L’accelerazione tecnologica degli ultimi anni nel campo dell’Intelligenza Artificiale può portarci a pensare che esista un tipo di AI in grado di rispondere a tutto, o quasi.

Vuoi aumentare la disponibilità dei tuoi impianti? Implementa la manutenzione predittiva.

Vuoi anticipare un possibile guasto? Utilizza il Machine Learning.

Vuoi aumentare la produttività di una linea? Crea un Digital Twin.

Non sai da dove cominciare? Chiedi all’AI.

L’efficacia raggiunta oggi dai motori di AI è indiscutibile. Siamo in grado di ottenere risposte, analisi e previsioni sempre più accurate in tempi estremamente rapidi.

Eppure, quando si parla di applicazioni dell’AI in ambito industriale, la situazione è più complessa. Nonostante il crescente interesse e i numerosi Proof of Concept (PoC) portati a termine con successo, molte soluzioni faticano ancora a estendersi e a consolidarsi all’interno delle aziende.

Il primo ostacolo, ormai evidente, riguarda la condizione di partenza: per ottenere risultati affidabili è necessaria una base dati di qualità, ampia, strutturata e adeguatamente contestualizzata, sulla quale addestrare gli algoritmi.

Ma non è l’unica difficoltà.

Anche un PoC di successo, infatti, non sempre riesce a trasformarsi in un vero progetto industriale. Il problema non risiede soltanto nella definizione e nell’accuratezza del modello, ma soprattutto nella capacità di trasformare una previsione in una decisione e una decisione in un’azione concreta.

Ed è proprio in questo passaggio che si gioca una parte fondamentale del valore dell’AI nell’industria.

• Come rendere realmente operativa una soluzione AI nella quotidianità delle operation?
• L’AI ha davvero tutte le risposte?

Sono proprio queste le due domande al centro del nostro articolo.

Per rispondere, seguiremo Ignazio, un giovane manutentore, durante il suo turno di lavoro, osservando da vicino situazioni e decisioni in cui l’AI può diventare un prezioso supporto, ma anche mostrare i propri limiti.

Cosa rileva l’AI grazie ai dati?

Ignazio è un giovane dipendente del team di manutenzione, e questa notte è di turno. 

La sua azienda ha implementato con successo un modello di AI in grado di anticipare il rischio di avaria di alcuni degli asset più critici.

Sono le 2:30 del mattino quando Ignazio riceve una notifica: l’algoritmo segnala un’elevata probabilità di fermo nelle prossime tre ore: Asset 1 – High Anomaly Score.

Ignazio si collega all’interfaccia utente e identifica i dettagli dell’asset a rischio. Il tool basato sull’AI evidenzia alcune misure che stanno contribuendo all’elevato valore dell’Anomaly Score. L’algoritmo ha rilevato che, in passato, condizioni operative simili a quelle attuali hanno portato molto spesso a una fermata dell’asset nell’arco di 3-5 ore.

“E adesso, che si fa?”

Il tool gli mostra le misure che hanno generato lo scostamento: la pressione, l’assorbimento di corrente della pompa e il livello di vibrazione. Ignazio osserva i dati, ma la domanda rimane. 

L’AI è stata in grado di rilevare una situazione che, in passato, ha rappresentato un’anticipazione di una fermata. Lo ha fatto quantificando l’Anomaly Score, ovvero la misura dello scostamento tra il comportamento ideale dell’asset e le sue condizioni operative attuali.

Ha inoltre fornito una previsione temporale, stimando quando condizioni anomale come quelle rilevate potrebbero portare a un problema, sulla base di situazioni simili osservate in precedenza.

Infine, ha individuato le misure che contribuiscono maggiormente, dal punto di vista statistico, alla condizione di anomalia: pressione, assorbimento di corrente e vibrazioni.

Tutto questo è estremamente utile. Ma c’è un punto fondamentale: l’AI ha fornito un’analisi predittiva, ma non ha fornito una soluzione. Ha detto a Ignazio che cosa sta succedendo e che cosa potrebbe succedere. Non gli ha detto che cosa fare.

Leggi anche: Quando l'intelligenza artificiale conversazionale e la collaborazione digitale trasformano la manutenzione industriale, anche alle 3 del mattino 

Come agire a fronte di una segnalazione fornita dall’AI?

A questo punto, Ignazio decide di svolgere un’ispezione visiva a bordo macchina.

Prima di scendere in reparto, verifica sul PC se nella cartella condivisa con il team di manutenzione è disponibile una procedura di ispezione relativa a problemi di pressione o vibrazione, che possa guidarlo nella verifica di tutti gli aspetti della macchina, che conosce ancora poco. Controlla inoltre, attraverso il tool di manutenzione, quali sono state le ultime attività manutentive eseguite sull’asset.

Il risultato è interessante, ma non risolutivo: Ignazio trova una procedura di ispezione in formato PDF, ma si accorge che è riferita alla vecchia versione della macchina, precedente al revamping.

Dallo storico manutentivo emerge inoltre che, negli ultimi due mesi, le ispezioni sono state effettuate con cadenza settimanale, senza rilevare alcuna anomalia.

Tuttavia, due mesi prima era stata registrata una breve nota: “Asset 2 – Notifica AI di anomalia riguardo vibrazioni e corrente – lubrificato albero motore.”

Ignazio riflette: “Sono nella stessa situazione di due mesi fa, sulla macchina gemella? Sarà sufficiente lubrificare anche questa volta?”

L’AI ha fornito un’analisi potente e replicabile su asset simili, mettendo a disposizione uno strumento efficace per individuare e interpretare condizioni anomale. Ma anche in questo caso emerge un limite importante.
Manca spesso un anello di congiunzione tra il mondo digitale della macchina, fatto di sensori, dati e modelli matematici, e il mondo fisico e meccanico, fatto di ingranaggi, guarnizioni, cuscinetti, alberi e cinghie di trasmissione.

L’AI può riconoscere un pattern e indicare dove guardare. Ma, per capire che cosa sta realmente accadendo alla macchina e quale intervento sia necessario, serve ancora il collegamento con la conoscenza del mondo fisico.

Ti può interessare anche: Come l'IA generativa sta trasformando l'accesso ai dati industriali con l'AI Assistant CONNECT

Come l’AI può fornire la soluzione ad un problema?

Ignazio, giovane manutentore abituato a utilizzare strumenti digitali per quasi tutte le attività della sua vita quotidiana, è frustrato: non riesce a trovare rapidamente una risposta o un consiglio che lo aiuti a risolvere il problema.

Anomaly Score, correlazioni tra misure e modelli statistici non sono l’ambito in cui si sente più a suo agio.

L’AI gli ha segnalato un possibile problema, ma non è riuscita a collegarlo alle possibili azioni risolutive.

Ignazio si chiede:

• Devo modificare i set point che influenzano la pressione?
• Devo rallentare i tempi di ciclo?
• Devo intervenire fisicamente sulla macchina?

È proprio qui che emerge l’anello mancante.

Per permettere all’AI di fornire indicazioni più precise sul “cosa fare”, è necessario che le azioni delle persone vengano tracciate e messe in relazione con gli eventi che le hanno generate.

Per rendere realmente operativo un tool di AI, non basta quindi registrare l’anomalia: è fondamentale conservare anche il percorso che ha portato dalla rilevazione del problema alla sua risoluzione.

A fronte di un determinato Anomaly Score, è necessario poter ricostruire quali analisi sono state effettuate, quali verifiche sono state svolte e quali azioni correttive sono state intraprese.

Uno storico dei guasti completo, che raccolga sintomi, misurazioni, diagnosi e azioni correttive, permette all’AI di associare la situazione anomala attuale a situazioni già affrontate in passato e di suggerire l’azione risolutiva più probabile.

Ma non solo.

Lo stesso storico può aiutare a riconoscere gli eventuali “abbagli” del modello AI, evidenziando i casi in cui una determinata anomalia non ha portato al guasto previsto.

In questo modo, l’esperienza accumulata dalle persone diventa parte integrante del sistema e l’AI non si limita più a dire “potrebbe esserci un problema”, ma può iniziare a suggerire “questo è ciò che, in situazioni simili, ha funzionato”.

È il passaggio dall’AI predittiva all’AI operativa.

Come rendere operativa una soluzione AI nella quotidianità delle operation?

Ignazio scende in reparto e decide di chiedere all’operatore della macchina se ha notato qualcosa di anomalo.

“Fino ad ora tutto bene.”

Decide quindi di svolgere un’ispezione visiva della macchina, seguendo quanto appreso durante la formazione. Durante il controllo nota un leggero gocciolamento sotto la pompa di scarico. Interpella nuovamente l’operatore per capire da quanto tempo sia presente.

“Lo noto anch’io solo ora. Deve aver appena iniziato. Mi sembra una cosa da poco, talvolta può accadere. Però attenzione: se la perdita aumenta, può provocare un calo di pressione e portare al fermo automatico della macchina. È già successo in passato e il problema è stato risolto sostituendo la guarnizione.”

Ignazio inizia a mettere insieme le informazioni:

• circa 30 minuti prima è scattato un Anomaly Warning, con un rischio di fermata stimato nelle successive 3 ore;
• tra le variabili che contribuiscono all’anomalia c’è la portata;
• è comparso da poco un gocciolamento sotto la pompa di scarico;
• l’esperienza dell’operatore indica che la perdita è ancora minima, ma che, se aumenta, può provocare un fermo;
• una possibile soluzione è legata all’ispezione e all’eventuale sostituzione della guarnizione.

A questo punto Ignazio si trova davanti a una decisione che l’AI non può prendere al suo posto: chiedere un fermo della produzione per sostituire la guarnizione o, almeno, per effettuare un’ispezione più approfondita?

E qui emergono nuove domande:

Chi deve prendere questa decisione?

Come programmare l’intervento riducendo al minimo l’impatto sulla produzione?

Paradossalmente, Ignazio avrebbe quasi preferito non avere alcun tool di AI e ricevere una chiamata solo quando il problema fosse diventato evidente e, magari, anche la soluzione fosse ormai chiara. Ma è proprio questo il paradosso della manutenzione predittiva.

Decidere di fronte a un problema evidente e conclamato può essere più semplice che prendere una decisione quando si ha soltanto un sospetto, un’intuizione o, nel caso dell’AI, una previsione elaborata da un modello.

Il problema è che aspettare che il guasto diventi evidente significa spesso intervenire quando il danno è già avvenuto.

Le azioni reattive hanno infatti un costo maggiore, sia in termini di fermo macchina sia di impatto sulla produzione.

La vera sfida, quindi, non è soltanto prevedere un problema, ma riuscire a prendere la decisione migliore nel momento giusto, combinando dati, AI, esperienza delle persone e conoscenza del processo produttivo.

Approfondisci: In che modo l'AI accelererà la transizione sostenibile dell'industria? 

L’AI ha tutte le risposte?

L’esperienza di Ignazio mette in evidenza un possibile limite dell’AI nelle implementazioni industriali: il contesto fisico ed elettromeccanico degli asset non è sempre disponibile in formato digitale.

Un modello di AI può fornire una previsione corretta, ma non disporre di tutte le informazioni di contesto necessarie per trasformarla in un’indicazione precisa e realmente utile per chi opera sulla macchina.

Un’anomalia nella pressione, ad esempio, può dipendere da una guarnizione usurata, ma anche da una variazione nella densità delle materie prime o dalla scelta di un determinato set point.

Per questo, l’AI industriale non può vivere soltanto dei dati provenienti dalla sensoristica.

Per essere realmente efficace, deve poter attingere al contesto operativo, alla conoscenza del processo e all’esperienza maturata dalle persone, attraverso strumenti capaci di raccogliere, strutturare e rendere disponibili anche queste informazioni.

L’esperienza umana, quindi, non è un elemento destinato a essere sostituito dall’AI, ma una componente fondamentale per completare e rendere realmente operative le sue capacità.

Il vero valore dell’AI industriale nasce quando dati, intelligenza artificiale ed esperienza delle persone lavorano insieme.

Cosa occorre affiancare all’AI per renderla davvero efficace?

L’esempio appena raccontato raccoglie situazioni tutt’altro che rare in ambito industriale: informazioni frammentate o non aggiornate, comunicazione insufficiente tra le persone e difficoltà nel definire le priorità quando è necessario modificare il programma produttivo.

L’implementazione di una soluzione AI parte dai dati provenienti dalla sensoristica, fondamentali per comprendere come si comportano un asset o un processo produttivo. Tuttavia, questi dati devono essere messi in relazione con il contesto operativo, le azioni svolte dalle persone e l’esperienza maturata sul campo.

Ed è qui che emergono alcune domande fondamentali:

• Dove vengono tracciate le attività manutentive e con quale livello di dettaglio?
• Come può un operatore segnalare una situazione anomala, anche quando apparentemente non ha un impatto immediato?
• Come può consultare documentazione e procedure sempre aggiornate?
• Come può verificare l’impatto di un’attività manutentiva sulla pianificazione operativa?
• Dove vengono registrate le segnalazioni dell’AI, la loro effettiva correttezza e gli effetti che hanno prodotto?

L’AI è in grado di rispondere alle domande per cui è stata addestrata. Ma, in ambito industriale, molte delle risposte che servono per prendere una decisione risiedono nel contesto operativo, nell’esperienza delle persone e nel mondo fisico della fabbrica e non sono ancora disponibili in formato digitale.

Il successo di un’implementazione AI dipende quindi anche dalla capacità di rendere operativa, a diversi livelli dell’organizzazione, la conseguenza di una segnalazione di anomalia.

Senza un’integrazione nelle routine quotidiane delle persone, l’AI rischia di essere percepita come un elemento estraneo e, in alcuni casi, persino come un disturbo: un ulteriore sistema che segnala problemi senza fornire gli strumenti necessari per affrontarli.

Dalla previsione all’azione

L’AI è destinata a diventare un tassello sempre più importante nelle architetture applicative della fabbrica del futuro. Ma il suo successo non dipenderà soltanto dalla qualità del modello o dalla capacità di fare previsioni accurate.

Dipenderà dalla sua integrazione con l’intero ecosistema di fabbrica.

Il passaggio critico da PoC a soluzione realmente vincente passa infatti dalla maturità digitale del contesto in cui l’AI viene implementata: dalla qualità e disponibilità dei dati, alla capacità di standardizzare e digitalizzare le procedure, fino alla possibilità di registrare l’esperienza delle persone e di ripianificare il piano produttivo in funzione delle decisioni prese.

Perché nell’industria, prevedere un problema è solo il primo passo. Il vero valore nasce quando quella previsione può diventare una decisione e, infine, un’azione.

Come le soluzioni AVEVA contribuiscono all’implementazione dell’AI?

Nell’offerta AVEVA l’AI è parte di un ecosistema di soluzioni industriali che guidano e accelerano la sua integrazione nelle quotidianità operativa.

Attraverso le piattaforme di acquisizione dati dell’offerta Monitoring&Control , i dati di sensoristica vengono costantemente acquisiti dai controllori e resi disponibili a tutto il personale tramite le interfacce utente multipiattaforma.

Grazie a soluzioni come AVEVA Historian  e AVEVA PI  i dati vengono archiviati ad alta risoluzione, correlati con il contesto operativo ed eventualmente filtrati e ottimizzati per l’utilizzo da parte di soluzioni di analisi o reportistica. Tutto questo di fatto diventa la sorgente indispensabile per allenare i modelli. Non solo, grazie a soluzioni come l’AI Assistant, parte di CONNECT, il personale può svolgere ricerche e analisi sui dati utilizzando il linguaggio naturale, semplificando e stimolando l’accesso ai dati.

AVEVA Advanced Analytics è il motore AI industriale dove una serie di modelli per use case industriali e disponibile per essere configurata per il tuo contesto produttivo. Ma AVEVA Advanced Analytics è molto di più di un motore AI, include funzionalità utente per tracciare le azioni svolte, condividere le scelte e misurare i risultati ottenuti. Questa è la fase cruciale denominata “Operationalize” che supporta gli operatori industriali nel passaggio cruciale da PoC a soluzione operativa.

A supporto di questa fase cruciale è disponibile anche AVEVA Teamwork che consente uno sharing di tutte le attività manuali e la digitalizzazione di form, procedure e training.

L’offerta AVEVA va oltre, includendo la piattaforma MES che consente di guidare e tracciare con maggior completezza tutte le fasi produttive ed arricchire il repository di dati su cui lavora l’AI. Infine attraverso lo schedulatore PlanetTogether, AVEVA supporta la pianificazione dettagliata delle attività e dell’uso delle risorse e grazie alle funzioni di What-If analysis la ripianificazione delle attività in caso di imprevisto risulta più rapida ed efficace.

Con AVEVA scegli un portfolio di soluzioni che accompagnano i gli operatori nelle loro attività, garantendo un accesso semplificato alle informazioni. Non solo, con AVEVA disponi di strumenti per valorizzare l’esperienza delle persone e correlare i dati digitali con le azioni fisiche che contraddistinguono il contesto industriale.