, propone metodi, strumenti e casi per creare valore con i dati disponibili dalle macchine industriali, sfruttando le tecnologie digitali di ultima generazione che hanno un potere trasformativo e generativo di contenuti e decisioni senza precedenti. Il combinato composto di governance, dati di qualità e tecnologie digitali possono offrire risposte alle sfide competitive e sistemiche che vive l’industria manifatturiera italiana, a patto di seguire processi ben definiti che giustificherebbero l’entusiasmo crescente intorno a GenAI, AI Agent e Agentic AI.
Il Competence Center Made 4.0 offre servizi alle imprese proprio per creare valore con le tecnologie digitali, a partire dall’analisi dei processi industriali per individuare eventuali inefficienze e aree di miglioramento. Quindi, effettuato l’assesment della maturità digitale dell’impresa e stabilita la strategia da seguire, si definisce una Roadmap dei processi da avviare e delle competenze da sviluppare. «Senza competenze, nessuna tecnologia può creare valore», esordisce Davide Polotto, business development MADE Competence Center 4.0. Il progetto Draive (Data-Driven Roadmap for AI Vision and Excellence) include anche la fase di verifica dell’efficacia delle tecnologie adottabili con il servizio di “Test before invest” sulle linee pilota di MADE. Il Competence Center dispone infatti di 120 dimostratori relativi a 113 tecnologie e ha un ecosistema di 63 partner tecnologici, industriali e consulenziali che mettono a disposizione le proprie competenze per sviluppare i progetti aziendali di trasformazione digitale.
Dati come quarto fattore produttivo
Oggi l’attenzione va portata sui dati che, grazie alle tecnologie digitali di ultima generazione, sono in grado di creare valore lungo la Supply Chain. Per questa ragione, possono entrare a pieno titolo tra i fattori produttivi, insieme alle materie prime, al capitale e al lavoro. Con una base dati di qualità, granulare e normalizzata tra fonti e sistemi diversi, l’analisi, interpretazione e previsione dei comportamenti delle macchine possono infatti agire sulla pianificazione della produzione, sull’ottimizzazione dei flussi e sulla riduzione degli sprechi, con un impatto sul business.
I dati diventano infatti un asset strategico per rispondere alla necessità di efficientare e di essere rapidi e resilienti nel cambiamento continuo della domanda e delle condizioni geopolitiche che impattano costi e disponibilità di materie prime. Inoltre, le tecnologie cosiddette “data-centric” (perché si basano sui dati) aprono la strada a nuovi modelli di business, spostando il baricentro del valore dalla vendita di un prodotto o di un macchinario al servizio lungo l’intero ciclo di vita dello stesso.
Con questo approccio, il prodotto stesso diventa una piattaforma digitale che crea valore. «Non so come misureremo la produttività dei dati, ma di certo una fabbrica “data-centric”, connessa, intelligente e sostenibile può generare valore lungo la Supply Chain», afferma Marco Taisch, Presidente MADE 4.0 e professore di Digital Manufacturing al Politecnico di Milano.
Le sfide del manifatturiero e le risposte dell’AI
Al crescere della complessità geopolitica, economica e dei canali di distribuzione, aumentano per le imprese le variabili da gestire. Le principali sfide competitive sono pressione su prezzi e margini, frammentazione degli ordini e aumento della varietà con impatto su produzione e assortimento; standard di qualità in crescita e tempi attesi di evasione sempre più ristretti. A queste sfide si aggiungono quelle sistemiche come il rincaro dell’energia e la carenza di manodopera, nonché una compliance normativa che richiede maggiore tracciabilità di dati e informazioni. Ma la buona notizia è che la terza ondata di digitale, quella generativa e agentica, può aiutare a fronteggiare queste sfide grazie al suo potere trasformativo, all’accessibilità economica e all’utilizzo del linguaggio naturale che estende l’applicabilità delle soluzioni anche alle PMI.
Le tre ondate del digitale
La prima ondata di tecnologie digitali ha costruito la base informativa sui cui poggia la struttura più moderna. In pratica, ERP, MES, SCADA, CAD/PLM sono sistemi che hanno via via digitalizzato dati e regole.
La seconda ondata è stata quella più recente del machine learning, con modelli che apprendono da serie storiche per fare previsioni e ottimizzazioni.
La terza ondata è quella attuale in rapido sviluppo: l’intelligenza artificiale generativa risponde a prompt definiti producendo testi, immagini, codice e report, genera istruzioni di lavoro e fornisce report di fermi macchina partendo da dati grezzi.
L’AI Agent è un’applicazione software, progettata per percepire e interagire con l’ambiente virtuale e operare in modo autonomo, che esegue task specifici predefiniti, come monitorare i dati di funzionamento di una macchina e aprire un ticket di manutenzione se rileva delle anomalie.
Il terzo livello, ancora in fase sperimentale, è l’Agentic AI, che svolge la funzione di orchestratore multiagentico, mettendo in sequenza le attività (compiti) di singoli agenti specializzati per raggiungere un obiettivo, pianificando i diversi passaggi in autonomia. Può coordinare la previsione dei guasti, l’ordine dei ricambi, la pianificazione della manutenzione e i turni del personale, con una progressiva autonomia decisionale.
I vantaggi dell’AI generativa
Se la pianificazione della domanda con dei software ERP tradizionali o dei fogli di calcolo si basa su regole di previsione fisse, il machine learning ha invece una capacità previsionale più dinamica (predittiva), che permette di ottimizzare il rapporto Sales&Operations, mentre l’AI generativa consente di simulare scenari differenti (“What if”) in modo intuitivo con il linguaggio naturale e di fare le scelte più appropriate, combinando dati storici e dati in tempo reale (Digital Twin).
In pratica, grazie all’AI generativa è possibile fare un “Demand sensing” (rilevamento della domanda) e un “Forecasting” (previsione) a brevissimo termine, in modo da essere coerenti con la volatilità dei mercati ed essere efficaci al tempo stesso.
La programmazione della produzione diventa flessibile, con schedulazioni dinamiche, ripianificazione assistita e regolazioni automatiche dei processi e delle macchine. In fase operativa l’operatore può avvalersi di un assistente digitale con linguaggio naturale che gli fornisce istruzioni di lavoro dinamiche, così come in fase manutentiva.
I sistemi di Knowledge Management System, basati su GenAI, raccolgono il know-how aziendale da fonti diverse, compresa la conoscenza tacita dei vecchi operatori e manutentori e sono interrogabili con il linguaggio naturale. Sono degli assistenti digitali in grado di sopperire alla crisi sistemica di manodopera specializzata; accelerano l’onboarding di nuovo personale e garantiscono la conservazione e trasmissione del know-how aziendale.
AI generativa: un esempio applicativo per creare knowledge base
L’AI generativa è entrata in campo per tradurre in istruzioni di macchina, con linguaggio naturale, una raccolta di informazioni di natura diversa (testo e video) sull’accensione di una macchina automatica di Cosberg, che è tra i soci di Miraitek.
I vantaggi dell’applicazione sono stati duplici: velocita e facilità di realizzazione di materiale formativo per operatori e fruibilità facilitata del manuale digitale. L’assistente virtuale infatti affianca l’operatore step by step, lo guida, gli risponde e individua eventuali errori di esecuzione.
AI: quali dati raccogliere e come?
Spesso nelle aziende non si raccolgono neppure i dati chiave utili alle analisi dell’AI e molti di quelli disponibili non sono organizzati per essere utilizzati. Bisogna quindi partire dalla mappatura delle dimensioni e variabili rilevanti lungo il ciclo produttivo per estrarne i dati chiave; interpretare i comportamenti delle macchine e individuare le configurazioni ottimali.
Ma la prima attività abilitante è quella di dotarsi di moduli di normalizzazione (“Acquisition layer”) per avere una visibilità uniforme dei dati di macchine che non si parlano tra loro, sia dello stesso reparto sia di reparti diversi.
Un secondo fattore abilitante è sfruttare tool e software Edge sulle singole macchine che raccolgano i dati in modo granulare/puntuale e secondo sequenze temporali (“Time Series”), con osservazioni ordinate cronologicamente, che includano oltre alla variabile temporale le variabili che cambiano nel tempo, in modo da analizzare tendenze, stagionalità e altre dipendenze dal tempo.
«Nelle imprese sta crescendo la consapevolezza di ottimizzare la produzione attraverso l’utilizzo dei dati, ma non tutti quelli disponibili sono adatti allo scopo. Più il dato è granulare, per esempio, più consentirà all’AI di intervenire su analisi, interpretazioni e correlazioni per rinvenire anche cause di output non preventivati, che in una raccolta di dati macro a livello di MES non vengono individuati. È fondamentale comprendere che l’AI non è una tecnologia che si compra pronta all’uso, ma si costruisce mattoncino su mattoncino come un’architettura digitale di fabbrica», spiega Marino Crippa, amministratore delegato Miraitek, startup innovativa, spinoff del Politecnico di Milano.
Dati, analisi, decisioni: le domande giuste da porsi
Alcune azioni preliminari per rendere possibile un processo efficace che, dall’analisi dei dati, porti a decisioni “data-driven” sono quelle di eseguire un assessment dei dati aziendali in quanto a robustezza, se per esempio raccolti correttamente in database relazionali o ancora in gran parte affidati a fogli di calcolo; quindi il livello di governance del processo e il livello di integrazione dei sistemi da cui raccogliere i dati. Si agisce sui diversi livelli per poter attivare un’architettura di fabbrica che sia guidata dai dati per creare valore. In ogni caso, un percorso efficace che colleghi tra loro dati, analisi e decisioni deve sempre partire dalla strategia aziendale: quali obiettivi vogliamo raggiungere, quali dati consideriamo rilevanti, come li raccogliamo e come li rendiamo fruibili.
Quindi a livello di analisi, per procedere verso analisi in real-time di dati granulari/puntuali bisogna individuare quali siano gli indicatori più rilevanti e coerenti con gli obiettivi, quali modalità di rappresentazione usare e a chi destinarli.
Per il passaggio successivo verso analisi di correlazione e regressioni diventa cruciale chiedersi quali siano i dati significativi tra cui cercare correlazioni. A quel punto a livello decisionale, le decisioni possono essere del tutto in capo all’operatore, possono esserci suggerimenti per l’operatore o essere prese in autonomia dalla macchina (autoregolazione). Anche in questa fase conclusiva del processo, è cruciale stabilire ambiti e soglie di autonomia che si vogliono lasciare alla macchina.
Caso applicativo di un Digital Twin di processo
Un esempio esplicativo è stata l’applicazione di un simulatore di processo che monitora in modo continuo e strutturato le variabili critiche di macchine soggette a condizioni esterne (es. temperatura e umidità) e che, grazie a un algoritmo, interviene sui parametri critici per prevenire lotti difettosi, riducendo il consumo di materia prima.
L’obiettivo dell’azienda era quello di mantenere la probabilità di sprechi sotto il 10%. Quindi, individuati nel flusso d’aria e nella velocità dei motori i principali parametri critici al variare delle condizioni climatiche, si è usato un modello di machine learning che, in base a serie storiche di dati e a dati in real-time, prevedesse la probabilità di difetto. Quindi, è stato addestrato un secondo modello di machine learning che correggesse e abbassasse la probabilità di difetto, agendo su flusso d’aria e velocità dei motori. Oggi le macchine in produzione regolano automaticamente i parametri operativi, riducendo errori e tempi di configurazione e, al contempo, si sono definiti standard dinamici di processo, indipendenti dall’esperienza e dal know-how del singolo operatore.
L’AI Agent che scopre da solo nuove correlazioni
Un agente AI molto evoluto è “Rober Whispers” che va oltre la visualizzazione delle correlazioni previste sulle dashboard aziendali in base ai dati d’interesse. Sviluppato di recente da Miraitek, non ha bisogno di essere interrogato da specifici prompt per guidare la ricerca di correlazioni tra fonti dati diverse, per esempio dati di macchina e ERP. È dotato di tool che, con una logica ad albero, individuano più ipotesi di correlazione che approfondiscono ulteriormente in base al punteggio di probabilità ottenuto. Ovviamente, spetterà all’operatore ripercorrere l’intero ragionamento visualizzato nello schema ad albero e trarre le dovute conclusioni in base alle proprie competenze di contesto.
