Negli ultimi anni «IA» è diventata quasi sinonimo di sistemi generativi che scrivono testi e rispondono a domande. Per questo la prima idea per un progetto di IA industriale è spesso un chatbot per la documentazione, la manutenzione o il reporting direzionale.

Può essere utile. Ma l’intelligenza artificiale industriale è un ambito molto più ampio e, in molti casi, meno appariscente.

Un modello che funziona bene potrebbe non parlare mai un linguaggio umano. Si limita ad accorgersi che un’apparecchiatura si comporta diversamente dal solito, a prevedere il fabbisogno energetico del giorno successivo o a programmare carichi e sistemi di accumulo in modo da ridurre i costi e i rischi per la rete.

Quattro compiti tipici dell’IA industriale

Rilevamento delle anomalie

Il sistema apprende il profilo di funzionamento normale e poi segnala gli scostamenti significativi. Può servire a riconoscere variazioni nello stato delle macchine, nei consumi energetici o nel comportamento della rete, oppure guasti dei sensori.

Un’anomalia non è automaticamente un guasto. È piuttosto una domanda legittima: che cosa è cambiato, ed è necessario intervenire?

Previsione

I modelli di serie temporali possono stimare consumi, produzione, carico o fabbisogno termico per le prossime ore o i prossimi giorni. La previsione può costituire la base per acquisti, programmazione, pianificazione della capacità e regolazione.

Classificazione e diagnostica

Se sono disponibili dati adeguatamente etichettati, il modello può identificare diversi stati o modalità di guasto. Può, ad esempio, distinguere il funzionamento normale da un sovraccarico, da uno squilibrio o da un guasto del sensore.

Ottimizzazione

Un sistema di ottimizzazione non si limita a dire che cosa accadrà: propone anche come ottenere il risultato migliore entro i vincoli dati. Può trattarsi della pianificazione di carica e scarica di un sistema di accumulo a batterie, della schedulazione delle attività produttive o della riduzione dei picchi di carico.

L’IA industriale lavora entro vincoli fisici

Una risposta errata di un sistema che genera testo può essere spiacevole. Una decisione errata di un modello usato nel controllo può causare danni materiali, fermi di produzione o problemi di sicurezza.

Per questo l’IA industriale non può operare come una scatola nera senza limiti. Le decisioni del modello vanno inquadrate entro regole tecnologiche e di sicurezza.

Un modello di ottimizzazione energetica, ad esempio, può suggerire di scaricare rapidamente una batteria, ma il livello esecutivo deve tenere conto:

  • dei limiti dello stato di carica;
  • del limite di potenza;
  • della temperatura;
  • delle prescrizioni del costruttore;
  • delle condizioni di connessione alla rete;
  • dello stato operativo attuale;
  • delle autorizzazioni di utenti e sistemi.

Il modello può dare un suggerimento. L’esecuzione sicura deve essere protetta da limiti deterministici e da un processo controllato.

Senza dati non c’è IA, senza contesto non c’è IA sensata

Una serie temporale dei consumi energetici, da sola, raramente basta. Occorre sapere da quale dispositivo proviene, in quale turno, con quale volume produttivo, in quali condizioni meteorologiche e in quale stato di manutenzione è stata generata.

Una delle parti più difficili dell’IA industriale non è quindi la scelta del modello, ma il collegamento dei dati:

  • dati di misura;
  • anagrafiche di dispositivi e siti;
  • stati operativi;
  • eventi di produzione e di manutenzione;
  • dati meteorologici o di mercato;
  • interventi e relativi risultati.

Se questi dati vivono in sistemi separati, con identificativi diversi e marcature temporali incerte, il modello potrà anche essere tecnicamente pronto, ma dal punto di vista del business resterà debole.

Anche l’IA generativa ha il suo spazio – solo che non è lei a comandare il motore

L’IA generativa può essere particolarmente efficace nella gestione di informazioni non strutturate. Può aiutare:

  • nella ricerca nella documentazione tecnica;
  • nella sintesi dei registri eventi;
  • nella preparazione dei verbali di manutenzione;
  • nelle interrogazioni in linguaggio naturale;
  • nella stesura di report e proposte di intervento;
  • nella compilazione della documentazione di audit.

Nell’esecuzione operativa, però, conviene mantenere un confine netto. La risposta del modello generativo può essere un’informazione di supporto alle decisioni, mentre il comando effettivo viene verificato da autorizzazioni, approvazione, motore di regole (rule engine) e logica di sicurezza locale.

Il risultato dell’IA non è un punteggio, ma un funzionamento migliore

L’accuratezza di un modello è un indicatore tecnico importante, ma non coincide con il risultato di business. Un modello di manutenzione può essere statisticamente valido e tuttavia inutilizzabile se genera troppi allarmi, segnala troppo tardi o non fornisce al manutentore informazioni sufficienti per agire.

Conviene quindi definire indicatori di successo come:

  • tempo di fermo evitato;
  • riduzione dei costi energetici o di manutenzione;
  • errore di previsione su un orizzonte temporale rilevante per il business;
  • tasso di falsi allarmi;
  • tempo trascorso dall’evento all’intervento;
  • numero di passaggi manuali automatizzabili o eliminabili.

In OrigSmart l’IA non è una demo a sé stante

La piattaforma OrigSmart collega in un unico sistema il punto di misura fisico, l’acquisizione dei dati sul campo, la gestione centralizzata dei dati e il processo aziendale eseguibile. È questo l’ambiente in cui il risultato dell’IA non resta un output isolato del modello.

Una previsione può diventare un dato di pianificazione. Un’anomalia, un’attività di manutenzione. Una proposta di ottimizzazione, un intervento di controllo approvato e circoscritto. E l’esito dell’esecuzione può tornare nel sistema, rendendo il processo misurabile e migliorabile nel tempo.

Per questo l’approccio di OrigSmart non parte dalla domanda «dove mettiamo l’IA?». Prima definiamo il problema operativo, i dati disponibili, il punto decisionale e le regole di esecuzione. Solo dopo scegliamo il modello.

La buona IA industriale lavora perlopiù in silenzio

Non chiede attenzione, non scrive frasi a effetto su se stessa e non cerca di risolvere ogni problema con un’unica tecnologia. Valuta di continuo i segnali, fa previsioni, stabilisce priorità, ottimizza e fornisce un risultato utilizzabile alla persona o al sistema giusto nel momento giusto.

Il valore dell’IA industriale non si misura da quanto parli in modo umano, ma da quanto il sistema fisico, grazie a essa, funzioni in modo più affidabile, efficiente e prevedibile.

Parliamo del vostro progetto

Fonti