L’efficacia delle IA nelle linee di produzione

L’intelligenza artificiale (utilizzando l’acronimo inglese, AI) e la raccolta dati ‘intelligente’, temi ampiamente discussi nell’ambito dell’industria 4.0, sembrano essere la ricetta perfetta per un futuro in cui il processo produttivo sarà sempre più autonomo, risolvendo problemi e inefficienze senza richiedere l’intervento continuo dell’uomo. Tuttavia, affinché ci sia un effettivo miglioramento del processo produttivo, questi sistemi richiedono un’attenta analisi delle esigenze aziendali prima della loro installazione, insieme a una gestione specifica una volta implementati. È infatti vero che, se l’utilizzo dell’intelligenza artificiale arreca un vantaggio competitivo notevole – le aziende che la usano hanno una probabilità di acquisire clienti 23 volte maggiore e un profitto 19 volte maggiore (Mckinsey & Company) – è anche vero che l’85% delle aziende che hanno implementato software di IA non è riuscito a gestirlo in modo efficace (Techrepublic), mentre solo il 12% la utilizza con riscontri positivi (Accenture).
Possedere e utilizzare un software di AI, infatti, non significa avere a disposizione uno strumento magico che risolve i problemi di produzione; al contrario, se utilizzato senza consapevolezza (cioè senza analisi preventiva e obiettivi ben definiti), può essere completamente inutile per un’azienda.
Ecco perché è necessario che l’uso dei dati mediante sistemi d’intelligenza artificiale sia considerato come uno strumento d’assistenza alla gestione della produzione, e non un sistema capace di rimpiazzare la gestione stessa. Se si identificano i problemi effettivamente risolvibili dall’AI è realisticamente possibile avere miglioramenti d’efficienza e produttività (misurabili e misurati): l’OEE (overall equipment effectiveness, efficienza complessiva della risorsa produttiva) di chi utilizza strumenti di raccolta e gestione intelligente dei dati, infatti, permette di ottenere un aumento dal 65% (è l’efficienza tipica di un’azienda manifatturiera allo stato attuale) all’85%.
Nella produzione manifatturiera industriale è possibile utilizzare l’IA in tre diverse modalità:

• Ispezione visiva: l’AI controlla il prodotto confrontandolo con un modello di riferimento, per verificare visivamente se è conforme agli standard di qualità prefissati;
• Digital Lean analytics: effettua un’analisi digitale “snella” raccogliendo ed elaborando i dati provenienti della linea di produzione per identificare le cause alla base dei colli di bottiglia, senza che sia necessario l’intervento di un consulente esterno;
• What if analysis: l’AI calcola l’impatto causato da possibili modifiche della linea produttiva, rendendo possibile individuare la le sequenze ottimali del processo di produzione, oppure le conseguenze negative che potrebbe avrebbe l’introduzione di una modifica di alcuni specifici fattori di processo.

Perché l’implementazione di queste tecnologie sia efficace è necessario che le aziende identifichino i problemi che vorrebbero veder risolti mediante l’uso dall’intelligenza artificiale, fornendole i dati necessari perché possa trovare delle soluzioni. Questo è un passaggio critico, che può compromettere la buona riuscita dell’integrazione dei software di AI: se si fallisce nella definizione dell’ambito specifico di utilizzo di un sistema di AI, se non si riescono a individuare con precisione le esigenze che vorremmo affrontare e risolvere mediante l’AI, il rischio è di trovarsi con strumenti che, nonostante il loro grande potenziale, non hanno alcuna utilità pratica. Anzi, è possibile essere travolti da masse di dati che generano un insieme ingestibile di falsi allarmi.
Dunque, una volta che si siano implementati sistemi di raccolta dati finalizzati al loro trattamento “intelligente”, ciò deve produrre un’informazione di sintesi che richiede il controllo analitico dell’uomo, che ha il compito di decidere se le potenziali anomalie e i problemi riscontrati dalla “macchina” (intesa anche come “linea di produzione”) possono essere risolte autonomamente dal sistema di AI, ovvero se si deve intervenire in altro modo. In altri termini, sotto il controllo umano, l’AI, in virtù di un’analisi “snella” dei dati raccolti, crea un algoritmo per offrire analisi contestualizzate che spiegano esattamente cosa sta succedendo alla “macchina”, riducendo così il costo d’identificazione dei problemi che può arrivare all’80% (Mckinsey & Company).
Ann LoCicero è una specialista di i4.0 con esperienza nell’accompagnamento di imprenditori e tecnici di aziende di qualsiasi dimensione – a partire dalle piccole aziende che caratterizzano il settore dei trattamenti delle superfici – per affrontare con successo il tema dell’analisi dei dati, per ricavarne valore concreto. L’Industrial Analytics Platform è il sistema sviluppato da Smartfab che permette, in funzione di quanto suggerito, di effettuare una raccolta dati e loro elaborazione “intelligente”, capace cioè d’identificare e suggerire la migliore sequenza produttiva, ridurre lo spreco di prodotti ed evitare tempi di inattività non previsti, i tassi di scarto e le rilavorazioni e infine, grazie all’ottimizzazione conseguita, di ridurre i consumi energetici.