La crescente disponibilità di dati e i progressi nella loro capacità di analisi ed elaborazione, quali quelli riconducibili a sistemi di intelligenza artificiale, sono alla base dello sviluppo di applicazioni tecnologiche che fanno ormai parte della nostra quotidianità e che si diffondono sempre più anche come elemento di competitività aziendale.
Si tratta di strumenti già impiegati e testati anche se per la maggior parte attualmente confinati ai grandi player del mercato, ma per i quali è facile prevedere in futuro una sempre maggiore diffusione, anche su realtà medio piccole.
Big Data, Intelligenza Artificiale e Business Analytics. Cosa sono e perché sono un fattore di competitività?
La quantità di dati digitali che oggi produciamo è incredibilmente elevata, sia in termini di volume che granularità. Si pensi al fatto che nel 2023 in soli 9 mesi si sono prodotti tanti dati quanti quelli che erano stati prodotti in tutta la storia dell’umanità sino ad oggi. Un indicatore che impressiona e che ha un trend di crescita in continua accelerazione. Stanno infatti entrando in gioco sempre di più frenetici generatori di dati, i dispositivi dell’Internet delle cose (IoT), cioè quella miriade di sensori e macchine elettroniche che si inseriranno nella rete delle telecomunicazioni incrementando ulteriormente la produzione di informazioni.
Una quantità di dati che può essere preziosa da utilizzare ma talmente grande che è impossibile da gestire e trasformare dalla mente umana in informazioni utili ai fini decisionali. Al contrario è l’intelligenza artificiale che può agevolare questo compito e diventare un alleato per l’uomo.
Ma cosa si intende per intelligenza artificiale? Quando si parla di intelligenza artificiale (IA) ci si riferisce ad un sistema che, a differenza dei software tradizionali, non si basa sulla programmazione quanto su tecniche di apprendimento, cioè algoritmi che elaborano una gran quantità di dati dai quali è il sistema stesso che deriva le proprie capacità di comprensione e ragionamento. Non esiste in realtà una definizione univoca di IA e le interpretazioni possono variare a seconda dei modelli e del campo di impiego, possiamo però considerare come elemento comune di questi sistemi la somiglianza al comportamento umano.
Si parla di IA da molto tempo, il termine fu coniato negli anni ’50 negli Stati Uniti ma è solo negli ultimi anni che lo sviluppo tecnologico nel campo della potenza di calcolo, della disponibilità dei dati e nella capacità della loro analisi per risolvere problemi complessi ne ha abilitato la diffusione delle sue applicazioni. Strumenti che offrono possibilità di elaborazioni impensabili fino a poco tempo fa e che diventano sempre più pervasivi anche negli impieghi aziendali.
È chiaro quindi quanto stia aumentando anche l’importanza della business analytics in azienda, cioè la disciplina che copre tutti gli aspetti legati alla raccolta, alla gestione, all’analisi e all’elaborazione dei dati per anticipare scenari futuri più verosimili al fine di supportare o automatizzare processi decisionali. Oltre la possibilità di utilizzo dei dati provenienti da sistemi di raccolta tradizionali, le aziende possono trarre vantaggi dalle potenzialità dei Big Data, ovvero dati generati da macchine (IoT, industry 4.0) e persone (app, dispositivi o navigazione web) e dal sempre maggiore supporto di sistemi IA per la loro analisi e utilizzo.
Ambiti di applicazione nelle aziende e nelle Operations
Esistono già numerosi esempi di come l’introduzione dell’IA abbia portato impatti positivi a processi aziendali, automatizzando parti ripetitive e a basso valore aggiunto, in precedenza svolti dall’uomo, riducendo errori, permettendo lo sviluppo di nuovi prodotti e servizi.
Siamo però solo all’inizio di una fase storica di discontinuità tecnologica e tutto fa pensare che nei prossimi anni assisteremo ad un progresso epocale.
Vediamo di seguito alcune delle applicazioni che già oggi sono utilizzate nella gestione di processi che ricadono nell’area delle Operations.
Nel processo di approvvigionamento, modelli di intelligenza artificiale generativa consentono di prendere in esame dati interni ed esterni all’azienda e di fare previsioni delle dinamiche future del mercato e delle potenziali oscillazioni dell’offerta di materie prime, aiutando a identificare, ad esempio, strategie di acquisto o tempi di negoziazione più vantaggiosi da calendarizzare con i fornitori.
Algoritmi di machine learning sono poi in grado di analizzare la rotazione dei materiali e dei consumi, elaborando le strategie più efficaci per la valorizzazione e il criterio di costo da utilizzare in ambito contabile. Ma anche per proporre ottimizzazioni nei riordini di acquisto in base ai flussi di consumo o per promuovere attività di pianificazione dell’inventario grazie alla loro accuratezza nella previsione della domanda.
In ambito Manufacturing si utilizzano tecniche di riconoscimento delle immagini per supportare processi di fabbrica che non possono essere monitorati attraverso sensoristica o altri classici sistemi di raccolta dati: dall’identificazione di presenza e posizionamento di materiale in area di stoccaggio a inizio linea, alla generazione di segnali di allerta dato dal riconoscimento di anomalie sulla linea produttiva, fino all’automatizzazione di processi di controllo qualità sul prodotto.
Un’applicazione di queste tecniche si trova nel controllo delle braccia robotizzate per la movimentazione di materiali. Se supportate dall’IA, sono in grado di montare un pezzo anche se questo si trova in posizione non corretta perché l’algoritmo di controllo, anziché fornire le coordinate, attiva un riconoscimento ottico che ricerca il pezzo in tutta l’area che il braccio può raggiungere. E se la macchina o l’uomo che porge il pezzo commette più volte l’errore, il robot impara quale è la posizione dove andare subito a cercare il pezzo.
L’area della visione artificiale è utilizzata anche nella videosorveglianza di luoghi interni ed esterni che necessitano di presidi tecnici o di sicurezza: l’algoritmo in questo caso è in grado di “guardare” le immagini e interpretarle. Esempi di utilizzi di questo tipo riguardano il monitoraggio dei locali tecnici da parte delle utilities.
Il design generativo arriva invece in supporto nella progettazione e validazione di nuovi prodotti. I progettisti possono inserire obiettivi e parametri di progettazione come materiali, metodi di produzione e vincoli di costo nei software di progettazione generativa per esplorare le alternative di progettazione. Queste soluzioni utilizzano tecniche di apprendimento automatico per riconoscere da ogni iterazione cosa funziona e cosa no. Applicazioni si trovano anche in ambito chimico e farmaceutico, dove agli algoritmi si affida il compito di combinare delle molecole al fine di individuare e validare nuovi materiali o formulazioni.
La manutenzione, infine, che è oggi uno dei campi più esplorati dalle aziende in ambito di soluzioni IA con applicazioni che consentono di costruire modelli molto robusti da utilizzare per la manutenzione predittiva dei macchinari, delle apparecchiature o dei mezzi di trasporto. I produttori sfruttano l’IA e i dati raccolti dai sensori, per identificare tendenze di funzionamento, potenziali tempi di inattività e incidenti. Molteplici i vantaggi che si possono ottenere come le riduzioni dei tempi di fermo della produzione o dei mezzi di trasporto, la longevità delle apparecchiature e il loro mantenimento in condizioni di massima efficienza di funzionamento e di consumo di energia.
