Osservatorio AI, Miragliotta e l’intelligenza artificiale nel manifatturiero
15/07/2020
Miragliotta Osservatorio AI PoliMi

Oltre il 25% delle aziende oggi attive in progetti di Artificial Intelligence in Italia appartengono al settore manifatturiero, come rileva l’ultima survey annuale dell’Osservatorio Artificial Intelligence del Politecnico di Milano. Una quota molto alta, dovuta al fatto che comparti quali industria di processo e automotive sono da sempre molto attenti alla raccolta e gestione dei dati, così come al controllo e alla presa di decisioni in automatico. Fattore che, come sottolinea Giovanni Miragliotta, direttore dell’Osservatorio, ne fa oggi un terreno fertile per la crescita di progetti di AI.

“Parlando di AI, l’ambito che oggi in Italia vede le applicazioni più numerose tra le imprese è il dominio dell’intelligent data processing – spiega Miragliotta -, nella famiglia dei metodi di apprendimento. I progetti più importanti in questa fase storica riguardano in particolare tutto il tema dell’elaborazione dati mirata al miglioramento della qualità e al controllo di processo. Altro tema più complesso e per niente banale è quello degli analytics legati alla manutenzione predittiva, che per essere sfruttata al meglio richiede di lavorare su processi di contorno al tema della manifattura, come il forecasting della domanda o la pianificazione e programmazione della produzione”.

Interessante è quindi vedere alcuni casi concreti specifici studiati dall’Osservatorio, come quello della bresciana Gnutti Carlo, società attiva nel settore Automotive che sta lavorando a una applicazione di AI che, addestrata grazie all’interazione con l’operatore, sia in grado non solo di riconoscere se un pezzo ha una morfologia anomala, ma di valutare se questa sia di natura funzionale o solo estetica, per cui il pezzo possa comunque essere considerato ammissibile. Molte sono quindi le realtà che hanno già realizzato applicazioni concrete di AI, con un focus stabile su progetti di stream analytics per fare previsioni su quando un certo componente si potrà guastare. Altre applicazioni di data processing mirano invece a innovare l’interfaccia uomo-macchina, utilizzando il linguaggio naturale come strumento per interpellare un centro di lavoro e richiedere statistiche sulla produttività e sui volumi realizzati. Un altro caso interessante studiato fa infine uso di una videocamera in fase di smontaggio o montaggio di un prodotto, potendo riconoscere il prodotto stesso e quindi suggerire i componenti corretti della distinta base da incorporare.

Giovanni Miragliotta Osservatorio AI Polimi“In generale si tratta si applicazioni che sfruttano algoritmi che apprendono da soli, imparano e migliorano a mano a mano che lavorano a fianco dell’operatore – spiega Miragliotta -. Questa è una precisazione importante da fare, dal momento che oggi si parla moltissimo di AI, ma non sempre a proposito. Occorre fare a tale riguardo una distinzione. In primo luogo ci sono metodologie che rientrano sotto la famiglia della AI che hanno decenni di storia alle spalle, e vengono già applicate nell’ambito dell’industria con successo. Un esempio sono i sistemi di agenti autonomi, piccole entità software che si coordinano tra loro negoziando e facendo emergere in comportamento intelligente di sistema, senza essere esplicitamente governati. Anche la computer vision per applicazioni di analisi di qualità è storicamente diffusa, ma essa si basa su algoritmi molto diversi da quelli che rappresentano la frontiera attuale di algoritmi e metodologie, alcuni in fase di sviluppo, e che pertanto portano con sé un elevato livello di innovatività assieme ai rischi connaturati all’innovazione. Questo dal momento che non è affatto banale addestrate gli algoritmi per ottenere dei risultati che siano consistentemente buoni”.

A differenziare le applicazioni di AI in senso proprio è quindi il fatto di impiegare metodi non di tipo solamente deduttivo-ottimizzante, ma algoritmi dotati di capacità di apprendimento, abilitata da metodi di machine learning, ad esempio metodi bayesiani e reti neurali, che per funzionare si nutrono di grandi quantità di dati. Caratteristica discriminante di questa seconda famiglia di applicazioni è il fatto che mostrano capacità decisionali di natura induttiva, che crescono nell’interazione con l’esperienza del fenomeno, che sia l’interazione con l’uomo o una misura fornita. Esiste poi una famiglia di progetti di AI, di cui si legge e che l’Osservatorio va a studiare sul campo, che sono ancora nelle prime fasi dello stato di sviluppo, e che richiedono ancora molto lavoro perché possano trasformarsi in qualcosa di concreto, ma che per l’enfasi posta alla fase comunicativa potrebbero fuorviare un lettore inesperto a credere che taluni risultati siano facilmente raggiungibili, da qualsiasi impresa e da qualsiasi stato di partenza. Ma qual è allora questo lavoro che le aziende devono fare per sviluppare progetti AI, passando dall’idea all’applicazione concreta?

AI settore manifatturieroCinque aree di lavoro“Abbiamo individuato cinque aree di intervento che vanno approcciate in modo equamente bilanciato – illustra Miragliotta -. La prima è quella del patrimonio informativo, dunque i dati, che deve essere ampio e completo, sufficientemente profondo dal punto di vista temporale e persistente in senso longitudinale, e soprattutto di qualità. Requisito base, in quanto i metodi di apprendimento si nutrono di dati, e senza di questi è inutile iniziare progetti di AI. La seconda dimensione concerne i metodi e gli algoritmi di AI, la cui conoscenza per la corretta modellazione è essenziale; oltre alle conoscenze scientifiche, è necessaria anche una conoscenza pratica degli strumenti, in quanto ad esempio l’utilizzo dei servizi cognitivi in cloud di un certo operatore, che si appoggia ad algoritmi di una certa famiglia, può condizionare le prestazioni. La scelta delle metodologie corrette si collega anche alla disponibilità di risorse, sia perché l’accesso alle librerie può essere oneroso sia perché il corretto sviluppo di un algoritmo può richiedere un cluster di calcolo dedicato, se comporta calcoli particolarmente complessi. La terza area, dunque, riguarda le competenze necessarie a gestire i progetti AI, che come abbiamo visto vanno dalle conoscenze tecnico-scientifiche al business, che devono lavorare insieme; questo richiede la nuove competenze di governance dell’innovazione, di gestione di progetti multi-disciplinari, che non tutte le imprese hanno già adeguatamente sviluppate”.

“La quarta area riguarda la cultura aziendale – prosegue quindi Miragliotta -: tradizionalmente le organizzazioni hanno sempre dato molta enfasi al talento individuale. Nel caso della AI, il ruolo dell’uomo visto in tendenza cambia, in quanto il suo compito è quello di addestrare la macchina a fare sempre meglio, al limite meglio dell’uomo stesso. Questo richiede un cambio culturale enorme da accettare, e per esperienza vediamo che molti progetti di AI falliscono proprio qui. La quinta dimensione riguarda infine la relazione con i clienti, per cui le organizzazioni devono essere anche in grado di far capire che in azienda alcuni processi e decisioni avvengono in automatico, e che l’investimento messo in campo contribuisce a dare un servizio ulteriore, ma che richiede un percorso che va fatto insieme. Si pensi a un software che offre assistenza tecnica, disponibile 24/h, che effettua una valutazione e propone di sostituire un componente. E’ chiaro che anche tale software può commettere errori, dovrà apprendere ed essere affinato, ma va correttamente comunicato al cliente l’incremento del livello di servizio che l’impresa sta cercando di offrire”.

AI-intelligenza-artificiale-Osservatorio-AIAppare quindi chiaro che un progetto di AI non è un tradizionale progetto di cambiamento IT, che ha un inizio, una fine e richiede poi solo della manutenzione. Un progetto di AI, in special modo per le metodologie di apprendimento che vengono nutrite da nuovi dati che arrivano continuamente dal campo, è qualcosa di sempre aperto e in potenziale continuo miglioramento, che richiede una attenzione continua all’interpretazione delle prestazioni dell’agente intelligente.

“Pensiamo a un sistema Adas, che nel 95% dei casi frena il veicolo in caso di pericolo, e che nel restante 5% si limita a segnalare qualcosa di anomalo. Sarà allora opportuno che il guidatore continui a tenere una mano sul volante, ma ciò non toglie i benefici dati dal sistema – spiega in conclusione Miragliotta -. Quelli di AI sono progetti molto articolati, dove un malfunzionamento del sistema non è un caso da trascurare ma da approfondire, incorporando nel sistema dei loop di controllo che avvertano quando qualcosa è significativamente alterato rispetto alle condizioni apprese all’origine. Il futuro sviluppo della AI non dipende dalla tecnologia, quanto da tutto il coacervo di cambiamenti che ci aspettiamo nelle cinque aree su cui le aziende devono lavorare al loro interno. Una applicazione di AI interessante non è quella che utilizza l’algoritmo più strabiliante del mondo in un contesto in cui i dati sono sbagliati e gli operatori vedono la macchina come una minaccia. E’ quella che utilizza un algoritmo solido, accessibile, provato, in un contesto in cui il patrimonio informativo è estremamente ben curato e gli operatori vedono che, quanto meglio la macchina fa il loro lavoro, tanto più il loro posto è assicurato perché l’azienda è competitiva”.

 

Servitizzazione, ecosostenibilità e Industrial Smart Working: sono le tre linee sulle quali muove l’evoluzione da Industria 4.0 a 5.0