Machine Learning: cos’è e come usarlo nell’Industria 4.0

L’apprendimento automatico rende possibile sfruttare la grande mole di dati prodotta dagli operatori industriali lungo l’intero processo produttivo. Con conseguenze importanti anche per la catena della logistica

Pubblicato il 17 Feb 2020

machine-learning-AI

I nuovi trend del digitale, in particolar modo l’avvento dell’Industrial IoT, hanno rapidamente cambiato il volto delle industrie di ogni settore e dimensione. Tanto che, per indicare questo cambiamento, si parla apertamente di Smart Manufacturing e Industria 4.0. L’aspetto fondamentale di una fabbrica intelligente è che i processi di produzione sono connessi alla Rete: macchine industriali, interfacce software e componenti comunicano tra loro costantemente, inviando dati digitali in tempo reale sul funzionamento dei propri parametri di riferimento. Questo crescente volume di dati può essere impiegato per ottimizzare il processo di produzione, ad esempio nell’ambito del controllo qualità dei prodotti. Ma i dati che fuoriescono dalle macchine e apparecchiature industriali, per essere realmente utili a qualcosa, devono essere aggregati e codificati, per scoprire eventuali correlazioni tra loro e prendere le decisioni più opportune. Un compito decisamente improbo per l’occhio umano o anche per un’intera squadra di Data scientist, specialmente in un ambito come quello industriale, in cui la rapidità delle decisioni può fare la differenza. È qui che entra in gioco il machine learning, che sta assumendo una crescente importanza in ambito industriale.

Che cos’è il machine learning?

Ma che cosa è esattamente il machine learning? Noto anche come apprendimento automatico e parte della grande famiglia dell’Intelligenza artificiale, il machine learning è un metodo di analisi dati che automatizza la costruzione di modelli analitici. In buona sostanza si basa sull’idea che i sistemi (le macchine) possano imparare dai dati a disposizione, così da identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo. Dal momento che per “imparare” i software di machine learning hanno necessità di grandi quantità di dati, si tratta di una tecnologia che si sposa benissimo con lo Smart Manufacturing che, come abbiamo visto, è capace di produrre enormi volumi di bytes. In questo senso una soluzione di machine learning – ad esempio – è in grado di utilizzare i flussi di dati a disposizione per insegnare al proprio algoritmo che cosa aspettarsi dalle macchine di produzione che sta monitorando. In questo modo il software può prendere le decisioni più opportune in un dato momento e in base a determinate circostanze, senza bisogno di una nuova riscrittura fisica di codice da parte di un programmatore “umano”. Dal momento che stiamo parlando di machine learning, cioè di apprendimento, è bene chiarire che gli algoritmi vanno opportunamente “allenati” prima di operare in un reale contesto industriale, grazie all’utilizzo di appositi dati di addestramento.

Le applicazioni del machine learning in ambito industriale

Ma cosa può esattamente permettere di fare il machine learning applicato a Industria 4.0? Un caso emblematico è quello della manutenzione predittiva: tramite l’impiego della sensoristica IoT, diventa possibile avere a disposizione dati grezzi sui diversi parametri di funzionamento delle macchine industriali (ad esempio temperatura, consumo di energia, oscillazioni, ecc). Questi dati grezzi sono poi analizzati dal software di machine learning che, grazie all’addestramento precedentemente ricevuto, è in grado di catturare le correlazioni esistenti tra i diversi parametri. Arrivando così a comprendere se una parte dell’apparecchiatura deve essere sostituita o la sua probabilità di guasto nel medio termine. All’aumentare della quantità di dati e dei casi esaminati, il software basato sul machine learning è in grado migliorare le sue prestazioni e fornire previsioni più accurate. Tutto questo, è facile da capire, cambia radicalmente il modo tradizionale di organizzare la manutenzione industriale, che tipicamente è stata organizzata a intervalli temporali regolari, senza avere la possibilità di conoscere in anticipo le reali condizioni delle macchine. Lasciando dunque spazio anche a possibili guasti improvvisi, che a loro volta possono portare a fermi produttivi estremamente negativi per le imprese industriali. Che, al contrario, nel contesto globale ultra competitivo possono sempre meno permettersi battute d’arresto. Un’altra possibilità del machine learning applicato al mondo industriale è rappresentata dal monitoraggio e controllo del processo produttivo: i sistemi ottici, potenziati da software di machine learning, sono in grado di riconoscere e identificare i prodotti e gli oggetti che passano per la catena di montaggio. Non solo: questi sistemi possono essere utilizzati anche nel controllo di qualità, per riconoscere i possibili difetti del prodotto finale, con un margine di errore prossimo allo zero.

Il machine learning nella logistica industriale

Un’altra applicazione molto interessante del machine learning riguarda l’impiego per la gestione del rischio nella logistica e nella supply chain. L’analisi continua di grandi basi dati relative ai movimenti dei mezzi di trasporto e dei prodotti disponibili rende ad esempio possibile ottimizzare i piani di trasporto delle merci tenendo in considerazione, contestualmente, differenti parametri quali costi, distanze e flessibilità dei tempi di vendita (compensati dalla fidelizzazione del cliente). Ma soprattutto la Logistica 4.0, attraverso l’analisi evoluta dei dati resa possibile dai sistemi di machine learning, consente di prendere decisioni rapide e accurate per soddisfare la domanda dei clienti con puntualità e a costi convenienti, rendendo possibile alle imprese la creazione di una sorta di “magazzino globale”, incrociando i dati dei diversi centri operativi. L’esito finale di una stretta integrazione del machine learning in ambito industriale è legata all’implementazione dei Digital Twins. Si tratta di modelli digitali, vere e proprie rappresentazioni della realtà produttiva industriale, che sono creati ad hoc per testare prodotti ed evitare errori, riducendo drasticamente le tempistiche e perfezionando i servizi offerti. In questo caso il ruolo del machine learning è quello di far sì che il test digitale funzioni nella maniera migliore possibile, offrendo così preziosi spunti per l’ottimizzazione della catena produttiva reale.

I ritorni economici del machine learning

Questa panoramica di applicazioni rende evidente che il machine learning non può essere assimilato a un dispositivo elettronico che migliora il funzionamento di una linea di produzione. Al contrario, l’apprendimento automatico può essere visto come un processo che richiede input da molti dispositivi differenti per alimentare il tasso di conoscenza della stessa da parte dell’algoritmo di gestione. Tale conoscenza può essere successivamente utilizzata per determinare in che modo la linea di produzione e la logistica possano avere una maggiore produttività, operare a un costo inferiore e funzionare in modo più affidabile. In quest’ottica il machine learning costituisce un mezzo per trasformare un attore industriale, rendendolo in grado di portare i propri prodotti sul mercato più velocemente e a un costo inferiore, in modo che possa rimanere competitivo sul suo mercato di riferimento, rafforzando al contempo la relazione con i propri clienti (siano essi business o consumer).

Il ruolo cruciale assunto dalla logistica

Concentrandoci specificatamente sul lato della logistica, occorre innanzitutto fare una piccola premessa. Rispetto al passato le produzioni industriali sono sempre meno standardizzate e invece sempre più on demand, oltre che caratterizzate da cicli di mercato più brevi. Non solo: i mercati di riferimento, così come i materiali e i componenti, tendono ad arrivare da ogni parte del globo. A tutto questo si aggiunge l’esplosione del fenomeno dell’e-commerce, che segue logiche del tutto diverse da quelle dei canali fisici tradizionali. In questo particolare frangente, dunque, la logistica ha assunto un ruolo ancora più importante e strategico rispetto al passato, dovendosi interfacciare con i nuovi processi organizzativi di produzione e distribuzione. Ma allo stesso tempo, i processi di stoccaggio, trasporto e consegna delle merci si sono fatti più complessi rispetto al passato. Per cavalcare questa profonda trasformazione senza farsi travolgere, i responsabili della logistica devono necessariamente abbracciare l’utilizzo di tecnologie informatiche sempre più evolute, tra cui – per l’appunto – il machine learning.

ToolsGroup, il software a servizio dell’ottimizzazione della logistica

Uno dei produttori di software destinati al mondo industriale più attivi su questo fronte è senza dubbio ToolsGroup, che parte dal presupposto che l’ottimizzazione e l’automatizzazione della supply chain è una necessità sia per grandi che per piccole aziende. In particolare l’elaborazione delle previsioni di vendita a breve termine, necessaria per ottimizzare scorte e magazzini, richiede ormai l’impiego di una mole di dati che va decisamente oltre la capacità umana. ToolsGroup ha sviluppato una tecnologia in grado di calcolare in automatico i piani di domanda usando algoritmi di machine learning. Il risultato è un miglioramento del livello di servizio e scorte più efficienti, con un riscontro diretto sui risultati aziendali. Il beneficio è evidente anche nel caso dell’introduzione di nuovi prodotti nel mondo consumer, dove le aziende hanno la necessità trovare il giusto equilibrio tra l’introduzione di nuovi prodotti per attrarre e fidelizzare i consumatori e la gestione dei costi logistici. In assenza di machine learning la maggioranza delle imprese tende a stoccare scorte di sicurezza eccessive per evitare di deludere i clienti. Al contrario è possibile migliorare le previsioni di vendita anche nel caso di nuovi prodotti, applicando algoritmi capaci di valutare attributi (come colore, stile e dimensione) delle vendite di articoli simili per generare una previsione di base, e di apprendere rapidamente dai dati di vendita reali per affinare le previsioni durante il periodo di lancio. Una soluzione di questo tipo ha anche il vantaggio di proporsi come piattaforma realmente unificata, che riesce così a garantire una visione dettagliata del segnale della domanda, dell’andamento delle scorte e della volatilità della supply chain.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 5