Cultura del dato: fondamento per un’AI aziendale efficace

Explainable AI: trasparenza nei modelli di intelligenza artificiale

Un aspetto spesso dibattuto dell’intelligenza artificiale è la sua “scatola nera”, ovvero la difficoltà di comprendere come i sistemi arrivino a determinate conclusioni. E allora occorre fare un distinguo, e un po’ di teoria, per non far di tutta l’AI un fascio … Dobbiamo tornare alle origini e parlare di AI spiegabile (Explainable AI o XAI) che è spiegabile per definizione perché basata su modelli matematici. La matematica ha sempre un perché, è comprensibile e certa perché applica regole definite, per cui, risalendo a ritroso dal risultato ottenuto fino al modello di ML, è possibile comprendere perché abbiamo ottenuto quel dato.

Ecco, far comprendere come “ragiona” un motore di AI e rendere questo “ragionamento” accessibile a tutti è fondamentale per favorire l’adozione di questi strumenti evoluti, abilitare nuove abitudini di risoluzione dei task e favorire l’analisi di questi prodotti intelligenti, migliorando il processo decisionale.

Esempi di AI spiegabile? Sicuramente gli algoritmi di machine learning adottati per i sistemi di manutenzione predittiva, che calcolano le probabilità di un fermo macchina o di un prossimo guasto su una linea, correlando le diverse condizioni applicate all’interno del modello matematico con i dati aziendali raccolti nel tempo. Si tratta di un calcolo statistico, matematico.

Prescriptive ai: ottimizzazione in scenari multi-vincolo e multi-obiettivo

Quando le condizioni da considerare sono mutevoli e le correlazioni potenzialmente infinite diventano impossibili da calcolare per l’uomo: ci si trova in contesti cosiddetti multi-vincolo e multi-obiettivo. Basti pensare alla catena di fornitura di una fabbrica e a tutte le incognite che ogni giorno si presentano sul tavolo di chi deve decidere come procedere e quali piani di produzione avviare, con quali priorità, con quali livelli di saturazione delle macchine, per consegnare la merce nei tempi stabiliti evitando, per esempio, penali o ritardi nella filiera logistica.

Qui entra in gioco un secondo livello di intelligenza artificiale, l’AI prescrittiva. Non si limita a prevedere cosa accadrà, ma si spinge oltre, proponendo tutti gli scenari ottimi possibili e applicabili al contesto specifico, suggerendo le azioni da intraprendere per renderli esecutivi, dopo un’accurata selezione tra migliaia di alternative, tanto numerose da essere inquantificabili per l’uomo. Anche immaginando di avere tempo infinito, non saremmo nemmeno in grado di prendere in considerazione e, di conseguenza, valutare tutte le condizioni che potrebbero verificarsi, a causa del limite oggettivo della nostra capacità computazionale.

Un esempio concreto riguarda la scelta del migliore mix produttivo su un impianto, dove il mix ottimale tra disponibilità delle macchine, fermi per manutenzione, competenze degli operatori va scelto per ottimizzare sia l’efficienza della produzione che i tempi di consegna degli ordini cliente. Normalmente lo spazio delle possibili soluzioni è molto ampio ed è lasciata all’esperienza del pianificatore la scelta della soluzione “migliore”.

L’AI prescrittiva invece supporta la decisione attraverso il calcolo di tutti gli scenari possibili e la successiva scelta di quelli che più si avvicinano all’ottimizzazione degli obiettivi definiti dal pianificatore, proponendo alternative da scegliere e attuare in fabbrica.

Driver strategici per l’adozione dell’ai prescrittiva

In generale, adottare tecnologie innovative non basta più; in particolare, oggi ci sono due driver fondamentali che stanno spingendo l’adozione di AI prescrittiva all’interno delle aziende, rispettivamente l’efficientamento dei sistemi e la transizione energetica, in quanto ciò consente di ridurre costi operativi e sprechi energetici, generando un duplice vantaggio: da un lato, si abbattono le emissioni e i consumi; dall’altro, si ottiene un risparmio economico misurabile, che motiva concretamente le aziende ad agire in linea con le proprie strategie ESG.

Generative AI: supporto nell’interpretazione dei risultati

C’è poi un terzo livello di intelligenza che si può attivare per migliorare la nostra comprensione dei dati e delle elaborazioni dell’AI prescrittiva, ed è qui che il mercato si prepara a vivere la vera rivoluzione dell’Agentic Automation. Immaginate di poter interrogare un proprio Agente di AI che vi aiuti nel comprendere i risultati ottenuti ad esempio nell’analisi della saturazione delle linee produttive e quindi dei diversi scenari di ottimizzazione proposti. In questo senso l’AI Generativa può essere un valido aiutante e facilitatore dell’adozione. Non necessariamente è il punto di partenza, ma può essere un punto di arrivo dopo aver fatto chiarezza sulla gestione dei dati e sui criteri con cui vengono scelti gli scenari di produzione. È nella spiegazione delle alternative che l’AI Generativa si affianca alle persone per aiutarle a comprendere meglio le opzioni.

Memoria industriale e gestione della conoscenza aziendale

La gestione della conoscenza industriale è forse uno dei temi maggiormente sottovalutati quando si parla di intelligenza artificiale, e spesso si dimentica che il know-how delle aziende risiede ancora nelle competenze dei lavoratori esperti, molti dei quali prossimi alla pensione, oltreché in dati spesso disaggregati. A fronte di un turnover crescente e di una difficoltà a reperire giovani talenti – in particolare nel settore manifatturiero – serve un meccanismo per rendere esplicita questa conoscenza e trasferirla alle nuove generazioni. In questo frangente, l’intelligenza artificiale (in tutti i suoi livelli di applicazione possibili) può fungere da “memoria industriale” supportando le persone nelle scelte, rendendo disponibili informazioni e logiche decisionali che altrimenti andrebbero perse. Questo è un modo per creare continuità e resilienza all’interno del sistema aziendale affinché l’intelligenza artificiale, se adottata con criterio, possa evitare emorragie di competenze.

Architetture AI-native e collaborazioni strategiche

Questo nuovo paradigma digitale presuppone un cambiamento culturale e un nuovo approccio alla raccolta e allo studio di dati in azienda, in cui ogni professionista comprenda il valore intrinseco delle informazioni e partecipi attivamente alla loro gestione affinché i dati prodotti possano essere giudicati di qualità, coerenti e sempre aggiornati. Nel processo di innovazione gestionale e strutturale, l’intelligenza artificiale contribuisce a costruire una memoria organizzativa condivisa, raccogliendo il know-how trasferito dagli esperti, diventando un bacino di conoscenza condivisa per i nuovi professionisti. Per abilitare questi scenari, è necessario che le aziende applichino architetture flessibili, modulari, capaci di operare in ambienti ibridi e multicloud: è tempo di superare la visione “a silos” dei sistemi aziendali e sfruttare architetture “AI-native” che mettano in comunicazione modelli di AI, ambienti operativi e quelli decisionali.

L’importanza delle collaborazioni tra aziende e centri di ricerca

È in questo contesto che si collocano collaborazioni tra aziende e centri di ricerca, come per esempio la partnership tra Altea Federation e l’Università del Salento per lo sviluppo di soluzioni intelligenti per la fabbrica data-driven. La ricerca accademica abbinata alla conoscenza dei processi industriali alimenta infatti progetti virtuosi di innovazione, a beneficio di qualsiasi tipologia di aziende, accomunate spesso da percorsi di sperimentazione e difficoltà di messa a fuoco della roadmap trasformativa da seguire. La ricetta per diventare smart factory è necessariamente unica e distintiva, calibrata sulle peculiarità di ciascun modello di business, e necessita di un sapere sartoriale per cogliere gli insight a maggior valore e apportare un significativo miglioramento delle performance.