LE TRE PAROLE CHIAVE DI UNA PRODUZIONE PREDITTIVA

LE TRE PAROLE CHIAVE DI UNA PRODUZIONE PREDITTIVA

L’industria 4.0 è emersa come lo scenario perfetto per aumentare l’applicazione di nuove soluzioni di intelligenza artificiale e apprendimento automatico per il monitoraggio e l’ottimizzazione dei processi industriali. Inoltre, la pandemia richiede alle aziende di accelerare la loro transizione verso una produzione predittiva e resiliente. Di seguito esploriamo cosa significano questi due termini nel dettaglio.  Inoltre, elenchiamo una serie di esempi già industrializzati con i quali abbiamo supportato le aziende italiane nella loro trasformazione verso una produzione predittiva, flessibile e resiliente.

I CAMBIAMENTI DELLA PRODUZIONE

La pandemia di Coronavirus è una crisi umanitaria che continua a pesare tragicamente sulla vita delle persone e che sta configurando una nuova normalità sotto diversi aspetti: umani, sociali ed economici. Focalizzandoci in particolare sulla produzione industriale, i fattori di maggiore incertezza che sono emersi durante questi mesi per il sistema industriale sono: 

  • – l’improvvisa disarticolazione delle supply chain a causa di mancati flussi in entrata di materie prime, componenti e semilavorati, con perdite di produzione fino alla chiusura delle aziende; 
  • – il cambiamento delle attitudini di spesa dei consumatori, sia per la contingenza del lockdown che ha portato a cercare alcuni prodotti piuttosto che altri, sia per problemi di liquidità legati all’incertezza del lavoro. Questo ha portato a concentrare le spese sui beni di consumo, riducendo drasticamente qualsiasi tipo di investimento in beni durevoli;
  • – la mancanza di liquidità e l’incertezza dei mercati che hanno portato a limitare gli investimenti di lungo termine.

Non si può d’altro canto negare che la pandemia agisca anche da catalizzatore per il cambiamento – economico, sociale, personale e aziendale – su una scala mai vista dai tempi della guerra.

UNA PRODUZIONE RESILIENTE E FLESSIBILE

La ricerca e l’esperienza dimostrano che le aziende che agiscono con una mentalità a ciclo continuo saranno nella posizione migliore per uscire dalla recessione. Nelle recessioni del 2007-2008, il primo quintile di società era in vantaggio di circa 20 punti percentuali rispetto ai concorrenti mentre si avviava alla ripresa in termini di rendimento totale cumulativo per gli azionisti (TRS). Otto anni dopo, il loro vantaggio era cresciuto fino a superare i 150 punti percentuali

Per questa ragione riteniamo che, tra i molti aspetti degni di attenzione, i seguenti dovrebbero avere priorità nell’agenda di ogni CEO e COO:

      • – produzione resiliente: una produzione capace di adattarsi a rapidi cambiamenti di mercato e di far fronte in maniera positiva ad eventi traumatici – come, ad esempio, il lockdown da Covid-19 e le sue implicazioni sulla supply chain. Riteniamo che nell’ambito della produzione resiliente rientrino anche le caratteristiche di flessibilità e agilità non solo della singola azienda, ma anche della filiera, la quale – riprendendo l’esempio dello space challenger fatto in un altro articolo – dovrà garantire un comune livello di affidabilità in ogni sua maglia. 
      • – produzione predittiva: la capacità di sfruttare i dati già raccolti nei nostri dcs, scada, plc e in genere dal campo per alimentare intelligenze che consentano di prevedere il prossimo futuro e dunque riconfigurare il presente alla luce delle nuove esigenze. 
      • PRODUZIONE RESILIENTE

        Per quanto riguarda la produzione resiliente, individuiamo di seguito quali  sono i parametri di valutazione e dove MIPU ha impiegato l’AI per accelerare la transizione:

        PRODUZIONE PREDITTIVA

        Parlando di produzione predittiva rileviamo tre pilastri fondamentali:

            • – la previsione della domanda di produzione, in modo tale da guadagnare tempo sull’organizzazione della stessa. Lo scopo è quello di ottimizzare i costi, gli acquisti di materie prime ed in generale le risorse dedicate a questa attività;
            • – la previsione del funzionamento delle macchine che garantiscono la produzione stessa. Tale previsione include sia la disponibilità di macchine ed impianti, che l’efficienza di lavorazione, ovvero il rapporto tra il numero totale di pezzi prodotti e quelli teoricamente producibili;
            • – la previsione della qualità della produzione, a sua volta riconducibile non solo al corretto funzionamento della macchina, ma anche alla corretta gestione degli impianti e al controllo del materiale di lavorazione.

        Disponibilità, efficienza e qualità sono di fatto componenti dell’Overall Equipment Effectiveness, indicatore sistemico dell’efficacia di  produzione. Nel seguito approfondiremo il tema dell’efficacia di produzione, escludendo per amor di sintesi la previsione della domanda dal tema della fabbrica predittiva.

        COME PUÒ L’INTELLIGENZA ARTIFICIALE AIUTARE LA PRODUZIONE A DIVENIRE PREDITTIVA?

        Abbiamo provato a confrontare un sistema di produzione standard con uno basato sull’intelligenza artificiale.

        Introduciamo alcuni semplici esempi di come l’AI impatti nel processo di produzione:

            • – Setup: possiamo migliorare il tempo necessario per impostare o adattare l’ambiente, le linee e gli strumenti quando arriva un nuovo ordine di lavoro, considerando i risultati di precedenti esperienze simili. Poiché siamo in grado di farlo in meno tempo e in modo più efficace, stiamo influenzando la disponibilità degli asset e, di conseguenza, migliorando l’OEE.
            • – Deviazioni del processo: l’intelligenza artificiale consente la previsione della qualità basandosi sui parametri di processo. Questi ultimi combinati con l’ottimizzazione in tempo reale dei parametri di esecuzione, si traducono in risultati di migliore qualità e riduzione degli scarti, ancora una volta, migliorando l’OEE.
            • – Manutenzione: la manutenzione predittiva ci consente di pianificare e fornire i pezzi di ricambio necessari in modo da ridurre al minimo l’impatto sulla produzione. Con questa gestione miglioriamo la disponibilità e, di conseguenza, anche l’OEE.

        Anche altri indicatori di produttività possono essere molto utili quando si valuta un processo di produzione e si analizza il modo in cui le soluzioni AI e ML possono fornire vantaggi tangibili. In particolare evidenziamo attraverso degli esempi i campi nei quali l’applicazione dell’AI risulta di particolare favore.

        INDICATORI DI PRODUTTIVITÀ

            • Parte prodotta buona / operatore. Un esempio che ci capita spesso è quello di direttori di produzione o di manutenzione che ci pongono il seguente quesito: “io so che l’operatore AA sarà più efficace o, nel caso di manutenzione, più risolutivo, dell’operatore BB. Vorrei capire quali azioni formative, di supporto o di monitoraggio attivare verso BB e quando, per fare in modo che sia efficace quanto AA“. In altre parole, il CXO chiede che l’intelligenza artificiale attivi ciò che gli economisti comportamentali e premi Nobel Thaler e Sunstein chiamano “the nudge”, una spinta gentile. Con MIPU abbiamo elaborato soluzioni di supporto all’operatore che, nel rispetto dell’individualità di ciascuno, aiutino a raggiungere un comune standard di efficacia. Abbiamo replicato gli stessi sistemi in ambito medicale, usando l’AI per attivare delle azioni (messaggi whatsapp, email, telefonata dal medico) che supportassero i pazienti ad essere maggiormente compliant alla terapia prescritta.
            • Parti prodotte buone / parti prodotte totali (scarti, configurazione, test, ecc.): la previsione continua della qualità in ogni fase del processo di produzione mediante apprendimento automatico e intelligenza artificiale, consente avvisi e allarmi predittivi anche prima che la qualità target sia influenzata e quindi l’indicatore di qualità dell’OEE sia degradato. Due diversi approcci possono essere implementati quando si sviluppano strumenti di qualità predittiva dell’AI: soluzioni supervisionate e non supervisionate. Le soluzioni supervisionate possono fornire una migliore accuratezza nella previsione di deviazioni di qualità indesiderate, ma è necessario un set di dati adeguatamente etichettato. I metodi non supervisionati hanno il vantaggio di non richiedere il set di dati con tag. Vengono generalmente utilizzati per il rilevamento di anomalie, il che significa forti deviazioni di qualità. Inoltre, i risultati del sistema supervisionato possono essere rintracciati e analizzati. Così si possono ottenere informazioni sui processi che possono portare alla scoperta di soluzioni per affrontare la causa principale della deviazione di qualità indesiderata.

        INDICATORI DI CONSUMO

            • – Consumo di materiale (MC): peso del materiale consumato per unità di tempo. Gli esempi di utilizzo dell’AI sono molteplici, in particolare si vedano i successivi esempi relativi alla qualità e all’energia. Altri casi da noi sviluppati di applicazione dell’AI relativi al consumo di materiale riguardano:
            • – Utilizzo di machine learning e machine vision per ispezione e caratterizzazione dei materiali di ritorno per il riuso;
            • – Tracciabilità di materiali e componenti e supporto agli operatori nella valorizzazione dell’economia circolare anche cross-settoriale con sistemi che, pur rispettando la riservatezza, consentano integrazione di informazioni;
            • – Previsione della logistica inversa e logistica integrata;
            • – Consumo energetico specifico: in questo caso rimandiamo la trattazione alla sezione energia del volume.

         

        CHI DEVE COSTRUIRE E GESTIRE L’AI PER LA PRODUZIONE?

        Secondo uno studio Deloitte, il 91% dei progetti AI non ha incontrato le aspettative dei richiedenti. Questo è da attribuire a due motivi.

        Il primo: supponiamo che io voglia determinare se insorgerà un problema in uno degli stadi di una turbomacchina e per quale ragione. La competenza per questo tipo di applicazione risiede tipicamente nel costruttore o in chi pone la macchina in esercizio; tuttavia, l’AI è tipicamente sviluppata da data scientist che difficilmente hanno sviluppato questo tipo di esperienza e linguaggio.

        Il secondo motivo è che, anche ammesso che l’intelligenza artificiale venga costruita e sia efficace al momento zero, necessita di essere continuamente gestita e allenata per mantenere le performance nel tempo o adeguarsi a nuove aspettative.

        Per queste ragioni riteniamo che la possibilità di costruire e gestire intelligenze artificiali vada estesa al personale dedicato alle operations and maintenance. Se vi sembra utopistico, pensiamo un momento ai primi siti web. Essi erano costruiti da informatici con anni di esperienza. Oggi, dopo l’avvento dei sistemi what you see is what you get, nessuno si sognerebbe più di identificare nel codice informatico l’elemento chiave della costruzione di un sito web.

        REBECCA AI

        Con la piattaforma software Rebecca, MIPU  si è proposta di diminuire l’effort conoscitivo, il tempo, il costo ed il rischio di errore insiti nello sviluppo e gestione di AI industriali.

        Da un lato, nella parte Builder, supporta la creazione di AI senza richiedere competenze informatiche: non serve, dunque, saper programmare in Python. Dall’altro lato, nella parte di Innest e Frame, la piattaforma aiuta a gestire le intelligenze durante il loro ciclo di vita. Con essa si monitora chi le ha create, quando e dove sono state messe in esecuzione, se mantengono le loro performance o se vanno riaddestrate.

        Naturalmente chi è in grado di scrivere codice può inserirlo direttamente in piattaforma, senza risultare vincolato agli algoritmi già presenti. In quest’ottica Rebecca rappresenta un punto di incontro tra il personale di produzione, l’IT e i data scientist.

        Oggi il valore di un’azienda sul mercato è dato dalle competenze delle persone, dagli asset posseduti e dalle disponibilità finanziarie. Domani a questi driver di competitività si aggiungeranno le intelligenze artificiali che l’azienda ha saputo costruire e manutenere nel tempo. Un vantaggio competitivo che dobbiamo conquistare nel breve, “whatever it takes”!

        IN CONCLUSIONE

        Oggi il valore di un’azienda sul mercato è dato dalle competenze delle persone, dagli asset posseduti e dalle disponibilità finanziarie. Domani a questi driver di competitività si aggiungeranno le intelligenze artificiali che l’azienda ha saputo costruire e manutenere nel tempo. Un vantaggio competitivo che dobbiamo conquistare nel breve, “whatever it takes”!

        La pandemia ha mostrato la necessità di pensare a nuovi metodi di produzione, in grado di rendere le imprese resilienti e predittive. Per la realizzazione di un’impresa resiliente abbiamo proposto un assessment veloce sul quale ogni azienda dovrebbe lavorare. Abbiamo inoltre elencato gli ambiti nei quali l’intelligenza artificiale può intervenire.

        Per quanto riguarda la fabbrica predittiva, abbiamo indicato nell’OEE un indicatore sintetico da monitorare.  Abbiamo infatti elencato esempi concreti di applicazione dell’intelligenza artificiale al miglioramento di ogni componente dello stesso.

        Speriamo in un’azienda che estenda l’opportunità di partecipare alla costruzione di intelligenze artificiali industriali a tutti i suoi lavoratori in un’ottica di intelligenza collettiva e partecipata. Questa è la vera chiave competitiva per la transizione al next-normal.

        Se sei interessato a questo tema, visita il nostro sito Storie di Fabbrica Predittiva o iscriviti alla newsletter. In questo modo potrai ricevere inviti ai nostri webinar gratuiti e riferimenti periodici ad altri articoli. Altrimenti contattaci per parlarne insieme!

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!