<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=150415092460129&amp;ev=PageView&amp;noscript=1">

Visione

Offerta

Scenari

Tecnologie di Frontiera

Ruoli

Tilt

Quali gli ostacoli dell’adozione dell’AI in ambito industriale e come superarli

Quali gli ostacoli dell’adozione dell’AI in ambito industriale e come superarli

A 2019 inoltrato, l’industria ha ormai compreso i benefici della trasformazione digitale e, soprattutto, dell’integrazione dell’Intelligenza Artificiale nei suoi processi: a fronte di un iter d’implementazione non dei più facili, i risultati in termini di produttività, riduzione dei costi, consapevolezza situazionale e miglioramento delle procedure decisionali sono indubbi e giustificano, appunto, un processo che va gestito con cura.

In ambito industriale, l’introduzione del machine learning e delle altre tecnologie che rientrano nel cappello dell’AI è un’opportunità da prendere al volo, ma ciò non significa che non ci siano ostacoli da affrontare. Il motivo è semplice da intuire: in ambito industriale, la posta in palio è molto più corposa rispetto ad altri settori e tolleranza agli errori tendente allo zero. Rispetto ad altri ambiti, in pratica, è tutto ingigantito: se un sistema di manutenzione predittiva segnala un potenziale difetto nel motore di un aereo, si stima che la gestione del problema possa costare alla compagnia fino a 200.000 dollari in una manciata di ore (fonte: Forbes); è piuttosto evidente, dunque, quanto un falso positivo vada assolutamente evitato, e ciò valga per un’infinità di ambiti attinenti alla produzione industriale e i prodotti.

Ciò premesso, l’introduzione dell’AI nel contesto industriale pone una serie di sfide notevoli. Innanzitutto, molte industrie usano ancora macchinari antiquati e inadatti alla raccolta di dati, senza i quali l’Intelligenza Artificiale non può proprio esistere: è un po’ il problema dell’aggiornamento dei sistemi legacy che vale per tutti i progetti di digital transformation e non solo all’interno dei contesti industriali. In più, l’Industrial AI pone questioni squisitamente tecniche quali il reperimento di dati di qualità per il training dei modelli di Machine Learning, lo sviluppo degli stessi e le capacità computazionali e di storage: parliamo di macchinari con milioni di sensori capaci di generare volumi di dati ingenti da esaminare e interpretare nell’ambito dei millisecondi. In tutto ciò si pone poi un problema applicativo: testare sistemi di AI su macchinari di produzione è sicuramente costoso per l’azienda e può essere rischioso, motivo per cui ci si avvale spesso dei digital twins, anch’essi comunque non propriamente economici. Senza dimenticare i costi ingenti di errori e modifiche in corsa e, soprattutto, la scarsità di talenti in ambito di data science, talenti che finiscono spesso per lavorare per i colossi tech come Google e Microsoft.

 

Ostacoli importanti, soluzioni presenti

Come anticipato, il processo di integrazione dell’AI nei contesti produttivi pone una serie di sfide importanti. La verità, però, è che molte aziende non possono più permettersi di mantenere lo status quo: una concorrenza globale sempre più serrata e dover competere con aziende soggette a costi minori e normativa meno rigida impongono un totale ripensamento delle modalità operative volte ad aumentare l’efficienza e ridurre i costi. In poche parole, per molte realtà industriali l’AI è un aggiornamento necessario.

Quindi che fare? Visto che ogni azienda è un caso a sé, non c’è una soluzione – magari un bel prodotto preconfezionato – che vada bene a tutti e risolva i problemi. Il segreto sta nell’affrontare un progetto di questa portata con gradualità e piena consapevolezza dei risultati che si vogliono ottenere. A ben vedere, la digital transformation è una trasformazione di business, non tecnologica in senso stretto: può capitare che le aziende si concentrino sul lato tech del processo dimenticando i propri obiettivi, ma è proprio lì che si annidano gli errori più importanti. L’introduzione dell’AI nei processi industriali non può essere svincolata da un processo di trasformazione più ampio che va dall’aggiornamento dei macchinari ai sistemi legacy, dalla definizione di nuove procedure alla necessità di assumere talenti capaci di sviluppare e addestrare modelli di machine learning cuciti su misura per le esigenze dell’azienda.

Alla fine, la complessità risulta persino più progettuale che tecnica. Bisogna stabilire obiettivi, fasi e modalità di test, cercando di mantenere per tutto l’iter la massima semplicità possibile: meglio andare per gradi, fissare obiettivi intermedi con un occhio rivolto al traguardo finale. Poi è chiaro che vadano definite le soluzioni tecniche verso cui orientarsi: dai sistemi stand alone che aggiornano parte della produzione alle tecnologie più moderne (AI compresa), fino a modelli di machine learning pre-trained (come i Microsoft Cognitive Services) oppure sviluppati ad hoc su piattaforme come Azure o progetti cloud analoghi. A patto di avere un progetto solido e le professionalità giuste, il mercato è stracolmo di soluzioni adattabili a ogni realtà industriale, con cui ottenere i risultati ambiti e guardare il futuro con comprensibile ottimismo. È davvero arrivato il momento di pensarci.

New call-to-action

Iscriviti al Blog