Molte aziende usano già gli algoritmi di intelligenza artificiale con apprendimento automatico per estrarre informazioni strategiche e operative dai dati raccolti in tempo reale e dai dati storici a disposizione. In questo modo si possono ottenere previsioni utili ad aiutare la direzione aziendale nel definire le strategie e nell’utilizzare le risorse al fine di portare l’azienda a nuovi livelli di crescita. Per di più l’apprendimento automatico (machine learning), rappresenta una tecnologia di base unificante per creare soluzioni diversificate in azienda, indipendentemente dal settore in cui l’azienda opera. In alcuni ambiti, addirittura, siamo già oggi allo stadio di avere a disposizione strumenti e algoritmi basati sull’apprendimento automatico già pronti, o quasi, per essere applicati al caso specifico all’interno di alcuni domini applicativi. Di seguito sono riportati solo alcuni esempi di applicazioni.
AI nel settore manifatturiero: previsione del ciclo di vita dei prodotti
L’interesse delle imprese manifatturiere per l’intelligenza artificiale è cresciuto molto negli ultimi anni. Inizialmente perché tramite algoritmi ad apprendimento automatico è possibile utilizzare i dati storici di fabbrica e trovare schemi nascosti di dipendenza degli eventi che possono evitare guasti e fermi macchina imprevisti. Utilizzando le informazioni storiche, un insieme di sensori, un ambiente di analisi dati e strumenti di visualizzazione dati, è possibile ottenere tramite il machine learning previsioni realistiche e utili sia sul processo produttivo che sulla sua efficienza, tanto che l’applicazione dell’analisi predittiva alle linee produttive è una delle innovazioni digitali più richieste e più sviluppate dalle aziende manifatturiere oggi.
L’intelligenza artificiale sta spingendo le aziende manifatturiere a migliorare l’efficienza produttiva, spesso considerata come la più importante metrica di prestazione fra le varie misure di performance utilizzate in ambito produttivo. Questo poiché qualsiasi miglioramento dell’OEE (Overall Equipment Effectiveness) migliora direttamente il risultato aziendale permettendo di produrre più beni in meno tempo e con risorse minori. Ad esempio, perché il piano di produzione non deve più affrontare tempi di inattività, ma le apparecchiature funzionano il più a lungo possibile in continuo e alla massima capacità, fornendo il miglior rendimento possibile. Raccogliendo dati storici dai sensori e, dove disponibili, dalle stesse macchine a controllo numerico, è possibile implementare sofisticati modelli di apprendimento automatico che tengono conto dell’architettura fisica della macchina sui quali è possibile sviluppare una soluzione di intelligenza artificiale affidabile che avvisa il responsabile dell’impianto quando le prestazioni della macchina, della linea produttivo o dell’intero impianto peggiorano.
A differenza del passato, le aziende manifatturiere ora hanno una visione molto più precisa sulla qualità di ogni singolo prodotto che fabbricano. Siccome costruire prodotti di qualità sempre migliore è fondamentale per aumentare la quota di mercato, molte iniziative di trasformazione digitale che si intraprendono negli stabilimenti produttivi sono indirizzate al miglioramento delle metriche di qualità. Analizzando anche i modelli di comportamento dei clienti, i dati di richiamo dei prodotti difettosi, la stagionalità dei prodotti, la combinazione preferita di ingredienti (nel settore alimentare) e altro ancora, gli algoritmi ad apprendimento automatico personalizzati possono aiutare le aziende manifatturiere ad allineare meglio i loro prodotti alle mutevoli richieste dei clienti, e alle fluttuazioni del mercato.
Probabilmente non c’è niente di più importante per un impianto produttivo che garantire che il tempo dei suoi addetti sia utilizzato in modo ottimale. Ridurre gli spostamenti non necessari per riparare un macchinario che non è rotto, automatizzare i compiti più semplici in fabbrica mediante macchine o robot, fornire informazioni accurate e in tempo reale sull’andamento della produzione sono solo alcuni esempi di come l’intelligenza artificiale può migliorare drasticamente la produttività della risorsa più importante a disposizione di ogni produttore: le persone.
Esempi di casi di utilizzo dell’intelligenza artificiale
Ecco alcuni dei casi di utilizzo dell’intelligenza artificiale nel mondo manifatturiero, in ordine crescente di innovatività e difficoltà realizzativa.
Manutenzione predittiva
Questo è uno dei casi d’uso più sviluppati nell’industria manifatturiera oggi. Prevedere con precisione i guasti alle macchine industriali usando tutti i dati disponibili forniti dalle macchine stesse e da sensori è un lavoro monumentale, ritenuto in precedenza impossibile e demandato alla sola esperienza dei capireparto. L’implementazione del giusto modello ad apprendimento automatico sui dati storici di produzione aiuta a predisporre la linea produttiva al fermo macchina in modalità pianificata e non improvvisa. Inoltre negli ultimi anni praticamente tutti i produttori dei componenti PLC utilizzati per comandare le macchine industriali a controllo numerico hanno introdotto la possibilità di accedere ai dati di funzionamento delle macchine stesse, o addirittura alle loro serie storiche. Ciò ha reso più semplice la realizzazione di soluzioni di Industria 4.0 per l’analisi predittiva all’interno di impianti modernamente attrezzati ed aggiornati. Infine la disponibilità di una varietà di sensori e gateway di integrazione, ha permesso di raccogliere in tempo reale, a bordo macchina o a bordo linea produttiva, gli altri dati ambientali e operativi da analizzare assieme alla storia dei dati produttivi, aumentando enormemente le potenzialità degli algoritmi, spesso eseguiti in cloud, nel prevedere condizioni di errore, di guasto o di fermo macchina con ragionevole anticipo. Chiaramente l’anticipo e la precisione della previsione di guasto dipendono da quanti dati storici sono disponibili: si va dai pochi secondi di anticipo analizzando sei mesi di dati, alle ore o giorni nel caso sia possibile sperimentare ed implementare algoritmi di apprendimento automatico su serie storiche di anni.
Ottimizzazione della supply chain
Un’azienda manifatturiera globale deve fare i conti con una matrice complessa di fornitori e trasportatori. L’acquistare materie prime dal fornitore più economico mantenendo alta la qualità del prodotto e basso il costo complessivo di approvvigionamento può rilevarsi un compito scoraggiante. Inoltre è fondamentale garantire che le merci raggiungano gli stabilimenti produttivi nel minor tempo possibile e i prodotti finiti vengano consegnati nel percorso più veloce possibile. L’apprendimento automatico si è dimostrato strumentale per la gestione di questa complessità con un minore utilizzo delle risorse e una migliore accuratezza nella pianificazione.
Previsione del rendimento produttivo
Mantenere sempre elevato il rendimento della produzione permette di mantenere un vantaggio competitivo importante. Questo rende il prevedere qualsiasi cambiamento dell’Overall Equipment Effectiveness molto importante per sostenere un’elevata capacità produttiva. Le tecniche di intelligenza artificiale vengono usate per capire in anticipo cambiamenti nell’output di fabbrica derivanti da cambiamenti di materia prima, da variazioni della temperatura o altri fattori ambientali e dalla messa a punto dell’attrezzatura, oltre che dal fattore umano.
Ottimizzazione dei trasporti
A seconda del tipo di merce prodotto, le aziende di produzione devono garantire che le merci arrivino sempre in condizioni ottimali. Gestire la qualità del trasporto è fondamentale, rendendo così l’ottimizzazione del trasporto una priorità assoluta per ogni produttore. Le aziende manifatturiere possono prevedere la qualità dei loro prodotti in transito, dando quindi indicazione di migliorare la refrigerazione (per prodotti alimentari), l’handling o di ottimizzare tempi e percorsi.
Efficienza nel processo di prototipazione meccanica
Sia in ambito automotive, che nel mondo della meccanica industriale, le fasi di progettazione e industrializzazione di motori, riduttori e ingranaggi sono realizzate sfruttando principi di similitudine in cui alcuni aspetti dei complessi sistemi meccanici e termodinamici realizzati vengono tralasciati, e di prototipazione dove i prototipi, ad ogni stadio di un progetto, vengono messi alla prova a banco o testati a fondo. Dall’esito prove sarà possibile validare la fase di progetto e passare alla fase successiva del processo di prototipazione. La durata e l’esito dei molti test da eseguire è estremamente variabile e umanamente impredicibile. Recentemente le grandi industrie del settore stanno adottando l’intelligenza artificiale per creare automi a cui dare in pasto l’enorme quantità di dati storici raccolti in vari progetti, in modo da ottenere previsioni sulla durata dei test che permettono la corretta pianificazione delle risorse di più progetti concorrenti, ottimizzando così i tempi e i costi di realizzazione dei vari prototipi, massimizzando la produttività delle risorse coinvolte.
