Schneider Electric è fortemente impegnata nello sviluppo di varie soluzioni di intelligenza artificiale per supportare il percorso verso la sostenibilità delle aziende. In particolare, Philippe Rambach, chief AI officer di Schneider Electric, esplora qui di seguito il ruolo e l’impatto che la AI generativa (GenAI) può avere in questo cammino.

Visti i progressi fatti dall’intelligenza artificiale generativa (GenAI), si potrebbe pensare che si tratti di una tecnologia destinata a prevalere, e diverse sono le sue numerose e importanti applicazioni che media e analisti già riportano. Tuttavia, non tutte le soluzioni di intelligenza artificiale sono compatibili con uno sviluppo etico e sostenibile della AI generativa, e questo fa sì che la trasformazione totale che era stata prospettata stia avvenendo solo gradualmente, e non dal giorno alla notte.

“Ciò avviene in quanto implementare l’intelligenza artificiale in modo responsabile significa in primo luogo mitigare i rischi legati all’etica, alla sostenibilità e alla sicurezza informatica – spiega quindi Rambach -. Inoltre, questo è dovuto al fatto che l’intelligenza artificiale generativa apre nuove possibilità ma non copre tutte le altre tecnologie di intelligenza artificiale esistenti. Le aziende devono prendere decisioni strategiche o implementare cambiamenti organizzativi prima di utilizzare GenAI su larga scala. Nel nostro caso, abbiamo lanciato l’AI Hub presso Schneider Electric ancor prima che GenAI fosse lanciata sul mercato. Abbiamo comunque deciso di istituire un processo di revisione con stakeholder interni ed esterni per individuare le prime opportunità di applicazione di questa tecnologia”.

Analizzando tutte le funzioni, la società ha così selezionato più di 200 potenziali casi d’uso. Non tutti hanno superato la valutazione del quadro di intelligenza artificiale responsabile, e questo ha portato ad abbandonare quelli con un valore medio o incerto per gli utilizzatori finali. “Le prime applicazioni che abbiamo realizzato hanno già iniziato ad aumentare la produttività interna e a potenziare le nostre offerte – continua Rambach -. La maggior parte di queste sostiene la mission principale della nostra azienda: avere un impatto positivo sul pianeta fornendo ai nostri clienti e partner gli strumenti necessari per affrontare il loro percorso verso la sostenibilità“.

Ma in quale modo per Schneider Electric GenAI può supportare in concreto la sostenibilità? Un esempio è il Resource Advisor Copilot di recente lancio, che utilizza la tecnologia Natural Language Processing (NLP) basata su GenAI per offrire un comodo compagno digitale.

“Attraverso un’interfaccia di chat, è possibile chiedere a Copilot di recuperare dati in tempo reale, eseguire analisi e visualizzazioni migliorate o attingere alla nostra conoscenza del settore e alle informazioni di sistema per fornire supporto decisionale e suggerimenti di ottimizzazione – illustra il Chief AI officer dell’azienda -. Con esso, volevamo aiutare i clienti a procedere verso la carbon neutrality fornendo risposte alle loro domande, quali ad esempio:
• Quali sono state le emissioni totali dello scope 1 per il nostro sito negli Stati Uniti negli ultimi sei mesi?
• Cosa significano le emissioni scope 3?
• Quanto abbiamo speso in energia elettrica nel 2022?
• Potete descrivere nei dettagli un piano di decarbonizzazione per raggiungere i miei obiettivi di emissioni nei prossimi cinque anni?”

Ma GenAI non è l’unica tecnologia AI in grado di supportare le aziende nel loro impegno ESG. Rambach ne elenca di seguito alcune altre: “L’apprendimento automatico (machine learning, ML) ci consente di analizzare set di dati di grandi dimensioni, identificare modelli e fare previsioni. Può anche automatizzare l’analisi predittiva e prendere decisioni basate sui dati più rapidamente. Il ML sostiene direttamente la transizione verso le energie rinnovabili, una delle strategie di decarbonizzazione più efficaci. Lo fa in particolare lavorando sul lato della domanda dell’equazione domanda/offerta. Consente di ottimizzare l’utilizzo dell’energia rinnovabile analizzando più fonti di dati e rilevando le inefficienze per ottimizzare l’utilizzo dell’energia”.

Rambach porta quindi l’esempio del software Ecostruxure Microgrid Advisor, che si connette alle risorse energetiche distribuite di un’azienda. Lo strumento prevede e ottimizza automaticamente come e quando consumare, produrre e immagazzinare energia. Con questa soluzione, gli utilizzatori come Lidl Finlandia e il centro commerciale Citycon di Lippulaiva si sono avvicinati all’obiettivo net zero. Qui è stato utilizzato un algoritmo ML che analizza costantemente i dati provenienti da generatori di energia, stazioni di ricarica per veicoli elettrici, batterie, generatori di riserva, sistemi HVAC, sistemi di illuminazione, UPS, produzione combinata di calore ed elettricità (CHP) e contatori delle utenze.

“Il Deep Learning (DL) è un sottoinsieme del ML – prosegue quindi Rambach -. Utilizza reti neurali con più livelli per estrarre funzionalità complesse dai dati. DL funziona in vari ambiti, come l’ottimizzazione della risposta alla domanda, la previsione delle energie rinnovabili e la gestione della rete energetica. Queste aree stanno registrando i maggiori progressi nell’industrializzazione dell’AI.
Il DL può aiutare a ottimizzare l’uso dell’energia in un edificio nuovo o appena attrezzato con dati limitati o di bassa qualità disponibili all’inizio. In un recente articolo intitolato ‘Cold Start Methods for Building’s Energy Consumption Forecasting’, i nostri data scientist hanno collaborato con IMT Atlantique per applicare il DL nei sistemi di gestione energetica intelligente (SEMS), riducendo gli sprechi energetici nella fase iniziale di implementazione dell’edificio. I SEMS sono fondamentali per ridurre al minimo le emissioni, ottimizzare il consumo energetico negli edifici e creare strategie di gestione. La chiave per sbloccare il loro valore è una previsione accurata”.

Come è allora possibile addestrare modelli previsionali per lo sviluppo del settore real estate con pochi dati iniziali disponibili? “Un approccio Cold Start utilizza dati storici di edifici con caratteristiche simili, prima di applicare queste conoscenze al nuovo progetto – spiega Rambach -. Il risultato è una riduzione degli sprechi energetici fin dall’inizio. Ciò fa bene all’ambiente, fa risparmiare denaro e incrementa il pregio degli edifici”.

In conclusione, il ML e il DL tradizionali richiedono meno calcoli rispetto all’intelligenza artificiale generativa e consentono di risparmiare molta energia. “Il verdetto finale se l’intelligenza artificiale sia positiva per il pianeta dipende da ogni singolo caso d’uso che le aziende e le organizzazioni decidono di implementare – afferma quindi Rambach -. Il nostro approccio è che l’energia risparmiata deve superare l’energia necessaria per alimentare un modello di intelligenza artificiale. Con un quadro decisionale dedicato per realizzare questi tipi di scelte, ci assicuriamo che questa tecnologia sia responsabile, etica e serva a uno scopo significativo”.