Le organizzazioni ad alta intensità di risorse stanno perseguendo la trasformazione digitale per raggiungere l’eccellenza operativa, migliorare i KPI e risolvere problemi concreti nelle aree dei processi di produzione e supporto.
I modelli di previsione basati sull’intelligenza artificiale sono strumenti particolarmente utili che possono essere implementati in ambienti di produzione complessi. Rispetto ai comuni strumenti analitici, i modelli di previsione possono amplificare più facilmente le correlazioni tra diversi parametri in ambienti di produzione complicati che generano grandi volumi di dati strutturati o non strutturati.
I colloqui regolari con i dirigenti di organizzazioni ad alta intensità di produzione indicano che l’uso dell’IA è in costante aumento. Ciò è in linea con la previsione di IDC secondo cui il 70% delle aziende del G2000 utilizzerà l’intelligenza artificiale per sviluppare linee guida e approfondimenti per il processo decisionale operativo basato sul rischio entro il 2026. La cifra è inferiore al 5% oggi.
Comunque, non bisogna farsi distrarre dalle visioni di un potente “cervello centrale” in grado di gestire l’intera organizzazione. I casi d’uso tipici di tutti i giorni sfruttano principalmente l’intelligenza artificiale cognitiva incorporata negli strumenti di pianificazione e programmazione. Viene anche utilizzato nei modelli predittivi di qualità e manutenzione.
Ciò che offre un valore immediato, e un ROI molto ragionevole, sono soluzioni che sfruttano motori basati sull’intelligenza artificiale che riconoscono immagini e suoni, valori numerici da vibrazioni, temperature e processi. Attualmente si vedono la maggior parte di questi casi d’uso in progetti pilota o implementazioni isolate.
Dal punto di vista della scalabilità, ci sono due gruppi principali di progetti digitali che sfruttano l’intelligenza artificiale nelle aree di produzione. Ciascuno offre valore. Tuttavia, ognuno di essi offre tempi di scalabilità e tempi di precisione diversi.
Le soluzioni basate sull’intelligenza artificiale basate su processi di apprendimento complessi sono altamente personalizzate. Possono sfruttare le reti neurali e l’apprendimento profondo per il riconoscimento delle immagini o l’apprendimento supervisionato per costruire modelli predittivi.
Ci vuole un tempo relativamente lungo per mettere a punto una soluzione per fornire una precisione del 90%. Di solito si tratta di soluzioni predittive che modellano il comportamento del materiale durante il processo di produzione (ad esempio, previsioni di rottura per un nastro di carta o una lastra di acciaio).
Sembra che la scalabilità industriale possa essere una vera sfida. Tuttavia, per questo progetto, è stata applicata la modalità di autoapprendimento, accelerando notevolmente i progressi verso una precisione del 99%.
Anche in modelli altamente personalizzati, potrebbe essere difficile trovare le cause alla radice dei problemi. Per risolvere tali problemi, gli analisti e gli ingegneri dei materiali devono utilizzare soluzioni intelligenti che mostrano quando, come e perché si sono verificati i problemi.
Ingegneri, sviluppatori e analisti di dati hanno a disposizione diversi strumenti e soluzioni digitali e hardware basati sulle tecnologie contemporanee. Tuttavia, in molti casi, questi strumenti e soluzioni sono inadeguati. Gli ambienti di produzione possono essere molto diversi.
Non si tratta semplicemente di acquisire i parametri e i segnali giusti per migliorare la qualità degli output e l’accuratezza finale del modello. Anche le condizioni di lavoro possono variare. Diversi metodi di manutenzione, regolazione e gestione delle risorse di produzione possono avere un impatto significativo sulla qualità dei risultati del modello. Il viaggio verso la perfezione può essere tortuoso e roccioso.
Il ROI, ovviamente, deve essere estremamente convincente. La mia esperienza mi dice che la prototipazione rapida di soluzioni è essenziale. La funzionalità di un modello dovrebbe essere testata rapidamente, in un massimo di 3-4 settimane. Il tempo di attesa tra l’inizio dello sviluppo e l’implementazione di una soluzione (ottenere risultati accurati e affidabili) può richiedere mesi a causa del processo di apprendimento e dell’adeguamento del modello.
Questo è il motivo per cui il tipo di produzione ideale per questo tipo di distribuzione è un ambiente ad alta intensità di risorse, in cui una singola interruzione può causare danni per milioni di dollari.
Soluzioni standardizzate: si tratta di soluzioni raffinate e altamente scalabili basate principalmente sui principi di riconoscimento delle immagini. La precisione dell’output finale dipende fortemente dal numero di campioni di anomalia: più campioni, più accurato è il modello.
Per le attività di controllo qualità di base, potrebbero essere necessari 4-6 campioni non OK (“NOK”) per apprendere un sistema eseguito tramite una telecamera posizionata sulla linea di produzione. Ciò è del tutto sufficiente nella produzione ad alta velocità. Teoricamente, una tale soluzione può persino fornire una precisione del 99,99%. Tuttavia, la vita reale mostra che questo valore piuttosto teorico viene raggiunto solo durante semplici attività di controllo della qualità.
Le dimensioni e l’integrità della superficie giocano un ruolo importante nel fatto che tali soluzioni possano essere utilizzate in modo efficace. Più è piccolo e semplice, più efficaci sono le uscite di controllo.
Le soluzioni che sfruttano il monitoraggio e l’analisi basati sull’intelligenza artificiale di ogni fase di assemblaggio, inclusa l’analisi del tempo di ciclo, sembrano molto promettenti. Tali soluzioni possono identificare anomalie di produzione e colli di bottiglia, migliorando la produttività di decine di percentuali.
Possono anche accelerare in modo significativo l’individuazione dei problemi di qualità, in alcuni casi riducendo il tempo di individuazione a pochi minuti. Le soluzioni standardizzate possono facilmente raggiungere un obiettivo di ROI di 1-2 anni. Il tempo per la scalabilità e il tempo per la precisione possono essere di pochi giorni o addirittura di ore.
Le aziende dovrebbero avere aspettative realistiche sullo sfruttamento dell’intelligenza artificiale nella produzione, nel controllo di qualità e nella manutenzione. L’intelligenza artificiale non è un farmaco miracoloso che risolve ogni emergenza. L’intelligenza artificiale può, tuttavia, fornire una vasta gamma di casi d’uso.
In molte situazioni, il vantaggio non sono solo evidenti KPI (ad esempio, disponibilità della linea di produzione o efficienza complessiva delle apparecchiature), ma anche impatti secondari che migliorano la sostenibilità e la qualità, risolvono i problemi nel processo di produzione e aumentano la soddisfazione del cliente.
Come sempre, va evitata la creazione di silos digitali. Per sfruttare tutta la potenza dei dati, i modelli basati sull’intelligenza artificiale devono essere integrati con sistemi aziendali come sistemi esecutivi di produzione, ERP e strumenti di analisi avanzata. I dati possono essere analizzati in più aree e contestualizzati. È possibile combinare diverse soluzioni di analisi per ottenere informazioni inaspettate.
