CALCOLARE COSTI E BENEFICI DELL’INTELLIGENZA ARTIFICIALE NELLA FABBRICA

CALCOLARE COSTI E BENEFICI DELL’INTELLIGENZA ARTIFICIALE NELLA FABBRICA

Dal punto di vista dei costi, un’efficace implementazione di sistemi di intelligenza artificiale dipende dalla qualità dell’infrastruttura informatica, dalle competenze tecniche e dalla bontà della raccolta dati. Più complesso invece è stabilire un metodo generale per il calcolo del beneficio, fortemente dipendente dallo scopo specifico che si vuole dare all’intelligenza.

In questo articolo presentiamo una proposta metodologica per calcolare costi e benefici dell’intelligenza artificiale nella fabbrica per i principali obiettivi di applicazione dell’AI.

COSTO DELL’AI E COSTO DEL DATO: INFRASTRUTTURA INFORMATICA E RACCOLTA DEL DATO

Un’adeguata infrastruttura informatica è condizione necessaria (ma non sufficiente) per lo sviluppo e l’utilizzo di algoritmi di apprendimento automatico. Per “infrastruttura informatica” si intende l’insieme di software e hardware finalizzati specificatamente all’elaborazione del dato e alla computazione, che prende il nome di analytics stack

Tipicamente, l’analytics stack prevede il coordinamento di quattro elementi: database (DB), Sistema ETL, apprendimento automatico e advanced analytics, visualizzazione. Vi sono molteplici prospettive nella quantificazione dei costi associati alla costruzione di un dataset e agli successivi stack di analisi.

COME RIDURRE I COSTI INIZIALI

La maggior parte dei progetti di intelligenza artificiale in ambito industriale non arriva ai banchi di partenza proprio per gli alti costi di questa fase. Se da un lato costruire l’infrastruttura è una spesa ingente, dall’altro esistono una serie di tecniche per ridurre drasticamente la quantità di dati necessari per iniziare a costruire valore con l’intelligenza artificiale. Riprendiamo ora due punti fondamentali su questo tema:

  1. l’intelligenza artificiale è tanto migliore quanto risolve un problema specifico. Intercettare un difetto di lubrificazione di un cuscinetto è diverso dall’identificare un problema di risonanza. La competenza di dominio è la chiave per ottenere risultati soddisfacenti anche con infrastrutture snelle.
  2. – avere un magazzino pieno di pezzi di legno non significa che saprò trasformarli tutti in sedie e tavoli robusti: tanti dati e buoni dati sono cose diverse. I dati industriali sono per loro natura sporchi, ovvero contaminati da errori quali buchi, offset, fondo scala ed in generale errori dei misuratori o nella comunicazione e trattamento. Per questa ragione abbiamo elaborato algoritmi di anomaly detection asset-specifici che consentono di intercettare dati anomali ma non portatori di significato, e ripararli.
Dal dato al valore

Su oltre 70 progetti di Industrial AI attivi da un minimo di 2 anni, là dove non vi fossero logiche di anomaly detection, gli alert generati da meri errori sui sensori sarebbe del 46%. Questo significa che, anche in presenza di grandi quantità di dati, è ragionevole cercare di ridurre drasticamente il numero di vettori utilizzato per alimentare le intelligenze, così da limitare le sorgenti di errore.

COMPETENZE TECNICHE 

La diffusione dell’intelligenza artificiale ha comportato di pari passo la nascita di nuove professioni, nonché modifiche più o meno importanti delle mansioni proprie di profili professionali più tradizionali. In particolare, emerge la figura del data scientist. Portatore di competenze all’intersezione tra la statistica, l’informatica e la conoscenza di dominio, egli è il punto di riferimento per il trattamento dei dati e l’estrazione di informazione che possa portare valore all’organizzazione.

Rispetto agli albori della disciplina, vi sono due tendenze molto rilevanti:

  • – L’intelligenza artificiale era considerata una disciplina a sé stante. L’esperto di IA veniva ritenuto in grado di risolvere qualsivoglia problema analitico-computazionale tramite implementazione di modelli di apprendimento automatico. Oggigiorno appare invece evidente come i risultati migliori si ottengano quando l’IA è utilizzata per complementare una buona conoscenza di dominio con l’evidenza estratta a partire dai dati osservabili.
  • – Il data scientist veniva ritenuto in grado di gestire ed operare tutte le componenti dell’analytics stack. Nel corso dell’evoluzione della disciplina e delle figure professionali associate al trattamento dei dati, si è assistito ad una progressiva specializzazione in due o massimo tre aree di attività.

Nel nostro Paese esiste un importante gap di competenze tecniche in particolare in tema di data science; anche per questo motivo la scelta di MIPU è stata quella di investire fin dal 2017 nello sviluppo di software che non solo consentissero di democratizzare lo sviluppo dell’intelligenza artificiale ma anche supportassero le aziende nell’automatizzare compiti ripetitivi e a scarso valore. L’Auto-machine Learning, ovvero la possibilità delle intelligenze di crearsi in maniera autonoma, è oggi realtà solo per una parte limitata delle attività che compongono la creazione e gestione degli algoritmi della fabbrica predittiva, come descritto nella figura sottostante.

COME L’AI PUÒ MIGLIORARE I PROCESSI OPERATIVI

L’impatto dell’intelligenza artificiale in ambito aziendale dipende da un grande numero di fattori e può essere estremamente variabile a seconda del settore di attività. Spesso a determinare la riuscita o il fallimento di un progetto innovativo che coinvolga l’analisi dati, più che le tecnologie o le competenze tecniche a disposizione, è la bontà dell’individuazione di un problema di business che possa effettivamente essere risolto mediante l’intelligenza artificiale o l’apprendimento automatico.

Riducendo all’osso l’effettiva difficoltà della valutazione di un caso d’uso aziendale per le advanced analytics, è importante considerare due fattori: la semplicità della raccolta dati, e il grado di casualità del processo, organizzati nella seguente matrice di complessità:

Individuiamo tre punti di riferimento sull’asse delle ascisse, corrispondenti rispettivamente al punto di minimo, al punto intermedio, e al punto di massimo in termini di casualità.

  • – Processo fisico o altamente standardizzato
  • – Processo che segue una legge di probabilità nota
  • – Processo umano-discrezionale

L’interazione di questo elemento con la disponibilità di dati da analizzare, contribuisce significativamente alla determinazione del potenziale dell’applicazione delle analytics per uno specifico caso d’uso:

  • – Difficoltà di acquisizione dati alta e alto grado di casualità del processo: basso potenziale.  
  • – Difficoltà di acquisizione dati bassa e alto grado di casualità del processo: potenziale intermedio. 
  • – Difficoltà di acquisizione dati alta e basso grado di casualità del processo: anche in questo caso, potenziale intermedio. 
  • – Difficoltà di acquisizione dati bassa e basso grado di casualità del processo: alto potenziale. 

CALCOLARE I BENEFICI DELL’AI 

Come si può notare dal grafico, l’applicazione di algoritmi di apprendimento automatico per la fabbrica predittiva dimostra un alto potenziale di creazione di valore.

Un esempio di applicazione di successo è relativo alla manutenzione predittiva. Tali algoritmi di monitoraggio sono in grado di prevedere con anticipo un’anomalia futura, permettendo di intervenire prima che il componente sia soggetto ad un guasto.  Ma, come calcolare il beneficio economico conseguente a questa innovazione tecnica? Nella figura di seguito riportiamo alcuni aspetti da valutare, tuttavia è evidente che per una misura quantitativa degli stessi è necessario fare riferimento ad un target specifico. Prendiamo dunque l’esempio dell’intelligenza artificiale per la manutenzione predittiva.

CALCOLO DEL ROI: L’APPLICAZIONE DELL’INTELLIGENZA ARTIFICIALE ALLA MANUTENZIONE PREDITTIVA

Quando parliamo di manutenzione predittiva, dobbiamo confrontare il beneficio ottenuto intercettando un dato tipo di guasto con quanto sarebbe avvenuto senza predizione. In particolare i costi da considerare – e dunque i potenziali benefici – sono riassunti nella figura sotto.

Il modello sviluppato in MIPU si basa su un approccio simulativo: il modello crea una rappresentazione dei fenomeni di guasto con relativa frequenza e costo associato; è dunque possibile effettuare analisi what-if per verificare cosa avviene al variare della strategia manutentiva e prevedere costi e benefici di ogni scenario.

IL MODELLO DI MIPU

Con il tool sviluppato da MIPU è possibile simulare strategie per un asset, una linea o per l’intera fabbrica andando a scegliere tra le seguenti politiche manutentive:

  • – Correttiva;
  • – Preventiva Pianificata;
  • – Predittiva, in cui si svolgono attività manutentive e di ripristino solo quando indicato dal monitoraggio e dalla previsione dello stato di salute dell’asset effettuato dal modello di intelligenza artificiale.

La simulazione delle strategie manutentive prevede il calcolo del numero di guasti futuri, per un dato orizzonte temporale.

A questo punto è necessario inserire i dati di costo, i quali si dividono in:

  • – costo del fermo impianto
  • – costo della manodopera
  • – costo per le parti di ricambio

Disponendo dei dati relativi alla durata di fermo e degli interventi manutentivi, si può calcolare la spesa totale inerente a ciascuna delle tre differenti strategie. Tali dati possono essere presi sia dallo storico che dalle librerie disponibili nel tool di analisi economica di MIPU.

Con questo approccio è possibile stimare il ritorno sull’investimento atteso all’attuarsi di ogni politica manutentiva. Nel caso della manutenzione predittiva, il beneficio è dato dalla differenza tra i costi della predittiva contro i costi della strategia precedentemente utilizzata:

Beneficio = costo approccio precedente – costo manutenzione predittiva

Il costo dell’investimento si ottiene sommando il costo di sviluppo e il costo del periodico monitoraggio e miglioramento dell’algoritmo stesso:

Investimento = costo di sviluppo + costo di monitoraggio e miglioramento dell’algoritmo

Esempio di calcolo del beneficio per il settore eolico

La figura di seguito fornisce una panoramica dei modelli di intelligenza artificiale che abbiamo sviluppato ed implementato per la manutenzione predittiva di circa 200 aerogeneratori distribuiti su più parchi eolici del Sud Italia.

 

Lo scenario valutato è quello di applicazione totale della manutenzione predittiva; anche le attività normalmente pianificate dunque vengono svolte non su base oraria ma solo quando le intelligenze segnalano effettivamente la necessità di un intervento.

Nel tool di valutazione economica rileviamo le proprietà statistiche della serie storica dei guasti di ciascun componente; effettuiamo quindi una previsione circa il numero di anomalie future nella condizione as-is e al variare della strategia manutentiva. Il tool consente di lanciare la simulazione non solo sull’intero parco installato, ma anche sul singolo aerogeneratore o su un sottoinsieme. Tiene dunque in considerazione le particolari caratteristiche dei componenti installati e la storia del bene e di chi lo ha manutenuto.

Il risultato è che, secondo l’asset considerato, l’applicazione della predittiva porta ad un risparmio compreso tra circa il 15% e il 25% in termini di costi manutentivi annuali.
Inoltre, il minor numero di guasti osservati permette all’asset di aumentare la sua disponibilità di un fattore compreso tra il 10% e il 15%.
Infine il miglioramento della previsione sulla disponibilità dell’aerogeneratore consente di migliorare la previsione circa la quantità di energia che sarò in grado di mettere in rete in un dato momento nel futuro. Tali migliorie variano dallo 0,2 al 1,4%: sono considerevoli parlando di modelli fortemente correlati alle condizioni meteo.

Considerando l’intero parco eolico, tali benefici permettono di ripagare l’investimento sostenuto per l’implementazione della manutenzione predittiva in un periodo compreso tra due e quattro mesi.

 

CONCLUSIONE

In questo articolo abbiamo presentato i principali costi dell’intelligenza artificiale come i costi di infrastruttura e i costi del dato. Guardando però ai benefici dell’intelligenza artificiale e basandoci sugli esempi presentati, si vede come in breve tempo si è in grado di ripagare l’investimento sostenuto per l’AI.  Individuare l’obiettivo di business e concentrarsi su di esso è la base per  la buona riuscita del progetto di intelligenza artificiale.

Vorresti anche tu una valutazione costo-beneficio e una chiara definizione degli obiettivi raggiungibili grazie all’AI? Contattaci e richiedi un appuntamento, senza impegno!

Altri Articoli:

Lo sapevi?

Organizziamo ALMENO un webinar al mese sui temi
dell’ingegneria di manutenzione, dell’efficientamento energetico
e degli ultimi trend di intelligenza artificiale.

Lascia un tuo contatto per ricevere tutti gli inviti!