Le quattro tipologie di intelligenza artificiale classificate da Arend Hintze, di cui abbiamo parlato nel precedente articolo dedicato alla AI, supportate dalla diffusione di IoT e Big data nell’industria portano questa tecnologia a evolvere in ambiti applicativi che già oggi si coniugano alle dinamiche della Fabbrica digitale. Parliamo di manutenzione predittiva, controllo di qualità automatizzato, manifattura adattativa e produzione demand-driven.

Manutenzione predittiva – l’estensione di macchine, dispositivi e impianti con sensori consente di creare di digital twin degli oggetti, monitorandone lo specifico funzionamento e le sollecitazioni cui è sottoposto, per prevederne il comportamento durante il ciclo di vita. Ciò permette di superare la schedulazione di interventi di manutenzione preventiva basata su benchmark delle tipologie di oggetti, per adottare un tipo di manutenzione aderente alle reali condizioni operative, customizzata sul singolo device. AI oggi molto adottata in ambito industriale, si basa su algoritmi data-driven di machine learning, in cui il sistema identica pattern comportamentali non in base a regole finite descritte nella progettazione del sistema, ma in base all’analisi di grandi quantità di dati attraverso algoritmi e modelli statistico-matematici. Potendo prevenire fermi impianto non pianificati e risparmiando su interventi programmati ma di fatto non necessari.


Controllo di qualità automatizzato – aumento di prodotti personalizzati e della velocità della produzione portano a minore accuratezza qualità. Il gap tra qualità e produttività può essere ridotto adottando sistemi di controllo più veloci, flessibili ed efficaci. Sistemi di computer vision per il monitoraggio delle linee di produzione al alta velocità consentono di classificare e identificare i difetti il prima possibile sulle linee. Ulteriore evoluzione nel controllo di qualità è quindi l’impiego di AI per analizzare i dati provenienti da sistemi PLC/SCADA e acquisiti in linea mediante sensori (computer vision ma anche sensori di temperatura, umidità, pressione), per identificare pattern che possono generare difettosità (fault). In base a questi i sistemi possono attivare allarmi sulla linea. Passo ancora più avanti, si può giungere a una intelligenza artificiale che in autonomia utilizzi queste capacità analitiche e informazioni per effettuare interventi e riportare il sistema allo stato ottimale di funzionamento.

Manifattura adattativa – a differenza dei robot programmati per assolvere singoli task complessi e ad alta efficienza nelle linee di assemblaggio, i robot collaborativi sono dotati di una AI in grado di imparare diversi task, mediante apprendimento per dimostrazione, e di un hardware più flessibile per adattarsi alla dinamicità e variabilità delle attività. Passando dallo shop-floor alla fabbrica, servono AI che abbiano ‘intuizioni’ atte a generare decisioni, e quindi azioni, in grado di migliorare i processi delle networked factory. Queste sono impianti in cui supply chain, progettazione, produzione, controllo qualità sono altamente integrati e monitorati, finanche controllati, da una AI di supervisione e analisi del processo. Per software in grado di adattarsi agli scenari di tale genere serviranno infrastrutture fisiche più flessibili e disaccoppiate. Dopo machine learning per gestire le anomalie e manutenzione predittiva, il passo successivo è rappresentato da sistemi produttivi capaci di intervenire sulla base dell’esperienza (Macchine a memoria limitata, la terza categoria di AI) che non si limitano a seguire regole prefissate per intervenire sul sistema, ma che imparino dalle analisi effettuate in precedenza e creino una rappresentazione del processo produttivo secondo variabili non programmate.


Produzione guidata dalla domanda – quest’ultimo step implica il passaggio dal concetto di networked-factory a quello di supply chain estesa, e ancora oltre di end-to-end networked-market. Questo è possibile grazie alla connessione di app e IoT dei consumatori in real time con i sistemi di demand management aziendali, per ridurre perdite di profitto legate a sovrastime o sottostime delle richieste di prodotto. Emergono in tale scenario nuovi modelli architetturali federati, basati su contratti automatici fra le parti e AI capace di governare le transazioni in un contesto regolatorio molto complesso, che include differenze culturali, legali, economiche, etico-sociali, tecnologiche.