Intelligenza Artificiale e Industria 4.0 tra mito e realtà

In una fase storica in cui l’ Intelligenza Artificiale inizia a diventare uno strumento quotidiano, uno strumento di business, Industria 4.0 è il contesto naturale in cui sviluppare e ragionare sul ruolo di questa tecnologia nell’industria per i prossimi anni, dopo aver capito cosa sia oggi l’IA e cosa possa essere nel futuro.

I Sistemi dotati di Intelligenza Artificiale non sono esseri viventi o senzienti, né, allo stato attuale, hanno capacità simili alla creatività umana o desideri, se non quelli che noi stessi programmiamo; dal punto di vista delle discipline informatiche si parla infatti di Intelligenza Artificiale Debole (o ANI, Artificial Narrow Intelligence), in contrapposizione al concetto di Intelligenza Artificiale Forte (o AGI, Artificial General Intelligence) che teorizza la possibilità dell’IA di acquisire capacità simili all’autocoscienza e ragionamento umano, non limitate alla soluzione di problemi o al ragionamento su singoli specifici task. Ma cosa è in grado di fare oggi un’IA?

Un’interessante classificazione delle IA è quella proposta da Arend Hintze, Assistant Professor of Integrative Biology & Computer Science and Engineering, Michigan State University (nel suo articolo del novembre 2016 “Understanding the four types of AI, from reactive robots to self-aware beings”), che descrive 4 tipologie a seconda del grado di “intelligenza” che l’IA possiede [1].

Il tipo di Intelligenza Artificiale che oggi siamo in grado di implementare nelle attività industriali è quello definito da Hintze come Macchine Reattive: sistemi in grado di analizzare uno specifico scenario identificare delle alternative e scegliere un’azione sulla base di una programmazione, ma non sono in grado di fare cose diverse da quelle per cui sono state programmate. IBM Deep Blue o Google AlphaGo, per quanto sofisticati, sono sistemi di questo tipo.

Tra i pochi sistemi industriali che superano questa categoria, i veicoli autonomi che possono essere categorizzati come IA con Memoria Limitata. Ad oggi un ambito soprattutto di sperimentazione, queste IA sono in grado di costruire una rappresentazione digitale del mondo, identificando e monitorando gli oggetti nello spazio e nel tempo.

Ad uno stadio ulteriore, si passa ad ambiti puramente teorici, descritti come “Teoria della Mente”, dove le IA avranno la capacità di interagire socialmente e creare una rappresentazione anche di altre entità (viventi o artificiali), comprendendo che il loro “pensiero” può influenzare le azioni sulla realtà fisica.

Infine al livello più alto troviamo le IA Autocoscienti, tema anch’esso ambito di solo dibattito scientifico-filosofico, sono le IA che saranno anche in grado di creare una rappresentazione di sé.

Nell’immaginario collettivo parlare di intelligenza artificiale significa parlare di robot più o meno umanoidi in grado di interagire con gli operatori. Un secolo di fantascienza, entrata nella cultura della nostra società, spinge in questa direzione, a partire dal “Maschinenmensch” del film Metropolis del 1927, e non è certo un tema non affrontato dal business, si pensi al robot Atlas della Boston Dynamics.

Focalizzando l’attenzione sull’industria, è oramai avviato il ricorso alle IA sviluppate nel mondo consumer per la realizzazione degli Assistenti Virtuali (Alexa, Cortana, ma anche molti engine meno noti dietro a servizi come NetFlix e Pandora), di fatto Macchine Reattive, implementate con software di machine learning e algoritmi di riconoscimento del linguaggio naturale, supportati da software per l’ analisi comportamentale che adattano i feedback dell’Assistente Virtuale alle nostre preferenze. L’aumento dei dataset a disposizione di questi sistemi ne permette un continuo miglioramento, tuttavia, sono molti altri gli ambiti in cui l’intelligenza artificiale sta trasformando l’industria. Vediamo quindi alcuni di questi ambiti in un percorso che parte da scenari più facilmente attivabili, con il supporto di IoT e Big Data, ad ambiti molto complessi e ad oggi non ancora completamente industrializzati: manutenzione predittiva, controllo di qualità automatizzato, manifattura adattativa e produzione demand-driven.

Manutenzione Predittiva: l’attrezzatura industriale è spesso fornita con un programma di manutenzione (interventi a schedulazione prefissata), indipendentemente dalle attuali condizioni operative. Ciò comporta sia possibili fermi di attività non necessari sia rischio di lavorazioni danneggiate, in alcuni casi anche non individuate sulla linea di produzione. Una volta estesi con sensori e collegati in rete (refitting/revamping), i device e gli impianti possono essere monitorati nelle sollecitazioni e nel funzionamento specifico, modellando un “digital twin” dell’oggetto che permetta di prevederne il comportamento specifico durante il ciclo di vita. Si passa così da una manutenzione preventiva, che interviene su scadenze prefissate, basate su benchmark delle tipologie di oggetti, ad interventi customizzati sul singolo device, riducendo l’intervento inefficace delle squadre di manutenzione e i fermi dovuti a degenerazioni precoci di alcuni device. È uno dei tipi di IA più utilizzato oggi in ambito industriale, basata su algoritmi data-driven di machine learning, in cui il sistema identifica pattern comportamentali non sulla base di regole finite descritte nella progettazione del sistema, ma dall’analisi di grandi quantità di dati attraverso algoritmi e modelli statistico-matematici. Esempio della semplice ma efficace applicazione di questa tecnologia, quella implementata da Schindler per i propri ascensori, in cui il monitoraggio remoto degli impianti con vari sensori ne permette una modellazione dello stato di funzionamento, che ha ridotto gli interventi delle squadre di manutenzione e contemporaneamente i fermi inattesi.

Controllo di qualità automatizzato: Rapidi cicli di feedback permettono alle aziende di affrontare con più efficacia blocchi dell’impianto non pianificati, basso rendimento, inadeguata percentuale di oggetti che passano il controllo di qualità e bassa produttività (in termini di tempo per realizzare il prodotto). In particolare, il controllo di qualità è un tema più sentito quando i prodotti sono personalizzati o presentano alta complessità tecnologica e la componentistica è eterogenea, tipico scenario dei produttori di auto o di PC, dove è molto alto il numero di variabili indipendenti che possono contribuire al non funzionamento del prodotto. Purtroppo qualità e produttività sono due target in opposizione; più si spinge la velocità della produzione, meno accurata è la produzione stessa e quindi minore la qualità. Per poter ridurre il gap fra questi due obiettivi è necessario individuare sistemi di controllo più veloci, flessibili ed efficaci. Soluzione oggi già presente negli impianti industriali è quella di utilizzare algoritmi di computer vision per monitorare linee di produzione ad alta velocità, classificare i difetti e identificarli il più presto possibile lungo la linea di produzione. Ancora più evoluto l’utilizzo di IA per analizzare i dati provenienti dai sistemi PLC/SCADA e acquisiti sulla linea tramite sensori (come i sistemi di computer vision, ma anche sensori di temperatura, umidità, pressione) per identificare pattern che portino a difettosità (fault) e sfruttarli per attivare allarmi sulla linea di produzione appena si manifestino i primi sintomi di questo comportamento del sistema. Passo ulteriore è che l’IA utilizzi autonomamente queste capacità analitiche e queste informazioni per evolvere le regole di funzionamento a fronte di un obiettivo prefissato e che effettui gli interventi per riportare il sistema in uno stato di buon funzionamento.

Manifattura adattativa: oramai da tempo l’automazione ha portato i robot ad effettuare lavori complessi ad altissima efficienza nelle linee di assemblaggio, ma questi robot sono spesso realizzati per eseguire un singolo task e la riprogrammazione, ove possibile, ha un costo molto alto. Si inizia però pensare e progettare i primi robot collaborativi adattativi, dotati di un’IA in grado di imparare diversi task, tramite apprendimento per dimostrazione, e un hardware maggiormente flessibile per potersi adattare alla dinamicità e variabilità delle attività. Uno scenario in cui l’interazione uomo-robot diventa una collaborazione, con impatti sociali oltre che produttivi. Se dalla dimensione dello shop floor passiamo a quella della fabbrica, occorre disporre di IA che abbiano “intuizioni” idonee a generare decisioni (e conseguenti azioni) in grado di migliorare i processi delle “networked factory”. In altri termini, si desiderano degli impianti in cui supply chain, progettazione, produzione, controllo di qualità sono altamente integrati e monitorati (o addirittura controllati) da un’IA di supervisione e analisi del processo. Tema fondamentale diventa la revisione delle infrastrutture fisiche, per poter effettivamente beneficiare di software dotati di IA che possano adattarsi agli scenari. Le infrastrutture dovranno diventare più flessibili e disaccoppiate. Si parla sempre più spesso di Machine Learning per la gestione delle anomalie e per la manutenzione predittiva negli impianti produttivi. Il passo successivo è avere sistemi produttivi in grado di intervenire sulla base dell’esperienza (“Macchine a memoria limitata”) che non si limitino a intervenire sul sistema a fronte del superamento di soglie, e secondo regole prefissate, ma che imparino dalle analisi precedentemente effettuate e creino la rappresentazione del processo produttivo secondo variabili “non programmate”.

Produzione guidata dalla domanda: Uno dei traguardi più avanzato su cui alcune aziende stanno lavorando è estendere il concetto di network-factory, descritto in ambito di manifattura adattativa, a quello di supply chain estesa e ancora di più al concetto di end-to-end network-market. La possibilità di connettere le app e l’IoT dei consumatori in real-time con i sistemi di demand management delle aziende permetterebbe di ridurre drasticamente le perdite di profitto derivanti da sovrastime o sottostime delle richieste di prodotto. Questo scenario comporta l’emergere di nuovi modelli architetturali federati, basati su contratti automatici fra le parti e IA in grado di governare le transazioni all’interno di un framework regolatorio altamente complesso, che deve tener conto di differenze culturali, legali, economiche, etico-sociali, tecnologiche.

Il futuro ci riserverà ancora molti cambiamenti, ulteriori sfide e opportunità, per cui è necessario partecipare subito alla trasformazione in atto, per comprendere il cambiamento, e affrontare l’adozione di queste tecnologie partendo da ambiti semplici e controllabili, fondando così le basi per i prossimi anni.

Note e riferimenti
[1] Arend Hintze, (2016) Understanding the four types of AI, from reactive robots to self-aware beings

Condividi su

Comments are closed.