IOT

UNA ROADMAP VERSO LA FABBRICA PREDITTIVA

16 Febbraio 2022 by

UNA ROADMAP VERSO LA FABBRICA PREDITTIVA

Abbiamo fino qui lungamente discusso di Fabbrica Predittiva, un ambiente dove io possa valorizzare i dati già raccolti per predire cosa avverrà nel prossimo futuro e così facendo preparare le mie risorse umane, tecniche e materiali al meglio. I vantaggi sono indubbi: produttività, sostenibilità, capacità di intercettare malfunzionamenti, supporto alle decisioni sono solo alcuni degli elementi che abbiamo raccolto dalle esperienze di chi è già partito in questo viaggio. In questo articolo spiegheremo qual è la roadmap per arrivare alla fabbrica predittiva.

La consapevolezza che un numero sempre crescente di aziende nel nostro Paese sia già all’opera per divenire fabbrica predittiva ci dà conforto e stimolo. Ma cosa possiamo fare noi e da dove cominciare per far evolvere la nostra produzione, manutenzione, energia, qualità e logistica verso un futuro oramai prossimo?

Sono due i cantieri da avviare fin da subito.

L’assessment

Il primo passo è quello di verificare lo stato attuale del mio sito produttivo con un assessment mirato, che definiamo Assessment della fabbrica predittiva.

Se state pensando ad indagini lunghe o estese non è questo il caso: sulla base della nostra esperienza un massimo di 3-5 giorni per sito produttivo sono quanto basta per un quadro sufficientemente accurato della situazione. In questa prima fase analisi più estese rischiano di drenare risorse senza aumentare sensibilmente il risultato.

Se invece avete già definito l’area sulla quale vorreste intervenire, è decisamente meglio partire con un assessment verticale. In MIPU ne abbiamo sviluppati tre tipi:

1. Reliability Assessment: il focus è sulla gestione ed ingegneria di manutenzione. Le categorie analizzate sono 12 e comprendono aspetti gestionali, tecnici, formativi oltre che di predisposizione all’adozione di nuove tecnologie.
2. Energy Assessment: il focus in questo caso è sulla gestione dei costi e dei consumi energetici, oltre che sull’utilizzo dell’energia quale predittore di altri fenomeni (di qualità, di manutenzione, di fruizione degli spazi, ecc).
3. IOT & AI Assessment: indagine di natura più trasversale rispetto alle precedenti; in particolare in questo assessment si verificano quali sono i dati raccolti dal campo, la modalità di raccolta, la loro fruibilità per lo sviluppo di intelligenze artificiali (bontà, granularità e profondità) oltre che tematiche relative alla sicurezza e alla governance dei dati stessi.

I tool per l’assessment

Ogni assessment si compone di una serie di tool utili per lo sviluppo successivo del percorso:

1. Uno spidergraph dove valutare la posizione della propria azienda in una scala assoluta. Per alcuni settori target sono disponibili delle banche dati internazionali dove è possibile valutare oltre al punteggio assoluto anche il mio posizionamento rispetto al best-in-class del mio settore. Del resto, la gestione di un fermo nel settore acciaio ha implicazioni profondamente diverse da quelle del settore manifatturiero discreto; il peso della valutazione in quella specifica categoria sarà dunque diverso.
2. Un’analisi SWOT completa di un’analisi di costo-beneficio per le principali opportunità identificate.
3. Una roadmap a 12 e a 36 mesi, con livello di dettaglio variabile, riportante i passi da seguire e le risorse da mettere in campo per raggiungere determinati obiettivi evidenziati dall’assessment.

Risulta a questo punto evidente che gli assessment di cui sopra lavorano su quella che definiremmo innovazione incrementale, ovvero una serie di passi molto specifici e concreti che accompagnano verso la fabbrica predittiva valorizzando l’esistente.

L’esperienza insegna tuttavia che il nostro quadro industriale è così frammentato e l’innovazione tecnologica così veloce, che ciò che sembra impossibile per alcuni è cosa vecchia per altri. E non è questione di dimensione o di settore. Alle volte dunque non è necessario o è addirittura sconveniente procedere solo per innovazioni incrementali.

Predictive Solution Canvas

Per questo motivo il consiglio è di attivare, unitamente all’assessment, un secondo cantiere di lavoro abilitato da uno strumento che in MIPU abbiamo sviluppato ad hoc e chiamato Predictive Solution Canvas. Esso coinvolge gli stessi partecipanti agli assessment, ma avendo cura questa volta di includere anche i loro clienti interni o esterni. L’aspetto profondamente diverso è che in questo caso i partecipanti vengono coinvolti tutti insieme in un workshop strutturato della durata di circa 6 ore e spinti a generare idee in quantità, senza focalizzarsi – almeno in un primo momento – sulla fattibilità tecnica ed economica delle stesse.

Un po’ di storia: nel 2008, Alexander Osterwalder ha sviluppato il Business Model Canvas , che da allora ha riscosso un enorme successo nella spiegazione dei modelli di business in tutto il mondo. Quello che prima richiedeva un business plan di 30 pagine per dettagliare un’idea imprenditoriale, ora potrebbe essere catturato su una pagina.

Derivando da quella prima proposta, e sulla base di oltre 10 anni di esperienza nel tema della fabbrica predittiva, abbiamo creato uno strumento che non solo ha il merito di raccogliere esigenze ed opportunità che i CEO potranno mettere nelle loro roadmap a medio e lungo periodo, ma anche di evidenziare quick wins a cui non avevano pensato perché troppo concentrati sullo stato di fatto o sull’operatività quotidiana.

L’aspetto interessante è che, proprio per effetto della frammentazione di cui parlavamo precedentemente, gran parte delle idee che abbiamo visto nascere in questo tipo di workshop non erano solo già realizzabili, ma anche decisamente più economiche di quanto immaginato dai partecipanti.

Le aree del Predictive Solution Canvas

Ma vediamo in dettaglio cos’è il Predictive Solution Canvas. Esso si compone di 3 aree principali:

– Generare valore
– Verificare l’impatto
– Calcolare il beneficio

Generare valore

La prima parte del Predictive Solution Canvas si concentra sulla creazione di valore e si divide in 3 blocchi:

1. Per chi: ogni soluzione della fabbrica predittiva viene sviluppata per uno specifico target e per quello va adattata. Nel descrivere il vostro target, cercate di essere più specifici possibile. Quando intenti a costruire un troubleshooting di manutenzione, un sistema che supportasse i manutentori indicando la soluzione più adeguata per uno specifico malfunzionamento, abbiamo voluto integrare la nostra esperienza e le informazioni dei manuali della macchina con l’esperienza dei manutentori stessi. Ebbene, nonostante la richiesta di consuntivare ogni operazione di ripristino non avvenuta fosse chiara, il feedback dal campo non arrivava. Ci siamo resi conto che non eravamo stati sufficientemente specifici nel modellizzare il nostro target: i manutentori lavorano in campo e non hanno un PC nelle immediate vicinanze. Inoltre essi indossano guanti da lavoro per cui anche la digitazione su tablet è difficoltosa. E’ stato sufficiente abilitare la digitazione vocale nel sistema di raccolta delle informazioni per aumentare drasticamente la partecipazione.
2. Attività del target: quali azioni svolge quotidianamente? Quali problemi incontra? Quali esigenze cerca di soddisfare?
3. Perché?: questo è il blocco chiave della creazione del valore. In questa fase vogliamo spingere i partecipanti a generare quante più idee possibili senza fare caso alla fattibilità delle stesse. Per ognuna della attività mappate precedentemente, è utile chiedersi: quali sono tutti gli errori che il mio utente target può commettere? Come potrebbe eseguire quella stessa attività 30 volte meglio o 30 volte più velocemente?

Un esempio

Una modalità decisamente più dirompente è chiedersi: quale soluzione o prodotto – se esistesse – farebbe scomparire la mia azienda in 5 anni? In altre parole, se fossi il signor Hilton, chi sarebbe il mio AirBnB?

Le risposte alle domande precedenti dovrebbero fornire la base per la generazione di molteplici idee nelle quali digitalizzazione, tecniche predittive ed intelligenza artificiale fanno da padrone.

Nel caso di UniCredit, circa 25 colleghi della funzione Real Estate hanno generato oltre 150 idee in 20 minuti; le stesse sono state clusterizzate in 5 macro categorie dalle quali sono nati 3 diversi concept. Rileggi il caso QUI.

Verificare l’impatto

La seconda parte del Predictive Solution Canvas si chiama Verificare l’impatto e si compone di due blocchi distinti: il blocco dell’AS-IS e il blocco della Fattibilità.

Il blocco dell’AS-IS

Il blocco dell’AS-IS valuta la situazione di fatto. Se ad esempio voglio ridurre i fermi macchina su una confezionatrice, nel blocco dell’AS-IS andrò a mappare quali sono gli indicatori attuali di tempo medio tra due manutenzioni consecutive (MTBM), di occorrenza e ricorrenza dei guasti, e così via.

Non sempre lo stato di fatto presenta lacune evidenti. Nel Canvas dunque non può mancare la seguente domanda: se altri lo fanno ed io no, quali saranno i costi?

Il blocco della fattibilità

Il secondo blocco nella sezione dell’impatto riguarda la fattibilità. Esso è diviso in due parti: da un lato il costo di costruzione e mantenimento della soluzione; dall’altro il costo dei dati.

Spesso la discussione che nasce a questo punto è relativa al fatto che – soprattutto parlando di intelligenza artificiale – il costo di gestione della soluzione può superare anche di un ordine di grandezza quello della sua creazione.

In questa sezione vogliamo veicolare la necessità di fare un uso consapevole dei dati: se tanti dati non risultano automaticamente in una buona intelligenza, essi di certo aumentano i costi economici ed ambientali della mia soluzione. E aggiungo ambientali perché, se il machine learning sembra una tecnologia sostenibile, esiste un’ampia letteratura che dimostra il contrario.

Calcolare il beneficio

La terza sezione del Predictive Solution Canvas prende il nome di Calcolare il Beneficio.

In questa fase le idee vengono collocate nella matrice fattibilità/impatto come rappresentato in figura.

Per le categorie no-brainers, big bets e utilities viene richiesto ai proponenti di formulare una proposta con il metodo delle user stories, così come riportato in figura.

Tale metodo, già diffuso in ambito IT, ha il merito particolare di allineare tutti i partecipanti sulle proposte emerse. Queste ultime vengono esposte in modo semplice e concreto, seppur rigoroso. La variante particolare del Predictive Solution Canvas è che in questa fase i partecipanti arrivano a calcolare il beneficio di quanto proposto, che prende la formula di:

Beneficio = Valore * Fattibilità * Impatto

Così, in un workshop di 6 ore, le basi per la fabbrica predittiva sono delineate.

E adesso?

Sembrerà incredibile, ma avendo partecipato ad oltre 100 progetti di fabbrica predittiva, possiamo con certezza affermare che a questo punto siamo oltre metà dell’opera. Definire una roadmap condivisa ed ingaggiare tutti gli stakeholders su tempi, modi ed effort sono gli elementi che negli anni hanno determinato il successo – o il fallimento – dell’intero percorso.

E’ chiaro che le fasi di esecuzione successive varino in maniera sostanziale a seconda degli obiettivi fissati e del punto di partenza. Vi sono tuttavia alcuni aspetti comuni che vale la pena sottolineare.

Team di lavoro

Il primo è la necessità di competenza di dominio: il viaggio al centro della fabbrica richiede personale che conosca in profondità le specifiche macchine ed impianti. Stabilire i meccanismi di malfunzionamento – e dunque le tecniche predittive da mettere in campo – per una macchina confezionatrice è profondamente diverso da quanto potrei ideare per un forno o per un robot tagliaerba (sono tutti esempi reali!). Se includo un fornitore esterno nel progetto, è fondamentale che anch’egli presenti questo tipo di conoscenza.

Il team di lavoro dunque avrà competenze sia in ambito di gestione e governance del dato, che in ambito tecnico specifico. E’ inoltre necessario prevedere una figura che possa valutare gli impatti organizzativi della soluzione scelta e supportare il management nel gestire il cambiamento con azioni mirate, coinvolgendo l’altro asset fondamentale per il successo del progetto, ovvero le persone.

Le persone

Se le tecnologie sono il fattore abilitante della trasformazione, sono le persone a determinare il successo del progetto nel tempo. Per questo, il secondo aspetto chiave è definire un piano di adozione e change management specifico per la realtà. Questi interventi dipendono direttamente dall’impatto complessivo del cambiamento identificato. In alcuni casi basta prevedere delle semplici sessioni di formazione e delle iniziative di comunicazione interna volte a celebrare i risultati raggiunti.

Nei casi più complessi è necessario integrare azioni di gestione delle resistenze, change assessment e coaching. Le persone, e i processi da loro gestiti, sono la chiave per la vera trasformazione: solo con il loro contributo attivo sarà possibile capitalizzare l’investimento e goderne nel lungo termine.

Progettare per il medio e lungo termine

Il terzo ed ultimo aspetto che sottolineiamo riguarda la gestione delle soluzioni nel loro ciclo di vita.

Costruire un’intelligenza è un primo passo; industrializzarla e monitorare le sue prestazioni nel tempo, intervenendo quando necessario, sono elementi che determinano – o meno – il successo dell’iniziativa e che pesano nel ritorno economico in modo sostanziale.

E’ bene qui ricordare che le soluzioni che hanno come base l’impiego dell’intelligenza artificiale presentano un decadimento delle performance all’atto della loro esecuzione decisamente importante. Inoltre le segnalazioni che arrivano dai modelli possono indicare sicuramente un cambio di comportamento su cui indagare. Esse sono anche foriere in egual misura di errori nei misuratori come offset, fondo scala, valori mancanti.

Questi aspetti vanno preventivati e gestiti per tempo, onde evitare che i vari stakeholders perdano fiducia nella soluzione e dunque i progressi fatti vanifichino. Dovremmo prevedere sia opportuni accorgimenti in fase di creazione delle intelligenze, sia azioni snelle ma continue per garantire le prestazioni della soluzione nel tempo.

Conclusione

Fino a ieri la valutazione di un’azienda si basava su persone, idee, asset fisici e finanziari. Oggi a questi asset tradizionali si sommano le intelligenze artificiali e le ulteriori opportunità che esse abilitano. Il modo in cui sapremo non solo crearle, ma soprattutto gestirle nel tempo, determinerà il valore univoco della nostra azienda. Una fabbrica più produttiva, sostenibile ed inclusiva è possibile: siamo nella Fabbrica Predittiva.

Se questo articolo ti ha colpito e vuoi approfondire l’argomento, visita il sito Fabbrica Predittiva.com.

Altrimenti, contattaci per iniziare insieme la tua roadmap per la Fabbrica Predittiva!

LA PREDITTIVITÀ COME FATTORE ABILITANTE DELLA SOSTENIBILITÀ

29 Novembre 2021 by

LA PREDITTIVITÀ COME FATTORE ABILITANTE DELLA SOSTENIBILITÀ

Molti si chiedono se sia possibile essere sostenibili e profittevoli allo stesso tempo. La risposta è sì. Le diverse applicazioni dell’AI, infatti, oltre a rendere la fabbrica più efficiente e sostenibile, generano anche un importante vantaggio economico. Mipu ha compreso questo aspetto ed ha puntato sulla predittività abilitata dall’AI come driver della sostenibilità come fattore abilitante della sostenibilità. In questo contesto, il nostro contributo è quello di portare il potere della predittività nelle fabbriche e nelle città.

Nella nostra visione, la sostenibilità è parte integrante della strategia dell’azienda, partendo dalla valorizzazione dell’esistente. Nella fabbrica predittiva, infatti, le prestazioni dei beni già presenti in azienda vengono massimizzate grazie alla raccolta e analisi dei dati che possono essere estrapolati. La loro vita utile viene estesa e la loro prestazione energetica ottimizzata, grazie alla possibilità di intercettare anomalie incipienti e dunque evitare fermi e guasti imprevisti, assolutamente deleteri.

LA FABBRICA PREDITTIVA: SOSTENIBILE E PROFITTEVOLE

Perché puntare sulla fabbrica predittiva? Perché una fabbrica predittiva è una fabbrica sostenibile prima di tutto dal punto di vista economico. Una fabbrica in cui si risparmia il 15% dei costi di energia e di manutenzione grazie all’analisi delle performance energetiche e alla digitalizzazione delle attività di manutenzione. Una fabbrica in cui si verifica una riduzione dell’80% dei guasti grazie alla previsione della reale vita utile dei macchinari e dei componenti ed una riduzione dei fermi macchina non previsti del 30%.

Sicuramente la fabbrica predittiva è una fabbrica amica dell’ambiente, perché in grado di ridurre gli sprechi energetici ed efficientare l’utilizzo delle materie prime concorrendo alla riduzione delle emissioni di CO2.

Le dimensioni economica ed ambientale, non sono le uniche che beneficiano della predittività: anche quella sociale è in grado di trarre grandi vantaggi. Il lavoratore di una fabbrica predittiva è integrato nei processi, supportato nelle sue attività e coinvolto nel processo di crescita dell’impresa. L’operatore predittivo alimenta l’intelligenza artificiale con quello che viene visto in campo, fornisce input aggiuntivi che solo l’uomo può dare e partecipa ad un processo di cui è componente fondamentale.

RENDERE UNA FABBRICA PREDITTIVA E SOSTENIBILE

Come MIPU rende le fabbriche predittive e sostenibili? Il percorso verso una fabbrica predittiva e sostenibile è caratterizzato da due elementi fondamentali: la roadmap e la tecnologia.

La nostra roadmap verso la fabbrica predittiva ha l’obiettivo di accompagnare le imprese nel loro percorso, dallo studio della situazione as-is all’implementazione della soluzione. Il primo passo è l’individuazione delle dimensioni su cui intervenire prioritariamente sulla base di uno studio dei costi e delle aree ad alto potenziale di miglioramento. Questa prima fase è poi seguita da un processo fondamentale di sensibilizzazione interna al cambiamento basato sulle dimensioni umane, economiche e ambientali.

Questi primi passi della roadmap sono funzionali all’introduzione del secondo elemento del percorso, ovvero la tecnologia. Mipu rende le fabbriche predittive grazie a Rebecca, una piattaforma software modulare. Ogni modulo di Rebecca, con le sue funzionalità specifiche, concorre alla creazione di una fabbrica sostenibile acquisendo ed organizzando i dati, gestendo la manutenzione, ottimizzando la performance energetica e rendendo l’AI facile da utilizzare. In questo modo aiutiamo a valorizzare le competenze di dominio già possedute dall’azienda e a portarle nell’Intelligenza artificiale. L’intelligenza artificiale diventa quindi uno strumento per efficientare i propri processi, rendere le produzioni sostenibili e raggiungere i propri obiettivi specifici.

PREDITTIVITÀ ED INTELLIGENZA ARTIFICIALE PER IL RAGGIUNGIMENTO DEGLI SDGs

Alla luce di quanto trattato fino ad ora, si può affermare come la predittività abilitata dall’utilizzo dell’intelligenza artificiale giochi un ruolo importante al raggiungimento degli obiettivi di sostenibilità.

Anche uno studio di Nature Communication dimostra come l’intelligenza artificiale sarebbe un abilitatore di 134 degli SDGs (circa il 79%). Per ognuna delle categorie in cui sono suddivisi gli SDGs, Economici, Sociali e Ambientali, si possono infatti individuare dei benefici derivanti dall’applicazione dell’AI.

L’AI contribuirebbe a creare città più sostenibili, a rendere l’energia pulita ed accessibile e a creare sistemi a basse emissioni supportando la creazione di un’economia circolare e di smart cities che usano efficientemente le loro risorse. Come già spiegato precedentemente, l’AI contribuirebbe anche all’aumento della produttività e alla riduzione degli sprechi – e quindi dei costi – energetici (come spieghiamo anche in questo articolo).

Se vuoi approfondire il tema della sostenibilità, guarda il video del nostro webinar “Come raggiungere gli SDGs? Strumenti predittivi e loro applicazione in tre progetti concreti”. Oppure contattaci per fissare un appuntamento ed iniziare insieme il tuo percorso verso la sostenibilità.

VALORIZZARE I DATI GIÀ RACCOLTI PER GENERARE MAGGIOR PROFITTO: IL CASO DI UNA CENTRALE DI COGENERAZIONE

21 Settembre 2021 by

VALORIZZARE I DATI GIÀ RACCOLTI PER GENERARE MAGGIOR PROFITTO: IL CASO DI UNA CENTRALE DI COGENERAZIONE

La sfida più grande che le infrastrutture cogenerative devono affrontare è l’ottimizzazione del processo di produzione combinata di energia elettrica e termica; cioè massimizzare la produzione di energia elettrica quando l’utenza termica diminuisce o viceversa, in modo da poter vendere elettricità e calore (caldo o freddo) al prezzo più vantaggioso, mantenendo alto il rendimento dell’impianto.

In questo caso studio sarà mostrato come è possibile ottimizzare la gestione di un impianto cogenerativo con il triplice scopo di:

1. garantire agli utilizzatori l’energia necessaria, quando necessaria ed al miglior costo possibile;
2. intercettare sul nascere malfunzionamenti e sprechi, ottimizzando la gestione degli asset;
3. vendere l’energia in surplus al miglior prezzo, ovvero evitare di produrre eccessi quando il prezzo di vendita non è interessante o quando non coerente con i vincoli normativi.

CONTESTO AZIENDALE

Il cliente è una società italiana che gestisce impianti di cogenerazione e cede al mercato le eccedenze rispetto ai fabbisogni degli utilizzatori. Nell’esempio che segue ci riferiamo ad un impianto di 66 MW a servizio di una serie di edifici commerciali. Nonostante fosse già presente un sistema DCS in grado di acquisire una vasta gamma di misurazioni dal campo, il gestore dell’impianto voleva capire con precisione se stesse producendo energia con la migliore efficienza. In particolare, il costo dell’energia è critico quando il prezzo di cessione alla rete diminuisce.

SOLUZIONE

Con la piattaforma Rebecca di MIPU i dati di impianto vengono raccolti sia dal sistema DCS che direttamente da sensori di terze parti.

L’obiettivo è partire dal patrimonio informativo esistente per simulare, attraverso una serie di intelligenze in cascata, il comportamento atteso dell’impianto al variare delle richieste, delle condizioni operative e dello stato di salute dei macchinari.

In particolare la strategia algoritmica elaborata consente di:

– predire la richiesta di energia da ogni edificio, in funzione di parametri quali il numero di persone presenti, la temperatura interna ed esterna, l’irraggiamento;
– controllare costantemente il rendimento del sistema e degli asset, identificando malfunzionamenti e sprechi sulla base di modelli di manutenzione predittiva sia sul sistema primario che secondario;
– supportare l’operatore nel decidere quale è l’assetto ottimale di conduzione dell’impianto in funzione della richiesta da parte dell’edificio e del prezzo previsto di vendita dell’energia alla rete.

Ad esempio, è possibile selezionare l’assetto di sistema più conveniente dal punto di vista economico. In particolare, l’operatore può scegliere se massimizzare la produzione di energia elettrica o termica sulla base del prezzo dell’elettricità sul mercato e della richiesta di calore dell’utenza.

La simulazione considera ogni parametro in grado di influenzare il sistema. I risultati vengono confrontati in termini di costi, ricavi e profitti. Durante la simulazione vengono anche considerati vincoli fisici e operativi, come il numero massimo di avvii e arresti per l’apparecchiatura o il minimo set-up consentito. Vincoli quali i certificati bianchi possono essere aggiunti per rendere la simulazione il più precisa possibile. La funzionalità di gestione remota consente di controllare la piattaforma anche a distanza, dopo un accesso di convalida sicuro.

RISULTATI OTTENUTI

Il modello di collaborazione sviluppato prevede una fee di set-up ed uno split tra MIPU e il cliente del maggior beneficio derivante dall’utilizzo del sistema. Nel primo anno dalla messa in funzione la soluzione implementata ha generato un maggior beneficio di 1,2 milioni di euro, pari ad un aumento del 46% rispetto alla gestione precedente.

Il risultato è dovuto principalmente all’ottimizzazione giornaliera del piano di produzione. Ora infatti il sistema può combinare le competenze degli operatori con un sistema di simulazione che calcola i profitti di ogni possibile scenario.

Il monitoraggio e la diagnostica in tempo reale hanno contribuito ad intercettare anomalie nell’impianto e a valutare ex-ante i benefici conseguenti alle sostituzioni di componenti. Ad esempio, è stato possibile intercettare una perdita di uno dei generatori di vapore, anticipando l’intervento di manutenzione alla prima fermata utile ed evitando uno spreco di risorse stimato in 10.000 €/mese.

La nostra piattaforma Rebecca è in grado di rispondere a queste ed altre esigenze con i suoi moduli. Se vuoi saperne di più clicca qui oppure contattaci.

CYBERSECURITY E IOT DUE MONDI INCOMPATIBILI?

21 Settembre 2021 by

CYBERSECURITY E IOT: DUE MONDI INCOMPATIBILI?

La sicurezza delle informazioni deve permeare qualsiasi elemento, bene o dato aziendale nella sua essenza. L’idea, ancora oggi troppo diffusa, che qualsiasi problema di sicurezza possa essere risolto con un apposito prodotto hardware o software è terribilmente sbagliata. L’approccio iniziale verso la sicurezza deve sempre consistere nell’adeguare i processi. Solo in un secondo tempo nell’affiancare i necessari prodotti per supportare i processi opportunamente disegnati per la sicurezza. Con l’incremento del numero di dispositivi “connessi”, ci si chiede se Cybersecurity ed IoT siano due mondi incompatibili tra di loro. Parlare di concetti legati alla sicurezza nel mondo IOT, infatti, richiama sensazioni e presupposti che conducono direttamente a sfatare alcuni capisaldi dell’informatica di vecchia concezione.

Il progressivo cambiamento introdotto dalla digitalizzazione diffusa, dall’inserimento di dispositivi IOT, dai Big Data e dai sistemi di controllo della produzione integrati nei sistemi di gestione, hanno portato a convergere due mondi che stavano separati non solo fisicamente ma anche culturalmente: IT e OT. In azienda e in fabbrica le due cose sono sempre state rigidamente separate. Due mondi cresciuti con velocità diverse, che non trovavano alcuna necessità di comunicare e quando lo facevano era spesso attraverso “intermediari” che ne impedivano la reciproca contaminazione. In questo modo si è andata affermando la falsa credenza che i sistemi di “Fabbrica” con i loro protocolli chiusi e molto spesso proprietari fossero immuni da problematiche viceversa molto presenti nei reparti IT cioè la sicurezza dei dati e delle informazioni.

CHE COSA SIGNIFICA SICUREZZA DEI DATI?

Per fare chiarezza riassumiamo i concetti che stanno alla base della definizione: ”sicurezza dei dati”, perché molto spesso vi è una certa confusione.

– Disponibilità dei dati – i sistemi digitali devono essere sempre disponibili, più grande sarà la diffusione, più necessari saranno per la vita di ciascuno e più sarà rilevante la loro disponibilità.
– Integrità dei dati – dati integri garantiranno la precisione e l’esattezza delle informazioni. Dati corrotti segneranno irrimediabilmente le decisioni o le elaborazioni successive introducendo variabili di errore impensabili.
– Dati Affidabili – le fonti dei dati dovranno essere affidabili, ben governate, ben gestite e costantemente verificate (no fake).
– Dati Riservati – i dati potranno essere acceduti solo da chi ne ha autorizzazione e necessità sia esso uomo o altra macchina o sistema, dovranno essere essenziali e non essere in eccedenza, gli accessi ai dati dovranno essere verificati, gestiti, controllati.

L’insieme di questi elementi, che troppo spesso vengono visti nella loro singola entità dimenticando viceversa che vanno visti come insieme imprescindibile, costituiscono il fondamento di un sistema sicuro e affidabile dove le informazioni sono verificate, gli accessi governati, gli account protetti e le informazioni rese in continuità senza interruzioni o default.

CYBERSECURITY E PERSONE

Quando si parla di sicurezza delle informazioni un aspetto importante riguarda le persone. Cosa c’entrano le persone in un ambito dove sono sistemi autonomi e automatici a dare informazioni? Uno dei presupposti dell’IOT è quello di essere indipendente dalle persone. Sensori, BUS di campo, strumenti di misura, macchine elettromedicali, sistemi automatici di controllo di prossimità, di frequenza, di velocità, accelerometri, saturimetri, …non prevedono interazione con gli umani per fornire dati. Nulla di più presuntuoso ed errato: il fattore umano è determinante nella stragrande maggioranza degli incidenti di sicurezza informatica su qualsiasi tipo di sistemi.

Password di accesso banali e mai modificate, configurazioni ridondanti, accessi da remoto con strumenti non certificati, reti fisiche non gestite, nodi di interconnessione sulle macchine senza possibilità di segmentazione o verifica di chi sia connesso, accessi consentiti ai fornitori delle macchine in promiscuità con la rete aziendale, firmware non aggiornati, sistemi di monitoraggio mal configurati…potrei continuare per molto spazio senza ripetermi.

Gli scenari di rischio sono molteplici e vanno tutti affrontati e verificati con una serie di aggravanti che vanno evidenziate. Il sensore IOT per sua natura tende ad essere semplice, con poca necessità di essere manutenuto. A seconda di dove viene installato e collegato “il contesto” diviene un elemento essenziale di altissimo rischio ai fini della sicurezza dei dati ma ahimè anche delle persone.

Pensiamo a tutti i sensori di segnalazione impiegati sulle reti di trasporto pubblico, alta velocità compresa, ai sistemi di controllo delle centrali, dei bacini idroelettrici, ai sistemi di guida autonoma, alle apparecchiature elettromedicali. Spesso il principio di ciò che viene collegato è il medesimo, in fondo si tratta di strumenti di misura, quindi dati elementari, pochi Kbit informazioni basilari che poi andranno in input a sistemi complessi che li dovranno analizzare e utilizzare per assumere delle decisioni, attivare attuatori o semplicemente alimentare una dashboard o fornire informazioni sul corretto funzionamento di dispositivi mobili. Facile intuire che se questi dati venissero corrotti o manipolati tutto ciò che ne risulterebbe a valle sarebbe corrotto e manipolato.

Un chiaro esempio di questa osservazione è rappresentato da incidenti che sono entrati prepotentemente nel novero dei nostri pensieri. Il 6 febbraio 2020 il treno Frecciarossa 1000 AV9565 da Milano a Napoli deragliava nei pressi di Livraga (Lodi) per uno scambio con il cablaggio interno montato al contrario per cui il dato: “Chiuso” risultava viceversa “Aperto”. Per effetto di questo errore il treno a 300km orari deragliava causando la morte di due persone (i macchinisti) e il ferimento di 31 persone, per fortuna molto poche rispetto la capacità di trasporto del convoglio. In questo caso il sistema di controllo dell’Alta velocità, avendo ricevuto un dato di “Scambio Chiuso”, aveva dato ok al treno di procedere alla massima velocità. Ma lo scambio era aperto. Questo è uno dei tanti casi di dato in input errato con conseguente dato in output errato.

I RISCHI DELL’IOT

Prendiamo in esame altri aspetti specifici per valutare i rischi introdotti nel contesto IOT:

– Superficie di attacco: la crescita esponenziale del numero di dispositivi connessi direttamente alla rete Internet corrisponde a una paritetica crescita della cosiddetta “superficie di attacco”, ovvero della base di nodi di rete che possono essere oggetto di attacchi cyber. La maggioranza degli attacchi, infatti, non è diretta verso uno specifico nodo, ma tenta di colpire quanti più nodi vulnerabili si riescano a raggiungere tra tutti quelli connessi alla rete.
– Obsolescenza hardware/software: i dispositivi embedded o cablati nei più svariati ambienti dall’asfalto stradale alle dighe in montagna, dal cemento degli edifici alle linee ferroviarie, sono dotati di risorse limitate e sono aggiornati meno frequentemente rispetto ai dispositivi normali. Ciò è dovuto a fattori molteplici: trattandosi di dispositivi molto numerosi e a bassissimo costo, il loro aggiornamento costituisce un’operazione spesso troppo onerosa e complessa per poter essere eseguita frequentemente. Inoltre, qualora tali dispositivi siano soggetti a certificazione, l’aggiornamento del software certificato ne richiede una nuova e ciò costituisce un motivo per cui spesso se ne ritarda l’aggiornamento.

COSA FARE UNA VOLTA CAPITA L’ENTITÀ DEL RISCHIO ASSOCIATO ALL’IOT?

Il NIST (National Institute of Standards and Technology – USA) indica le 4 principali domande che ci si deve porre per poter individuare correttamente l’ambito di utilizzo delle tecnologie IoT, l’esposizione ai rischi e i relativi interventi di mitigazione:

– Quali capacità/funzionalità hanno i dispositivi IOT?
– A quali rischi di sicurezza e/o privacy sono esposti o espongono l’organizzazione?
-Quali sfide devo intraprendere per ridurre/attenuare questi rischi?
– Come potrebbe l’organizzazione indirizzare queste sfide?

A luglio 2019 il NIST ha pubblicato la guida “Core Cybersecurity Feature Baseline for Securable IoT Devices: A Starting Point for IoT Device Manufacturers”, NISTIR 8259 (DRAFT). In essa indica sei raccomandazioni sulle funzionalità di sicurezza che i produttori di dispositivi IoT devono tener presenti e che gli utilizzatori possono valutare al momento dell’acquisto. Tra queste le più rilevanti sono:

– Device Identification: ogni dispositivo deve poter essere identificato univocamente attraverso un seriale o un indirizzo univoco quando è connesso alla rete;
– Device Configuration: un utente abilitato deve poter modificare le configurazioni software del dispositivo IoT, oltre eventualmente a quelle del firmware;
– Sicurezza delle informazioni: deve essere evidente come il dispositivo IoT protegge i dati, che memorizza e invia sulla rete, da accessi non autorizzati o da tentativi di modifica non autorizzata.

Sempre il NIST, nel rapporto NISTIR 8228 “Considerations for Managing Internet of Things (IoT) Cybersecurity and Privacy Risks”, identifica tre obiettivi di mitigazione del rischio di alto livello per la gestione della sicurezza informatica e dei rischi per la privacy dei dispositivi IoT: proteggere la sicurezza del dispositivo, proteggere la sicurezza dei dati e proteggere la privacy delle persone.

Infine, il rapporto fornisce “raccomandazioni per affrontare le sfide della mitigazione della sicurezza informatica e della privacy per i dispositivi IoT”. Le raccomandazioni sono correlate e strutturate: comprendere i rischi, attuare politiche e processi per far fronte a tali rischi e aggiornare tali politiche e processi come necessario

L’IMPORTANZA DELL’ASSESSMENT

Mi sembra quindi molto chiaro come, approcciando sistemi complessi che utilizzino sensori, dispositivi, accessori, macchine, sia necessario effettuare “a priori” una approfondita e molto seria analisi dei rischi e quindi un’altrettanto approfondita e seria valutazione d’impatto sulla sicurezza generale e complessiva del sistema di Fabbrica, della Banca, dell’Ospedale, della Multiutility.

Questo concetto di analisi che molti chiamano “Assessment” si rende necessario anche tutte le volte che vengono introdotte variabili, varianti, nuove funzionalità all’interno del sistema. Molto spesso questo tipo di approccio viene completamente “snobbato” perché ritenuto troppo complesso o troppo costoso sia in termini monetari che in termini di risorse umane. Si compie in questo modo un drammatico errore di valutazione che purtroppo, oltre a generare danni seri all’organizzazione, ultimamente e sempre più spesso interseca in misura drammatica anche con la salute, l’incolumità fisica, morale e personale degli individui.

CONCLUSIONE

Più si diffonderà l’utilizzo di sistemi autonomi per regolare gli aspetti essenziali della nostra vita e più sarà alto il rischio che questi sistemi siano attaccati per assumerne il controllo a scopi fraudolenti ma anche a scopi politici e strategici.

Per questo motivo è importante elevare il livello di consapevolezza nei cittadini, negli utenti e utilizzatori dei sistemi. Diventa quindi essenziale fornire soprattutto alle giovani generazioni gli strumenti culturali ed etici per esigere che i sistemi, gli oggetti, i sensori siano conformi alle normative e adeguatamente protetti. Solo in questo modo si compirà il paradigma per il quale la tecnologia contribuirà in misura significativa a migliorare la qualità della vita delle persone.

Se questo articolo ti ha colpito, visita il sito Fabbrica Predittiva.com e ordina una copia della nostra pubblicazione con Harvard Business Review “Storie di Fabbrica Predittiva”. Nel libro troverai altri articoli e approfondimenti su una varietà di temi legati alla Fabbrica Predittiva. Altrimenti, contattaci per iniziare insieme per il tuo percorso verso la Fabbrica Predittiva!

———-

A cura di:

Giancarlo Turati, VP nazionale Piccola Industria di Confindustria dal 2016 e AD di Fasternet, società che opera nell’ambito dei servizi IT.

IoT PER LA CLASSIFICAZIONE ASSET

13 Settembre 2021 by

IoT PER LA CLASSIFICAZIONE ASSET

I device IoT dislocati sul territorio inviano continuamente informazioni ai gateway, che a loro volta inoltrano le informazioni al network server centrale. Attraverso il network server, è possibile raccogliere le informazioni dei device e, attraverso un set di parametri di controllo, massimizzarne la vita utile e al contempo ottimizzare le performance di comunicazione.

I valori dei parametri di controllo dipendono fortemente dalla tipologia di device. Tuttavia, non è sempre semplice definire con precisione quali valori attribuire ai parametri di controllo in quanto l’informazione sulla tipologia di dispositivo non è direttamente disponibile tra le informazioni inviate attraverso il gateway al network server.

Una divisione di MIPU si è dedicata proprio a questo problema: grazie ad un algoritmo di classificazione, abbiamo potuto strutturare un modello che, leggendo i parametri inviati dai device, è ora in grado di riconoscere – con una percentuale di errore minima – la tipologia di device. Questo senza dover agire sul singolo bene del parco installato per modificare il set di parametri comunicati.