Semplificare il modo in cui l’intelligenza artificiale può essere integrata nei processi decisionali. È questo l’obiettivo di SAS, la multinazionale americana che dagli anni ottanta è leader mondiale nell’analisi dati. Supply chain, gestione dei rischi finanziari, acquisto di materie prime, manutenzione predittiva, controllo qualità sono solo alcune delle possibili applicazioni “AI based” che possono essere implementate in ambito industriale. Strategico in questa prospettiva è il modello di business as a service. Il cloud diventa il motore di delivery di algoritmi di analytics. «La piattaforma cloud native SAS Viya dà modo alle aziende di installare e sviluppare soluzioni predittive con una libertà e flessibilità del tutto inimmaginabili in un passato anche recente, afferma Claudio Broggio, Acceleration Leader di SAS.
La vera potenzialità degli analytics si genera però quando si abbattono i silos informativi: la modellazione e armonizzazione dei dati provenienti da molteplici sorgenti dati operazionali, utilizzati nelle diverse aree aziendali (finance, organizzazione, HR, supply chain) forniscono infatti analisi (dall’ottimizzazione dei costi a piani di ottimizzazione degli investimenti) che possono avere un impatto positivo sulle diverse funzioni di business». Insomma, usando la metafora di Steve Jobs, l’utilizzo degli analytics è “connecting the dots”, connettere un insieme di istanze che emergono dalle diverse line of business, cercando di vedere oltre la contingenza della risoluzione di un singolo problema. Un esempio dei tanti vantaggi che possono derivare dall’utilizzo di un’analytics avanzata è il caso di CNH Industrial, tra i maggiori produttori mondiali di capital goods (veicoli commerciali e per l’agricoltura, macchine per movimento terra e motori per mezzi marini). CNH ha infatti sviluppato un sistema che permette di avere visibilità tempestiva sui kpi che concorrono a determinare il livello di sostenibilità dei prodotti: capire rapidamente come, quando e soprattutto perché si verificano determinati malfunzionamenti. Il tutto ha permesso a CNH di migliorare la qualità dei prodotti, ottenendo risparmi immediati sul fronte della garanzia.
Analytics: dati che parlano
Analytics ovvero modelli matematici basati su algoritmi di intelligenza artificiale che vengono creati per scoprire relazioni, prevedere risultati e automatizzare le decisioni. E’ questo il focus su cui il gigante del software guidato da Jim Goodnight ha investito oltre un miliardo di dollari. In termini pratici significa capitalizzare i big data con il supporto di tecniche di machine e deep learning. «Inserire gli analytics in un processo decisionale non significa avere degli algoritmi che magicamente diventano la soluzione a tutti i problemi aziendali, ma avere “dati che parlano” e aiutano a prendere decisioni guidate dalla realtà e non dalle sensazioni personali, spiega Broggio. Non ci sono più i dati da un lato e il business dall’altro ma un ciclo continuo e infinito di apprendimento alimentato da un circolo virtuoso di scambio di dati e informazioni. Il ciclo di vita analitico “tradizionale” cambia e passa dall’essere lineare (preparare i dati, disegnare il modello di analisi, pubblicare il modello, monitorarne i risultati) all’essere un ciclo infinito dove il monitoraggio dei risultati si aggancia a una decisione che viene presa da un principio di business».
Microsoft – SAS: la collaborazione strategica per gli analytics
La collaborazione strategica con Microsoft permette alle aziende di migrare i propri carichi di lavoro analitici e di intelligenza artificiale, basati su soluzioni SAS, verso la piattaforma cloud Azure. «SAS e Microsoft condividono la stessa visione per aiutare i clienti ad accelerare le iniziative di trasformazione digitale e l’automazione dei processi decisionali, afferma Bryan Harris, Chief Technology Officer di SAS. La strategia e il posizionamento di SAS sul fronte cloud hanno una ricaduta vantaggiosa sulle imprese, in particolar modo sulle piccole e medie aziende. Riuscire ad ottenere informazioni utili dai dati, per poter prendere decisioni efficaci, è una priorità per tutte le aziende, ancor di più per le pmi sulle quali la pressione della competizione globale pesa maggiormente. Ottenere rapidamente risposte basate sui dati – senza le barriere dell’infrastruttura e le competenze analitiche – sono priorità che possono essere soddisfatte proprio grazie al cloud».
Viya, la piattaforma analytics cloud-native
Viya è una delle soluzioni tecnologiche SAS che nell’ultimo anno ha beneficiato di ingenti investimenti, indirizzati soprattutto all’intelligenza artificiale (machine e deep learning) e allo sviluppo cloud-native. Alla preparazione dei dati, gestione del ciclo di vita dei modelli, ottimizzazione, data mining e apprendimento automatico, analisi del testo, visione artificiale, nel tempo si sono aggiunte funzionalità chiave come la distribuzione di modelli e l’interazione con il linguaggio naturale Visual Data Mining, con particolare attenzione a maggiori capacità di intelligenza artificiale e machine learning.
Caratteristiche chiave della piattaforma
Viya ha una serie di peculiarità che la rendono particolarmente performante. Prima di tutto l’integrazione di intelligenza artificiale e machine learning nel processo decisionale: nuova architettura cloud-native e disponibilità di interfacce interattive; c’è poi anche la preparazione automatizzata dei dati e AutoML, distribuzione dei modelli per migliorare la produttività delle risorse e portare le potenzialità dell’AI anche ai non esperti.
Da notare anche il focus sulle API per semplificare la collaborazione tra sviluppatori e i team di data science. Degni di menzione i processi di continuous integration e continuous delivery (CI/CD) per garantire accesso agli ultimi aggiornamenti e innovazioni nel momento in cui sono disponibili. Infine l’Architettura basata su container, orchestrata da Kubernetes, che garantisce la portabilità in diversi ambienti cloud tra cui Azure, Google, AWS e OpenShift.
Supply chain, gestione dei rischi finanziari, acquisto di materie prime, manutenzione predittiva
Esiste un’infinita applicabilità di algoritmi ai processi d’impresa. Si possono associare all’ottimizzazione della supply chain, gestendo rischi finanziari e la tempistica di acquisto delle materie prime, oppure utilizzarli per manutenzione predittiva di macchine e impianti, per il controllo di qualità o per l’efficientamento della gestione delle parti di ricambio. «C’è chi ragiona per casi isolati, applica il digitale per singolo o processo o dipartimento, dice Broggio. Tuttavia è bene fare attenzione: si può anche partire da casi isolati ma avendo in mente un quadro di riferimento generale. Gli investimenti che si fanno devono essere visti come mattoni per creare efficienza d’impresa». Per le industrie di trasformazione che siano di tipo agroalimentare, metallifero, energetico, petrolchimico la predizione del costo delle materie prime permette per esempio di acquistare in modo ottimizzato: scegliere quando comprare, decidere quantità e fornitori in funzione di una riduzione del costo. Vi sono poi algoritmi che aiutano a predire i rischi sull’esposizione finanziaria e sull’affidabilità dei fornitori. Tutto questo serve a migliorare l’efficienza a la sostenibilità complessiva del business».
Connecting the dots
Usando la metafora di Steve Jobs l’utilizzo degli analytics riesce a distinguersi per razionalità e pianificazione, vedere oltre la contingenza della risoluzione di un singolo problema. «I casi d’uso devono fare parte di una roadmap che progressivamente possa generare un valore incrementale. Un approccio di questo tipo aiuta anche a decidere quali investimenti effettuare».
Analytics in edge. La manutenzione predittiva
In ambito edge l’utilizzo di algoritmi analytics permette di dotare un sistema industriale – che sia la macchina di trasformazione più tradizionale o quella più innovativa come robot o altro – di una capacità di reazione a qualcosa di inaspettato. Ogni asset funziona in condizioni operative diverse, dipendenti dal contesto di esercizio e l’obiettivo degli algoritmi di anomaly detection è studiare il comportamento combinato dei sensori per ogni singolo asset per determinarne lo stato di salute e segnalare possibili problemi. Dopo aver valutato lo stato di salute dell’asset, gli algoritmi sono in grado di identificare situazioni devianti considerandole anomale, pertanto richiedenti particolare attenzione, controlli o investigazione su quanto sta accadendo e, nel caso, attivare azioni preventive (es. spegnimento di un motore e accensione di uno secondario). «I dati provenienti da diversi asset, anche di diversi produttori, possono poi essere armonizzati in un repository comune, dice Broggio. In questo modo si ottengono analisi immediate e report trasversali su tutte le apparecchiature e le dimensioni censite (fault, consumi, costi di manutenzione, rendimento operativo) per ottimizzare l’utilizzo dei dispositivi».
Migliorare la qualità dei prodotti attraverso gli analytics: il caso CNH Industrial
CNH Industrial si è posta come obiettivo di misurare i kpi di qualità per migliorare continuamente l’affidabilità, la robustezza e durata dei beni. «Per noi è fondamentale l’analisi di parametri che permettono il monitoraggio e la misurazione dei prodotti», afferma Enrica Vaccarino di CNH.
Due le aree di osservazione: i dati produttivi e di garanzia, all’interno di un database alimentato dai dipartimenti interni e dalla rete mondiale di dealer; le informazioni sull’utilizzo dei prodotti da parte dei clienti, raccolte grazie a comunicazioni machine-to-human. Si è partiti con l’implementazione di un database unificato per la gestione delle garanzie, che ha permesso una vista centralizzata sulla disponibilità dell’intero parco prodotti.
L’IoT, invece, ha permesso la raccolta dei dati e l’analisi in real time sull’utilizzo dei prodotti, grazie ai dati provenienti dalle centraline a bordo di ogni veicolo. «Siamo riusciti ad ottenere visibilità tempestiva sui kpi che concorrono a determinare il livello di sostenibilità dei prodotti, spiega Vaccarino. Capire rapidamente come, quando e soprattutto perché si verificano determinati malfunzionamenti, ci permette di migliorare la qualità dei prodotti e ottenere risparmi immediati sul fronte della garanzia.
Senza gli analytics avanzati, sarebbe stato impossibile sfruttare le enormi quantità di dati generati, se si pensa che in un’applicazione di media complessità le variabili da prendere in esame possono essere oltre 10.000. L’analisi sui dati di utilizzo, sono inoltre utili al dipartimento di ingegneria e al team di validazione per progettare e testare i prodotti secondo le reali esigenze dei clienti».
