I 9 trend dell’Intelligenza Artificiale da tenere d’occhio nell’industria italiana
L’intelligenza artificiale, protagonista del dibattito scientifico degli ultimi anni, è la tecnologia che, come l’elettricità più di 100 anni fa, sta rivoluzionando l’industria.
Mentre nel campo dei servizi, della finanza e della medicina le tecniche dell’AI sono già applicate da anni, nel settore industriale si sono affacciate solo ultimamente. L’obiettivo è supportare gli operatori nelle attività di O&M, di controllo dei processi e di efficientamento energetico.
La presenza sempre maggiore di una base dati solida, figlia degli investimenti nell’IoT fatti negli anni passati e di nuove norme tecniche che definiscono come e cosa monitorare, unita alla maggiore consapevolezza del mercato, aprono la strada a nuove soluzioni e applicazioni.
Come in tutti i campi, è molto semplice fare previsioni a lungo termine sulla diffusione dell’intelligenza artificiale nell’industria. Quanto è vicino il mondo futuribile in cui le macchine saranno autonome e grazie all’intelligenza artificiale non servirà più la supervisione umana?
Piuttosto, cosa è già nelle fasi finali della sperimentazione o è già disponibile, e potrà essere messo in campo nel 2020 nelle industrie italiane con una sufficiente maturità digitale? (Per valutare la maturità digitale della tua azienda puoi compilare il semplice questionario di valutazione che abbiamo creato coprendo diverse aree aziendali: richiedilo qui).
Guardiamo insieme 9 trend dell’intelligenza artificiale nell’industria italiana che nel 2020 sono già realtà.
1. Manutenzione predittiva e su condizione per processi, asset ed impianti
La manutenzione predittiva attraverso l’intelligenza artificiale è il focus principale dell’applicazione dell’AI nell’industria. Molti big player internazionali stanno investendo su AI e manutenzione predittiva per digitalizzare i processi e supportare i team di O&M nella gestione di guasti ed anomalie. Grazie alla mole di dati sempre maggiore e agli sforzi di standardizzazione dei database, queste tecnologie diventano infatti sempre più accessibili.
Il limite fondamentale incontrato finora è tuttavia la comprensibilità dei risultati e l’industrializzazione dei modelli. Queste due problematiche possono essere risolte mediante l’utilizzo di interfacce grafiche intuitive, frutto dello studio del processo e dell’interpretazione dei risultati, e installando le soluzioni in cloud integrandole con l’esistente. Così, le soluzioni di manutenzione predittiva tramite AI saranno sempre più accessibili ai team che operativamente usufruiscono delle informazioni, senza obbligare a comprendere carte di controllo o probabilità.
((Abbiamo già scritto dei casi di studio proprio sul tema: puoi trovarli qui.)
Maturità digitale necessaria: integrato e interoperabile –
- – I modelli devono ricevere i dati con un aggiornamento a periodicità non superiore all’ora
- – E’ necessario avere una base dati storicizzata sufficiente all’allenamento dei modelli
- – E’ necessaria anche un’architettura hardware e software in grado di supportare il flusso di comunicazione e l’installazione della piattaforma AI (puoi guardare qui la nostra soluzione per l’IoT industriale).
2. Riconoscimento immagini per la qualità
Che sia produzione di parti meccaniche di precisione, guarnizioni, o tappi di bottiglia, tutte le linee di processo devono garantire una percentuale di scarti bassa. Soprattutto, devono essere integrate per automatizzare il riconoscimento dei pezzi sotto lo standard di qualità definito.
Spesso, le sole tecniche di screening non bastano a trovare un piccolo graffio o una quota errata. E’ per questo che alcune aziende stanno evolvendo i loro algoritmi di controllo qualità per includere modelli intelligenti in grado di imparare in autonomia quali pezzi sono buoni e quali invece da scartare.
Grazie al machine learning, i meccanismi di controllo qualità aumentano la loro precisione, garantendo la qualità del prodotto con un margine minore di errore.
Maturità digitale necessaria: orientato alla digitalizzazione –
- – E’ necessario avere un buon numero di immagini storicizzate di pezzi buoni e difettosi, in modo che l’intelligenza abbia le giuste informazioni per imparare a riconoscere le caratteristiche che rendono un pezzo difettoso
- – E’ necessario inoltre avere o installare un controller in grado di supportare algoritmi di machine learning on edge, e coordinare la procedura per la segnalazione del difetto di conseguenza.
3. Identificazione anomalie tramite image recognition
La manutenzione predittiva spesso non è facilmente applicabile per moltissime e svariate cause: dalla difficoltà di sensorizzare alcune zone, alla proprietà dei dati altrui (ad esempio per aziende che forniscono solo il servizio di manutenzione), fino alla difficile rappresentazione del fenomeno fisico dietro al guasto.
Per alcuni casi, è possibile però applicare algoritmi di riconoscimento immagini per identificare problemi ad asset e impianti attraverso una foto o un’immagine da termocamera.
Un manutentore esperto è in grado di capire solo guardando alcuni tipi di asset (filtri, tubi, immagini dei quadri, etc) se c’è un problema. Addestrando le intelligenze sulla base del know-how dei tecnici esperti, è possibile implementare un modello in grado di fare altrettanto.
Con la stessa tecnologia con cui Facebook riconosce le facce dei tuoi contatti e con cui vengono fatte diagnosi avanzate in campo clinico, è possibile identificare anomalie visive negli asset e inviare automaticamente un alert per richiesta di audit approfondito, anche da parte dei nuovi manutentori che non hanno la stessa esperienza.
Maturità digitale necessaria: gestito –
- – E’ necessario avere un tecnico preparato da poter coinvolgere nella parte iniziale di allenamento e un database di fotografie degli asset
- – Con un buon sistema di asset management e CMMS è possibile strutturare la base dati sufficiente allo scopo.
La soluzione può essere collegata direttamente al CMMS, e l’utilizzo non rende necessario un flusso di dati continuo, per cui la messa in campo dell’AI per l’identificazione delle anomalie visive è relativamente semplice.
4. Anomaly detection e certificazione del dato
La base dell’intelligenza artificiale è il dato, che deve essere di qualità e controllato. E’ tuttavia tipico dei dati da monitoraggio in campo di essere non completi, bloccati o anomali. Grazie all’intelligenza artificiale, è ora possibile curare i valori strani.
Le procedure standard di pulizia rischiano di non cogliere alcune anomalie e intercettarne altre che in realtà non lo sono. L’intelligenza artificiale invece può capire da sola qual è il trend corretto dei dati dal meter messo sotto controllo. Soluzioni di questo tipo, installate on edge o in cloud, garantiscono una veridicità del dato che esclude problemi di picchi, di freeze o di disallineamento della misura rispetto al normale.
Maturità digitale necessaria: iniziale –
- L’intelligenza è autonomamente in grado di imparare e potrebbe essere virtualmente installata anche sul contatore di casa. Chiaramente un’organizzazione che richiede una tecnologia del genere solitamente ha raggiunto una maturità digitale piuttosto alta, che la porta a voler garantire la qualità del dato in modo rapido e affidabile.
Digital maturity levels:
- Livello 1: Iniziale
- Livello 2: Gestito
- Livello 3: Definito
- Livello 4: Integrato e Interoperabile
- Livello 5: Orientato alla Digitalizzazione
