Italia 4.0 2019

dini -, con macchine spesso disegnate appositamente per le nostre applicazioni. Sulla connessione macchine nello specifico ci siamo quindi trovati di fronte ai singoli co- struttori che tendevano ciascuno a proporre un pacchet- to specifico per le proprie macchine utensili. Abbiamo allora scelto di sviluppare internamente le conoscenze, creando una cultura specifica con persone nostre per svi- luppare un nostro applicativo che gira poi su piattaforme commerciali”. Il percorso è stato quindi simile anche in Tenova, dove un digital team è stato costituito tre anni fa, con l’assunzione di un giovane data scientist cui si è quindi affiancato lo stesso Bavestrelli, che per curiosità personale ha intrapreso un percorso di formazione in data science. “Oltre a sviluppare conoscenze in house, abbiamo anche instaurato una forte partnership con Mi- crosoft, con cui lavoriamo costantemente allo sviluppo della piattaforma cloud che impieghiamo per la raccolta dati e l’analisi - aggiunge quindi Bavestrelli -. Per quanto concerne però gli algoritmi di machine learning, siamo partiti con dei consulenti del vendor ma siamo finiti per crearceli da soli. Abbiamo infatti visto che per un proget- to di machine learning è necessario capire il tuo proces- so, il dominio, il dato. Insegnare a un esterno il proprio business significa dedicare molto tempo e risorse senza poi poter controllare il prodotto che genera. Sviluppare nostre competenze interne ci consente invece di sfrutta- re gli esperti di dominio per formare noi, che restiamo all’interno dell’azienda e, laddove ci consultiamo con gli esperti Microsoft, riportiamo all’interno quello che apprendiamo. Oggi stiamo pertanto sviluppando inter- namente tutti i nostri progetti di machine learning, con buoni risultati”. Bavestrelli nota infine come un’applica- zione di riconoscimento del target con reti neurali fosse teoricamente già concepibile 30 anni fa. A fare la diffe- renza oggi vi sono però almeno tre fattori abilitanti, in primis la quantità di dati raccolti in real time disponibili, quindi la potenza di calcolo e, soprattutto, la democra- tizzazione della tecnologia. “Oggi esistono strumenti fantastici a costo zero. Se un tempo l’unica possibilità di accedere a certi modelli era pagare salate licenze, oggi le librerie tensorflow di Google sono disponibili come software open source per l’apprendimento automati- co in modalità machine learning. Inoltre grazie all’open source tutti oggi costruiscono e aggiungono contributi alle librerie, e il mondo degli algoritmi e dei modelli per la valorizzazione dei dati sta crescendo a una velocità im- pressionante. Vi sono poi anche altre opportunità, come la possibilità di lanciare dei challenge per la risoluzione di un problema a partire da un certo data set posseduto in azienda. Offrendo un premio, ci sono persone in tutto il mondo che sono disposte a provare algoritmi magari anche più avanzati di quelli che potremmo sviluppare noi. Per ora stiamo lavorando bene noi stessi con i nostri dati, ma non escludo che un giorno potremmo sfruttare anche queste strade per vedere se c’è qualcuno in grado di portarci al di là di dove siamo noi adesso”. @marcocyn