Le università svolgono un ruolo fondamentale nell’educare e formare le nuove generazioni di professionisti per l’Industria 4.0. È quindi importante che rimangano rilevanti e all’avanguardia rispetto alle evoluzioni tecnologiche e alle esigenze del settore industriale, tanto dal punto di vista dell’educazione colmando il divario tra competenze richieste e possedute, quanto da quello della ricerca di nuove soluzioni tecnologiche. Questa la ratio dietro PLANET4, progetto europeo formato da un consorzio di università e aziende europee e guidato dall’Università di Pisa.
PLANET4, cos’è, cosa si propone
PLANET4 si propone l’ambizioso progetto di colmare il gap tra la ricerca scientifica sull’intelligenza artificiale (AI) e il Machine learning (ML), e la loro applicazione industriale come tecnologie abilitanti per il paradigma dell’Industria 4.0.
Il progetto, che si avvia verso la sua conclusione in ottobre, è già riuscito a collezionare importanti risultati.
In primo luogo, l’erogazione di un corso di formazione elaborato dal consorzio e che mira a fornire gli strumenti di base per la comprensione e l’utilizzo delle tecnologie abilitanti al 4.0, insieme alle soft skills necessarie per attuare e gestire il cambiamento. Facendo leva sull’aspetto pratico delineato sin dal titolo, il corso si focalizza sull’aspetto educativo tradizionale limitatamente agli aspetti tecnici, integrando poi il tutto in una serie di workshop che permettano la messa in pratica delle conoscenze acquisite. Per fare ciò, le attività pratiche sono state coadiuvate da due importanti strumenti: una tassonomia per l’Industria 4.0 e i suoi bisogni, e un template per identificare e risolvere le sfide che le aziende si ritrovano ad affrontare in questo nuovo paradigma industriale.
Lo skill mismatch in Industria 4.0
L’Industria 4.0 rappresenta la spina dorsale degli attuali progressi tecnologici nel settore industriale e sta portando a cambiamenti strutturali e organizzativi senza precedenti all’interno delle imprese. Le tecnologie correlate a questa Quarta Rivoluzione Industriale richiedono alle aziende di avere una comprensione più approfondita delle opportunità offerte e di saper affrontare le nuove sfide aziendali che si presentano. Sebbene questo processo si sia inizialmente affermato nelle grandi aziende, la necessità di attività innovative si è diffusa sempre di più anche nelle piccole e medie imprese (PMI), che costituiscono la maggioranza delle imprese nell’Unione Europea[1]. Tuttavia, molte di queste si trovano ad affrontare ostacoli nel riconoscere le nuove tecnologie, spesso anche a causa della mancanza di specifiche competenze ed esperienze nel settore.
Infatti, come ogni cambiamento di tale portata, anche con la Quarta Rivoluzione Industriale i lavori tradizionali rischiano di diventare presto obsoleti, lasciando spazio a nuove professioni o a nuove modalità di esecuzione delle precedenti. Questa situazione spesso genera una discrepanza tra le competenze richieste dal mercato del lavoro e quelle possedute dagli individui, creando un “mismatch” tra domanda e offerta. Nel caso particolare dell’Industria 4.0 le competenze digitali sono fondamentali e riguardano la capacità tecnica, la comprensione e l’utilizzo di tecnologie come l’intelligenza artificiale, Internet of Things e Cloud computing. Allo stesso tempo, per poter implementare queste soluzioni tecnologiche allineate alle esigenze aziendali sono diventate altrettanto importanti le competenze organizzative e personali (le cosiddette soft skills) come la capacità di collaborare in diversi campi di competenza e di lavorare in team interdisciplinari.
Una tassonomia per l’Industria 4.0: tecnologie e bisogni aziendali
Per migliorare la comunicazione tra mondo accademico e delle aziende, un primo passo è rappresentato dal creare una lingua comune che permetta a questi due mondi di comprendersi o, come è stato definito all’interno del progetto, un esperanto dell’Industria 4.0.
La definizione di un tale vocabolario comune è partita da due processi di classificazione: da una parte quelli che sono i bisogni aziendali legati all’adattamento al nuovo paradigma 4.0; dall’altra le tecnologie abilitanti che permettono di elaborare soluzioni per quei bisogni[2]. Il tutto è stato identificato a partire da fonti tanto accademiche (journal e conference paper) quanto aziendali (white paper, report e così via).
Punto di forza di questo lavoro è stato il collegamento tra le due classificazioni, andando così a mappare ogni bisogno con le tecnologie che possono risolverlo e viceversa. Il risultato finale è una tassonomia composta da 32 sfide/bisogni aziendali e 147 tecnologie abilitanti.
PLANET4: un template per identificare e risolvere problemi industriali con le tecnologie 4.0
Il secondo importante strumento elaborato per il progetto PLANET4 è rappresentato da un template per l’identificazione e la risoluzione di problematiche industriali grazie all’applicazione delle tecnologie abilitanti all’Industria 4.0. Questo template, ispirato alla metodologia Challenge-Based Learning[3], è strutturato in tre sezioni: identificazione della sfida, fase di ricerca e proposta di soluzione.
Nella fase di identificazione della sfida viene richiesto all’azienda stessa di definire in maniera guidata un suo problema reale che potrebbe essere risolto grazie a soluzioni 4.0. Tuttavia, per rendere la soluzione fattibile nella realtà non bastano le richieste di cosa si vorrebbe ottenere, i requisiti e i KPI desiderati. Per questo il template aiuta nella definizione del contesto aziendale attraverso una serie di domande sulle tecnologie e competenze preesistenti.
Per poter comprendere come risolvere un problema, bisogna prima di tutto aver chiaro cos’è. Per questo nella fase di ricerca si parte dall’elaborazione di domande rilevanti da porre per risolvere la challenge data, permettendo così di identificare non solo possibili tecnologie da utilizzare nella soluzione, ma anche le possibili problematiche nascoste di cui si deve tener conto. Da quelle domande si può quindi procedere nella ricerca delle tecnologie che comporranno la soluzione, in una maniera però più consapevole. In questa fase, la tassonomia rappresenta uno strumento perfetto di individuazione delle tecnologie e delle soluzioni simili già utilizzate nella letteratura accademica e no.
In ultimo, la soluzione viene elaborata e presentata nell’ultima sezione del template in maniera visuale e riassuntiva da una parte, tecnica e applicativa dall’altra, tenendo così insieme le necessità di tutti gli stakeholders che partecipano al processo. In questa maniera tempo, costi, possibili problematiche e valore aggiunto sono analizzati insieme alle tecnologie che permettono di identificare la soluzione. I dettagli implementativi, quindi, non riguardano solamente la fattibilità tecnica delle soluzioni tecnologiche implementate, ma anche quella economico-manageriale.
Nel corso del progetto sono state raccolte diverse sfide da aziende partner e no, applicando poi la metodologia espressa nel template per trovarne una soluzione. Questo si è rivelato importante per la riuscita del progetto e per validarne i metodi, perché solo interfacciandosi con problemi e contesti reali si può pensare di fornire delle soluzioni applicabili.
Un caso pratico
Ad esempio, un’azienda attiva nel campo della vendita di pesce all’ingrosso desiderava implementare un sistema automatizzato di controllo delle scorte per i propri magazzini al fine di garantire una gestione efficiente e di ridurre la necessità di intervento umano. Inoltre, considerando la natura deperibile dei prodotti, era fondamentale per loro avere una visibilità e un tracciamento in tempo reale dei prodotti in transito. L’analisi dei dati così raccolti avrebbe consentito all’azienda di prendere decisioni informate basate su informazioni aggiornate, migliorando così le strategie di vendita e generando maggiori ricavi.
L’utilizzo della metodologia PLANET4 ha permesso di individuare non solo lo stack tecnologico di cui si compone la soluzione – formato principalmente da tag RFID, sensori di temperature, localizzazione GPS e una piattaforma cloud per orchestrare e visualizzare il tutto –, ma anche una narrazione in cui queste tecnologie si inseriscono. In questa maniera è possibile ottenere una visione che tenga insieme tutto il processo di implementazione della soluzione, dalla tracciabilità e monitoraggio in tempo reale dei prodotti durante il trasporto, alla gestione delle scorte nei magazzini, abilitando così processi decisionali data-driven.
Note
- Executive Agency for Small and Medium sized Enterprises., LE Europe., CARSA., PwC., and DIW econ., Annual report on European SMEs2020/2021: digitalisation of SMEs. LU: Publications Office, 2021. [Online]. Available: https://data.europa.eu/doi/10.2826/56865 ↑
- Per una spiegazione più approfondita sul processo di elaborazione della tassonomia si guardi https://arxiv.org/abs/2211.16563 (in review per pubblicazione) ↑
- https://www.challengebasedlearning.org/ ↑
