Di che materiali sono fatti i prodotti che abbiamo a disposizione in magazzino? È possibile avere un elenco dettagliato per punti? Mi riassumi i dettagli di una gara? Come sono andate le vendite di marzo? Sono tutte domande a cui un software di Intelligenza Artificiale generativa risponde immediatamente, esponendo il ragionamento che ha effettuato in modo che si possano effettuare verifiche e trovare riscontri. Non bisogna essere degli esperti di informatica per interrogare il sistema, non è necessario aver ricevuto un addestramento particolare: l’IA capisce il linguaggio naturale e lo usa per formulare le risposte. I dati di partenza sono i documenti aziendali. Possono essere inseriti facilmente e il programma è in grado di capire che si trova davanti a una tabella anche se è stata inserita con uno semplice screenshot. Perché è stato addestrato a comprendere e utilizzare sia un testo sia le immagini. È un tool di IA generativa verticalizzato per l’industria manifatturiera sviluppato da Avvale, player della digital business transformation che mette a disposizione delle imprese strumenti per creare valore partendo da un’efficace analisi e gestione dei dati aziendali.
È stato presentato al Competence Center Made 4.0 nel corso di una demo experience dedicata al tema “AI generativa nel manifatturiero: valorizzare il patrimonio dati aziendale”. Perché è questo il valore aggiunto della tecnologia ormai indiscussa protagonista dell’evoluzione digitale: il dato. I casi d’uso presentati nel corso della demo experience sono di facile comprensione, volutamente. Perché hanno l’obiettivo di sensibilizzare adeguatamente le imprese su quanto sia ormai imprescindibile l’IA, a fronte di un livello di adozione nel manifatturiero ancora insoddisfacente, o che comunque accusa ritardi rispetto ad altri settori. E sono stati accompagnati dall’esperienza concreta di un’impresa, Prometeon, spin-off di Pirelli, che sta realizzando una piattaforma dati globale.
Un progetto di data modernization, ovvero, «un percorso che le imprese possono intraprendere per dotarsi di nuove piattaforme che abilitano strategie legate al dato» spiega Mario De Stefano, data platform e AI director di Avvale. Strategie, non investimenti slegati fra loro. I dati, continuiamo a ripeterlo, sono il nuovo petrolio, e più sono raffinati meglio rispondono all’esigenza competitiva delle imprese. Arrivano dalla produzione ma anche da altri reparti aziendali (le vendite, la logistica), dal settore di riferimento e dal mercato. Ed è intorno ai dati che bisogna organizzare e disegnare l’azienda. In Prometeon, spiega il data platform & AI manager, Luigi Rizzo, «siamo partiti da un’infrastruttura eterogenea», con sistemi diversi nelle quattro fabbriche e in generale un approccio process driven, e non data driven. Dunque, decisioni prese in base al modo in cui funziona l’esistente, con il rischio di replicare inefficienze o di subire i trend di mercato invece che guidarli. La data modernization, invece, crea valore, e l’IA generativa la potenzia. Perchè garantisce una risposta al caso specifico, assimilabile anche nella forma a quella che potrebbe dare una persona umana. Ad esempio, spiega Parise, nel caso dell’analisi di un documento, «è in grado di leggere un testo, capirlo, e comporre appunto una risposta in modo generativo, creando quindi qualcosa di nuovo, non predefinito». A questo si possono aggiungere i vantaggi determinati dal modello conversazionale (vedremo in che modo si affina in fase di addestramento dell’algoritmo).
In termini generali, tutte le cose che abbiamo appena esposto è in grado di farle ChatGtp. Il che potrebbe far ritenere uno spreco la scelta di investire in un prodotto verticalizzato. In realtà, un tool generico «non garantisce risposte abbastanza raffinate per essere considerate soddisfacenti a livello business», sottolinea Galileo Parise, senior data scientist di Avvale.
Ripercorriamo i punti fondamentali della demo experience, spiegando anche come vengono addestrati i modelli di intelligenza artificiale, in che modo gestiscono i dati (un software verticalizzato come quello di Avvale utilizza esclusivamente il database del patrimonio aziendale, non i dati inseriti nel corso del training), e quali sono le problematiche da risolvere nel momento in cui bisogna introdurli in azienda (in termini ad esempio di formazione del personale, non tanto da punto di vista tecnico ma sul fronte della sensibilizzazione a nuove modalità organizzative che impattano sul modo di eseguire le proprie mansioni).
L’IA generativa per le aziende manifatturiere ha un grande valore aggiunto. Riduce gli errori umani e darà un’ulteriore spinta alla servitizzazione. Il punto di vista del presidente del Competence Center Made 4.0, Marco Taisch.
Il manifatturiero è fra i settori che stanno investendo meno in IA
Partiamo da una considerazione di mercato: le imprese nel manifatturiero in tema di adozione dell’IA non sono fra le più all’avanguardia. Ci sono settori (commercio, sanità, tlc) nettamente più avanti su questo fronte. Mario De Stefano propone i dati di un sondaggio Mit Technology Review Insights del 2023 in base al quale solo la metà delle imprese del settore, a livello internazionale, ha un livello di adozione veloce o molto veloce. Nel commercio al dettaglio e largo consumo la percentuale sale al 68%, nelle tlc è al 63%, sanità e neuroscienze sono sopra il 60%, i servizi finanziari al 58%. Solo il settore pubblico, fra quelli analizzati, sta viaggiando a un ritmo inferiore rispetto all’industria. Fra l’altro, il manifatturiero ha anche la percentuale più alta di imprese nelle quali in realtà l’implementazione dell’IA è lenta (22%), mentre in tutti gli altri settori è più frequente un tasso di adozione moderato.
Fra l’altro, se le aziende più reattive spesso hanno una data strategy completa, il 49% di realtà che invece segnano il passo spesso hanno anche sistemi a silos, con dati non integrati e un conseguente impatto non ottimale sulla creazione di valore.
I progetti di Made 4.0, AI matters e nuovi servizi per le aziende
Made 4.0 fornirà a breve servizi di testing e sperimentazione nell’ambito progetto “AI matters”, finanziato dall’Unione Europea con l’obiettivo di creare una rete di strutture che aiutino il manifatturiero a implementare soluzioni di intelligenza artificiale. E sta progettando un servizio per aziende interessate a introdurre l’IA senza avere le idee chiare su come implementarla. Il Competence Center effettuerà una valutazione del livello di partenza per poi individuare gli strumenti le attività realizzabili. «Una sorta di lista prioritizzata e organizzata di progetti percorribili ed efficaci in termini di ritorno sull’investimento» spiega Davide Polotto, business development di Made 4.0.
Avvale, un percorso per la data modernization
Avvale insiste a sua volta sull’importanza della fase progettuale. E propone un metodo per la data modernization che a sua volta parte da un assessment (tendenzialmente, è uno step sempre suggerito nel momento in cui bisogna affrontare un importante investimento tecnologico), effettua valutazioni anche sul mercato di riferimento e sul modo in cui si stanno muovendo i competitor, e alla fine disegna un progetto e definisce una roadmap (cosa fare, come, con che tempi, quanto costa). È un approccio che crea valore, secondo De Stefano, perché consente di modernizzare i processi in modo strategico.
Prometeon, una data platform globale
Vediamo l’esempio di Prometeon. «Siamo partiti da un’infrastruttura eterogenea», spiega Rizzo, con sistemi diversi nelle quattro fabbriche e in generale un approccio process driven, e non data driven. Quindi, senza una reale valorizzazione del dato, e influenzata dalla parte business che naturalmente spinge verso i trend di mercato. Con questa legacy, «abbiamo avviato con Avvale un processo di data modernization». Obiettivo: la costruzione di una data platform globale. Coinvolgere l’intera struttura aziendale significa mettere le fondamenta, creare un’infrastruttura su cui impostare la crescita. «Avere i dati in un unico punto, gestiti bene, catalogati, è necessario per adottare poi le soluzioni di mercato migliori, dalla reportistica avanzata ai singoli use case di IA».
Innanzitutto, i dati devono arrivare dai reparti operativi, e perché questo avvenga in modo coerente si adotta un framework di data governance. In questa fase, va risolta una prima difficoltà, ovvero «far capire alle unità operative l’importanza di questi processi». Il secondo passaggio è l’impostazione della strada verso la data democratization. «Vuol dire rendere l’informazione trasversale e sfruttabile da tutti allo stesso modo. In un sistema a silos, finanze e supply chain, per esempio, lavorano ognuno sui suoi dati. Con la data modernizaton si lavora su un unico dato, e più teste che ragionano su un elemento correttamente impostato ottengono risultati più performanti». Infine, si valuta nello specifico come utilizzare l’intelligenza artificiale. E qui «stiamo costruendo un’infrastruttura di data management che ci porti ad avere il massimo di valore aggiunto».
Ci possono essere use case che non richiedono un dato strutturato, e altri che invece sottintendono una maggiore complessità. Per esempio, per analizzare le prospettive di mercato e impostare le politiche dell’ufficio acquisti, «stiamo costruendo un algoritmo molto adattivo, con un motore di ricerca generativo che interrogato sia in grado di restituirci un risultato che abbia senso». È un caso in cui intervengono numerose variabili (andamento di mercato, tassi di cambio, previsioni sulla domanda), per cui la struttura del dato dev’essere molto complessa e ben gestita. Un altro use case riguarda invece la performance di un motore di ricerca che restituisca dati partendo da un database. «Interrogandolo, possiamo ottenere un controllo sui documenti, o una reportistica che ci dia un semaforo sui vari fornitori». Il terzo use case in corso di implementazione, è un software di riconoscimento delle immagini sulla produzione della gomma che consente di individuare in tempo reale un difetto di produzione, capire da quale macchinario è stato causato, e impostare di conseguenza, in tempi veloci, le azioni conseguenti.
«In tutti e tre i casi, è sempre fondamentale la velocità con cui il dato viene raccolto», abilitata dall’IA generativa. Ed è altrettanto importante l’impatto che questi use case, relativamente semplici, hanno in chiave di sensibilizzazione delle persone. Riescono a far capire in modo relativamente immediato e concreto «il valore aggiunto del framework che stiamo mettendo a punto». Un cambiamento organizzativo di questo genere trasforma il modo di lavorare delle persone. Ed è quindi efficace presentare casi d’uso che diano un risultato visibile e misurabile dei vantaggi prodotti.
Come si addestra l’IA generativa a gestire testi e immagini
I casi proposti si basano su due filoni macro dell’IA generativa: l’elaborazione del testo e quella delle immagini. L’upgrade rispetto alle precedenti versioniè rappresentato dal fatto che l’Intelligenza Artificiale non si limita più ad analizzare i dati e ad apprendere, ma crea nuovi contenuti. «Associa una dimensione creativa che prima non c’era», spiega Roberto Verdelli, advanced analytics practice manager, e questa funzionalità in qualche modo la avvicina al modo in cui ragiona il cervello umano.
Entrambi i modelli sopra descritti, l’elaborazione del testo e quella delle immagini, prevedono un addestramento su dati automatici e taggati manualmente. La parte relativa alle immagini viene addestrata attraverso immagini e descrizioni, il testo su contenuti di natura documentale e su interazioni simulate di conversazioni. Il risultato permette una facilità di utilizzo per cui non serve essere esperti di IA: è la democratizzazione della tecnologia abilitata dall’IA generativa. Tutti possono essere facilmente in grado di completare o manipolare un’immagine o di generare grafici (in prospettiva, anche di fare un film). Per quanto riguarda l’elaborazione dei testi, le applicazioni sono ancora più vaste: l’IA è in grado di estrarre informazioni anche complesse da un documento, riesce a categorizzarle e a creare una reportistica, scrive contenuti e li corregge, scrive codice di programmazione, fa da assistente virtuale.
Verdelli insiste su un elemento rassicurante per le persone che lavorano nei settori in cui sta intervenendo l’IA. Prendiamo il caso di un programmatore. Come detto, l’Intelligenza Artificiale generativa è in grado di elaborare un codice per svolgere un determinato task. Ma per metterlo in produzione, serve la supervisione dello sviluppatore. Il quale ha un vantaggio in termini di risparmio di tempo che gli consente di concentrarsi su sicurezza, efficienza, design globale dell’applicativo che sta realizzando.
L’addestramento dell’IA generativa avviene in tre macro fasi: si effettua un pre-training, su un contenuto massivo di dimensioni enormi. Si analizza ogni singola parola in tutti i contesti possibili, creando dei vettori, realizzati con tecniche di language processing. In questo modo, l’algoritmo impara a comprendere il significato semantico della parole. Poi, con questi vettori si addestra la rete neurale, che diventa in grado di comprendere una frase. A questo punto, il modello è in grado di prevedere anche le parole successive partendo dal modo in cui inizia la formulazione di una frase.
Terminata questa fase di pre-training, si effettua un supervised fine tuning, generando conversazioni specifiche su cui addestrare il modello per dargli un comportamento il più umano possibile. Questo abilita la capacità conversazionale. Infine, la terza fase prevede l’interazione con un modello di reinforcement learning, che fornisce la capacità di selezionare le risposte migliori su tematiche anche molto specifiche.
Un tool di IA di Avvale, esempio pratico di come funziona
Ecco come il risultato di questo addestramento confluisce in uno strumento di analisi documentale di Avvale. È realizzato su un’architettura cloud, basata su Azure (Microsoft), quella utilizzata anche da ChatGpt. Fornisce risposte a voce, in diverse lingue, estrae informazioni da qualsiasi tipologia di documento, le differenzia per argomento, fornisce riassunti. Importante: le risposte e le attività si basano esclusivamente sul database inserito, nel senso che il tool lavora solo sul patrimonio dati aziendali. Non su eventuali informazioni che ha ricevuto in fase di training. E non ha bisogno di un addestramento specifico per farlo, basta inserire i dati.
Eventualmente, si può fare un re-training per cambiare il modo di comportamento o per affinare la capacità interpretativa. Qui Verdelli cita l’esempio di un riaddestramento su un contenuto di documenti medici utilizzato per arricchire il linguaggio dell’IA, per consentire di esprimersi in modo più affine al mondo degli operatori sanitari (dandogli una personalità specifica, si potrebbe dire). Vediamo qualche esempio pratico di come lavora l’algoritmo:
1) Come risponde partendo da una base documentale. Si inseriscono le schede con i dati di due specifici prodotti (nome, materiali, codice che lo identifica, strumenti per produrlo, processo manifatturiero nei dettagli). Le prime domande sono relativamente basiche: che prodotti disponibili abbiamo? Appare immediatamente la risposta che elenca i due prodotti dei quali sono state inserite le schede. Con che materiali si realizzano? Analiticamente, vengono esposti i materiali, in modo che si possa verificare da dove sono state prese le info (il sistema seleziona le parti del testo da cui ha estrapolato la risposta). Diventa facile, per esempio, individuare un eventuale errore. Ma si possono anche fare domande che sottintendono azioni più complesse. Per esempio, si può chiedere all’IA di formattare la risposta in modo diverso (esporre i materiali sotto forma di lista puntata). O ancora, si possono ottenere informazioni sugli step necessari per un determinato processo produttivo (nel caso specifico, l’assemblaggio). Anche qui, appare immediatamente l’elenco.
2) La creazione del riassunto di un documento su una gara. Fornisce un testo sintetico, che contiene tutti i punti importanti (documenti richiesti, date della gara). Se si prosegue chiedendo un riassunto più breve e in italiano invece che in inglese, l’IA non lo traduce, lo rigenera nella lingua richiesta. E lo fa lasciando in inglese alcune parole (per esempio, proof of concept), che ritiene comprensibili nella lingua originale.
3) Elaborazione sulle immagini. Viene caricato uno screenshot con il grafico della vendite del mese di marzo. Si può chiedere una descrizione dell’immagine: viene elaborato un report con i valori che erano contenuti nella tabella. Quindi, il sistema ha capito che l’immagine conteneva una tabella. Altra domanda: calcola la media di prezzo. Non si limita a presentare il calcolo, ma espone l’intero ragionamento.
Software verticalizzato vs ChatGpt: quando conviene
Come si vede, il software è molto targettizzato sulle esigenze di un’industria manifatturiera.
A fronte di esigenze più generaliste, può bastare ChatGpt. Fra l’altro, ci spiega Parise, «ci sono software che la implementano, ad esempio su Azure c’è uno strumento, si chiama “bring your own data”, che consente di caricare i documenti e fare domande. Tuttavia questo è il classico one size fits all, può andare incontro a necessità standard». Invece, a fronte di specifiche necessità di business, la taglia unica ha un limite importante. È una soluzione economicamente vantaggiosa, «perché non si paga il costo di un progetto, ma solo il pay-per-use. Però l’analisi non è abbastanza raffinata, o verticalizzata sulla necessità specifica per essere soddisfacente a livello business». Anche qui, un esempio riferito a un cliente di Avvale. Un’azienda che lavora su temi di posizionamento che cambiano con grande frequenza, quindi con un focus molto forte sul tema del decadimento temporale delle informazioni. «Bisogna che il sistema, a fronte di documenti sullo stessa tema contenenti informazioni diverse, sia in grado di selezionare correttamente i dati e capire dove sono quelli più aggiornati, o corretti. Deve essere in grado di comprendere le differenze fra questi dati rapportandoli al fatto che il positioning è cambiato». La verticalizzazione va sempre misurata sulle esigenze specifiche. Può essere utile aumentare le funzionalità di conversazionale, dare valore a documenti più recenti, inserire feedback al sistema per migliorare le risposte future.
Concludiamo con un elenco di applicazioni industriali possibili di tool dotati di IA generativa sono:
- per il training degli operatori: ricerca info riassunti, generazioni testi, procedimenti di apprendimento personalizzato;
- per il supporto generale di diversi settori di business: social media marketing, customer service, acquisti, legale e fiscale. Esempio: al customer service può anche fare da assistente suggerendo risposte, all’ufficio legale può service per analizzare contratti e fornire dati quantitativi.
