Il potenziale dell’AI generativa per guidare l’innovazione si estende a tutte le funzioni aziendali e ha applicazioni in tutti i settori, anche nell’ingegneria. La sua capacità di generare soluzioni innovative, ottimizzare i processi e affrontare problemi complessi, offre nuove prospettive e opportunità. Ecco che cosa rende unica l’AI generativa rispetto alla tradizionale: mentre quest’ultima è versatile e potente in compiti specifici (classificazioni, estrazioni di informazioni e capacità di fare previsioni), i più recenti modelli generativi sono in grado di creare autonomamente nuovi contenuti originali (testo, immagini, suoni, animazioni, modelli 3D, codice o altri tipi di dati).
Le aspettative delle organizzazioni sono destinate a cambiare. Fra queste quella legata all’AI generativa, con la sua capacità di rendere più efficiente la progettazione di prodotti e servizi più inclusivi e accessibili, con un’accelerazione significativa dei tempi di sviluppo. Sorgono quindi nuovi interrogativi: questa tecnologia può trasformare anche le pratiche ingegneristiche e l’attività di ricerca e sviluppo? E quale sarà il suo impatto a lungo termine? I benefici saranno inferiori, pari o superiori alle aspettative?
L’AI generativa nell’ingegneria
In ambito ingegneristico, l’AI generativa sta rivoluzionando soprattutto il modo in cui vengono affrontati i problemi di design complessi. Gli ingegneri possono utilizzare algoritmi generativi che, acquisendo informazioni e conoscenza su un vasto insieme di input, sono in grado di generare automaticamente una gamma di numerose soluzioni di design. Questo processo, da un lato richiede una trasformazione alle persone addette alla progettazione, che devono capire come integrare questa tecnologia nelle loro metodologie, dall’altro consente una rapida esplorazione di diverse varianti e approcci, accelerando il processo di prototipazione e riducendo i costi associati.
Ad esempio, nell’ingegneria meccanica, gli algoritmi di AI generativa possono generare forme e geometrie complesse che massimizzano la resistenza strutturale e minimizzano il peso. Ciò è particolarmente rilevante per settori come l’aerospaziale e l’automotive, in cui la riduzione del peso può avere un impatto significativo sull’efficienza, sulla riduzione dei costi operativi e sulla sostenibilità dei prodotti. Anche nella gestione delle reti, di telecomunicazioni o energetiche, i modelli generativi possono consigliare progetti di rete, creare istruzioni virtuali per le riparazioni, e generare migliaia di immagini fisicamente accurate per addestrare modelli di visione computerizzata che aiutano i tecnici sul campo a identificare la corrosione delle apparecchiature, le rotture, e persino a rilevare gli incendi.
L’AI generativa nella ricerca e sviluppo
Nella ricerca e sviluppo (R&D) invece, l’AI generativa offre un potente strumento per l’accelerazione della scoperta scientifica e tecnologica. Nell’ambito della ricerca dei materiali, ad esempio, l’AI generativa può analizzare vasti dataset di proprietà di materiali, strutture atomiche e altre caratteristiche. Questo può guidare i ricercatori nella scoperta di nuovi materiali con proprietà desiderate, come una maggiore resistenza o capacità di immagazzinare energia. Il grande vantaggio rispetto a un approccio tradizionale è l’ottimizzazione di sistemi estremamente complessi che altrimenti dovrebbero essere affrontati in modo iterativo, con un notevole dispendio temporale.
In campo farmaceutico, l’AI generativa può contribuire all’identificazione e allo sviluppo di nuovi farmaci. Gli algoritmi possono analizzare dati molecolari, informazioni sulla struttura tridimensionale delle proteine e dati di attività biologica per generare nuove potenziali molecole con proprietà terapeutiche, accelerare la scoperta di nuovi farmaci e ridurre il tempo necessario per immetterli sul mercato.
L’AI generativa nella simulazione e modellazione multidisciplinare
Un’altra prospettiva aperta dall’uso dell’AI generativa è la simulazione e la modellazione multidisciplinare. Gli algoritmi possono generare modelli e simulazioni che coinvolgono dati di diverse discipline, come fluidodinamica, termodinamica e analisi strutturale. Ad esempio, nell’ambito della progettazione di aerei, l’AI generativa può integrare la simulazione aerodinamica, la resistenza strutturale e altre variabili per generare un design ottimizzato che riduca ad esempio la resistenza dell’aria e massimizzi l’efficienza energetica.
I rischi dell’adozione dell’AI generativa
Tuttavia, l’adozione dell’AI generativa non è priva di complicazioni e rischi. È fondamentale sviluppare algoritmi di AI che siano in grado di contribuire in modo rigoroso alla conoscenza scientifica, fornendo gli elementi per poter verificare il rispetto di norme e requisiti tecnici. L’AI generativa non è “intelligente” di per sé e può essere inaccurata e parziale. Sebbene i contenuti creati siano spesso molto convincenti e credibili, non sono sempre affidabili al 100%, perché l’AI generativa non è in grado di gestire la fattualità e non è in grado di elaborare la causalità (se non presente all’interno dei dati analizzati), la pianificazione o l’astrazione.
I grandi modelli linguistici (LLM) non sono nella realtà “modelli di conoscenza” ma motori statistici che hanno imparato regole matematiche per produrre testo dopo aver “studiato” milioni di testi. Per questo motivo non dovrebbero essere utilizzati quando la correttezza è fondamentale a meno che non siano presenti robusti processi presidiati dagli esperti di dominio per rilevare e mitigare eventuali errori.
L’intelligenza deriva dalla conoscenza di esperti umani che questi strumenti assisteranno e supporteranno. La chiave del successo, come per ogni AI, è la salvaguardia che l’uomo costruisce intorno ad essa per garantire la qualità dei suoi input e dei suoi risultati. L’interpretabilità degli algoritmi è un aspetto critico, poiché è necessario comprendere come e perché vengono generate determinate soluzioni o raccomandazioni. Ciò consente agli ingegneri e ai ricercatori di valutare la validità e la sicurezza delle soluzioni proposte e di affinare ulteriormente i risultati.
Tre punti chiave per adottare i modelli di AI generativa nell’ingegneria
Per ottenere risultati affidabili che siano in grado di creare effetti tangibili e significativi, non sempre l’uso di modelli generici di grandi dimensioni (i così detti foundation models) garantisce i risultati migliori: algoritmi generativi personalizzati su misura secondo le proprie specifiche, costruiti sui dati e sulla conoscenza dell’azienda, risultano molto più efficienti.
Tre punti sono fondamentali per l’adozione di questo tipo di modelli.
Il primo passo è sempre quello di garantire la “prontezza” dei dati: una migliore qualità dei dati e una loro gestione efficace migliorerà l’implementazione del modello. Successivamente si potrà determinare se adattare un modello pre-addestrato o costruirne uno originale. L’approccio ottimale è quello di utilizzare il modello meglio dimensionato, piuttosto che optare per il modello con il numero numero maggiore di parametri. Infine si dovrà monitorare e aggiornare il modello in base al feedback: una volta implementato, il sistema deve essere monitorato per individuare potenziali problemi o distorsioni. È anche importante raccogliere il feedback degli utenti e aggiornare il modello in base alle nuove condizioni di mercato e alle mutate preferenze o comportamenti degli utenti.
L’elemento di prim’ordine che le aziende devono affrontare per sfruttare la potenza della AI generativa è la messa a punto dei modelli con specifici dati aziendali, e il controllo del modello di base e dei dati al suo interno, combinando la conoscenza di contesto con i modelli di base pre-addestrati, la comprensione di quali siano le domande migliori da porre all’algoritmo, e quale sia l’accuratezza dei risultati forniti. Senza questo approccio, c’è un rischio significativo di conseguenze negative, sia per la perdita di dati che di risultati corrotti.
Oltre a questi temi di correttezza ingegneristica e scientifica degli algoritmi generativi, ne rimangono altri chiave da affrontare (sicurezza dei dati, copyright, etica, cybersecurity, e impatto ambientale dello sviluppo e utilizzo di certi modelli) prima che la AI generativa possa fornire risultati totalmente affidabili ed essere pienamente integrata nei processi aziendali.
Come massimizzare il potenziale dell’AI generativa nell’ingegneria
Per massimizzare il potenziale dell’AI generativa è necessario un alto livello di interazione tra scienziati, ingegneri, esperti di scienza dei dati e l’AI stessa, che dovrà essere un supporto per il rinnovamento e miglioramento dei processi ingegneristici e di scoperta scientifica, piuttosto che una sostituzione dell’intelligenza umana. Gli esperti dovranno lavorare a stretto contatto con gli algoritmi, fornendo input, supervisione e validazione durante tutto il percorso di sviluppo. Questa sinergia è essenziale per un utilizzo ottimale e sicuro della tecnologia, per mitigare i rischi e garantire che i risultati siano affidabili, sicuri e in linea con gli obiettivi e i requisiti desiderati.
Conclusioni
In conclusione, l’AI Generativa sta ridefinendo i processi negli ambiti dell’ingegneria e dell’R&D: le sue applicazioni nell’ottimizzazione dei processi, nel problem-solving avanzato e nella scoperta scientifica offrono nuove prospettive per l’industria e la scienza, inimmaginabili fino a pochi mesi fa. Tuttavia, è necessario affrontare le complicazioni legate all’interpretabilità degli algoritmi, e al loro utilizzo nelle nuove metodologie ingegneristiche e di scoperta scientifica. La collaborazione aperta tra l’intelligenza umana e l’intelligenza artificiale sarà l’elemento fondamentale per il futuro della scoperta tecnica e scientifica.
