Accesso democratizzato all’intelligenza artificiale e una conoscenza fruibile alla stessa velocità di una slot machine. Nel 2024 la GenAi verrà integrata nel manifatturiero andando a potenziare l’arsenale delle tecnologie che in tutti questi anni hanno già contribuito a sviluppare soluzioni innovative nell’ambito dell’automazione e ottimizzazione dei processi di produzione, della manutenzione predittiva, della supply chain, della robotica, dell’efficientamento energetico e in soluzioni di computer vision orientate al controllo qualità.
La roadmap strategica di Sas, la più grande azienda privata di software analytics a livello mondiale, prevede l’integrazione dell’IA generativa nelle sue soluzioni destinate ai più diversi settori industriali, come l’assistente per la scrittura del codice che servirà ad automatizzare lo sviluppo software. «L’intelligenza generativa è uno strato software che si andrà a sommare alle componenti di IA che già oggi sono parte di Viya, la piattaforma cloud analytics di Sas; abbatterà la barriera di ingresso degli utenti, democratizzando l’accesso alla knowledge base aziendale», afferma Luca Barbanotti, senior customer advisor advanced analytics and AI di Sas. La logica con cui è stata creata Viya, il cui sviluppo ha comportato investimenti di un miliardo di dollari nell’arco di cinque anni, ha dato vita a una piattaforma di tipo Composite AI. Come dice Barbanotti, «l’utente può scegliere diverse combinazione di tecnologie di analisi, apprendimento automatico e ottimizzazione sulla base delle esigenze dei singoli contesti applicativi».
In altre parole, una piattaforma flessibile e modulare, che consente di assemblare e combinare diverse funzionalità per creare soluzioni personalizzate e scalabili con componenti indipendenti che svolgono funzioni specifiche. Moduli che possono includere strumenti di analisi dei dati, modelli di machine learning e large language models, algoritmi di ottimizzazione per dare vita a digital twin simulativi o per generare dati sintetici qualora non siano disponibili dati sufficienti per avere insight e osservabilità sui processi di business. Acronimo di Statiscal Analytics System, 3,2 miliardi di dollari di fatturato, dal 1976, anno della sua fondazione, Sas non si è occupata d’altro che di dati. Per la private company globale, capitanata dal suo fondatore Jim Goodnight, con sede a Raleigh nel North Carolina, la missione nel corso della sua quarantennale evoluzione è stata sempre la stessa: trarre valore dai dati per creare informazioni e conoscenza a supporto dell’operatività aziendale per generare un valore competitivo. Attraverso la piattaforma cloud Viya rende oggi disponibili strumenti di analytics ed intelligenza artificiale che consentono di analizzare dati complessi, identificare relazioni, effettuare previsioni e prendere decisioni informate basate sui dati. Non meno importante la componente per la gestione dei dati, per lo sviluppo di processi di data integration, data quality e data governance. Ecco come Sas intende promuovere l’utilizzo della Generative Ai, le possibili evoluzioni, i casi d’uso e le opportunità applicative per il manifatturiero.
Migliorare l’efficienza operativa, ottimizzare i processi e favorire decisioni più informate attraverso l’analisi avanzata dei dati e la generazione di contenuti a valore
Se i sistemi di intelligenza artificiale e machine learning riconoscono pattern e relazioni per effettuare previsioni, l’IA generativa genera nuovi dati e conoscenza. Un Large Language Model è per definizione un modello basato su intelligenza artificiale addestrato su enormi quantità di dati linguistici e applicato su una pluralità di domini applicativi. «Nell’ambito della supply chain i modelli tradizionali possono essere utilizzati per analizzare dati storici, per fare previsioni di mercato e per predire le variazioni nella domanda e ottimizzare la pianificazione della catena di approvvigionamento», dice Barbanotti. E nella manutenzione predittiva entrano in gioco per analizzare dati provenienti da sensori di macchinari e sistemi di produzione, per prevedere anomalie e segnalare potenziali guasti imminenti. Possono dare un contributo per generare report di manutenzione dettagliati, inclusi i passaggi necessari per risolvere i problemi rilevati. O ancora, analizzare grandi set di dati relativi ai processi di produzione al fine di identificare inefficienze, migliorare la qualità del prodotto e ottimizzare i tempi di produzione. In sintesi, l’implementazione di large language model in contesti manifatturieri può contribuire a creare un’innovazione supplementare a quella già impressa dalla tecnologia Ai di tipo “tradizionale”.
Il caleidoscopio applicativo della Generative AI. Digital twin, dati sintetici e realtà virtuali
«Per risolvere uno specifico problema di business, supply chain o altro, si devono integrare diverse metodologie analitiche», dice Barbanotti. «Molto spesso ci occupiamo della previsione della domanda con tecniche di forecasting, che alimentano i processi operazionali, il budget e la pianificazione della produzione.
Ecco, la Gen AI è un tassello in più che arricchisce questo scenario ed il primo vantaggio sta proprio nella modalità di interazione di tipo conversazionale che essa introduce». Non solo, in processi complessi potrebbe essere difficile ottenere un numero sufficiente di dati per addestrare un modello. In questi casi diventa importante la generazione di dati sintetici, prodotti artificialmente o simulati anziché provenienti da fonti reali. Un processo strettamente legato alla creazione di digital twin simulativi. Il futuro dell’Ai generativa è anche riposto nella Ia multimodale in grado di elaborare simultaneamente una vasta gamma di input, consentendo applicazioni più consapevoli del contesto. Un esempio è la generazione di oggetti, ambienti e dati spaziali in 3D. Soluzioni che troveranno applicazione nella realtà aumentata, nella realtà virtuale e nella simulazione di sistemi fisici complessi come i gemelli digitali.
Accesso democratizzato all’intelligenza artificiale e una conoscenza fruibile alla stessa velocità di una slot machine
Gen Ai, tutti impazzano su questo tema. «Qualunque cliente incontri vuole assolutamente capire qual è la nostra posizione e la nostra proposta», dice Barbanotti, che sottolinea come l’introduzione dell’intelligenza generativa segni uno spartiacque tra un prima e un dopo poiché si candida a rendere accessibile l’IA a utenti di business che non hanno un background tecnico analitico, che non scrivono codice e non costruiscono modelli algoritmici. Come si afferma nello slang informatico, semplifica l’accesso alla knowledge base aziendale grazie un’interfaccia basata su linguaggio naturale, testuale o vocale. Un cambiamento radicale. Dalla reportistica tradizionale, un’informazione di sintesi generata da attività di integrazione di fonti dati eterogenee, le informazioni abilitate dall’intelligenza generativa sono fruibili alla stessa velocità di una slot machine: con una semplice query si genera una risposta coerente con le esigenze dell’utente che la richiede. Insomma, la new wave dell’Ai generativa ha le potenzialità di allargare la platea degli utilizzatori, semplificando il processo di decision making.
Large Language Model, dati sintetici e supply chain. Dall’integrazione di più tecnologie nascono le soluzioni per gestire processi ad alta complessità
«L’uso di dati sintetici può aiutare ad aumentare la quantità di dati disponibili dove la generazione del contenuto è migliorata o arricchita con informazioni o dati supplementari generati sinteticamente», spiega Barbanotti. Un esempio è quello della supply chain dove ci possono essere situazioni che è difficile replicare con dati reali, ma che sono importanti per addestrare i modelli. Ecco, la generazione di dati sintetici può accelerare il processo di addestramento contribuendo a potenziare le performance operative. Come dice Barbanotti, «nella gestione della supply chain una delle limitazioni è avere pochi dati e punti di osservabilità per riscontrare delle anomalie. Ora, con tecniche syntethic data, è invece possibile popolare il modello supervisionale creando un campione di dati più numeroso che può essere processato in modo ottimale dagli algoritmi analitici ottenendo una rappresentazione più affidabile della supply chain, bypassando i limiti dovuti a una scarsità di dati. Ciò consente di prendere decisioni più informate basate su scenari predittivi, riducendo la dipendenza esclusiva da dati storici», dice Barbanotti.
I modelli generativi di intelligenza artificiale per il settore manifatturiero, casi d’uso e opportunità
Un modello linguistico di grandi dimensioni (Llm, Large Language Model), un esempio è ChatGpt, è un potente modello di machine learning in grado di elaborare e identificare relazioni complesse nel linguaggio naturale, generare testi e dialogare con gli utenti. Sono modelli che si basano su tecniche come il deep learning e le reti neurali. In sintesi, i modelli large language mirano all’elaborazione del linguaggio naturale e vengono addestrati su enormi quantità di dati di testo. Nel manifatturiero possono essere utilizzati per una varietà di applicazioni, dalla gestione della catena di approvvigionamento all’assistenza alla produzione. Ecco alcuni esempi di come possono essere implementati per soluzioni di intelligenza artificiale nel mondo manifatturiero:
- Pianificazione della catena di approvvigionamento
– Analizzare dati storici, fornire previsioni di mercato e fattori esterni per predire le variazioni nella domanda e ottimizzare la pianificazione.
– Rispondere in modo dinamico a situazioni impreviste o a cambiamenti nelle condizioni del mercato attraverso la generazione di piani di risposta basati su dati in tempo reale.
- Manutenzione predittiva
– Sviluppare modelli che possano analizzare dati provenienti da sensori di macchinari e sistemi di produzione per prevedere anomalie e segnalare potenziali guasti imminenti.
– Utilizzare i modelli per generare report di manutenzione dettagliati, inclusi i passaggi necessari per risolvere i problemi rilevati.
- Processi di produzione
– Implementare Llm per analizzare grandi set di dati relativi ai processi di produzione al fine di identificare inefficienze, migliorare la qualità del prodotto e ottimizzare i tempi di produzione.
– Utilizzare i modelli di linguaggio per generare raccomandazioni su miglioramenti nei processi, procedure di lavoro e strategie di produzione.
- Gestione delle richieste di assistenza tecnica
– Implementare sistemi di risposta automatica basati su Llm per gestire richieste di assistenza tecnica o di informazioni su prodotti.
– Utilizzare modelli per creare documentazione tecnica, manuali o risposte a domande frequenti, contribuendo a migliorare l’efficienza del supporto clienti.
- Sostenibilità di filiera
– Sviluppare modelli di linguaggio in grado di analizzare dati relativi all’impatto ambientale della catena di approvvigionamento e suggerire soluzioni per renderla più sostenibile.
– Generare report sulle pratiche sostenibili, fornendo raccomandazioni su come ridurre l’impatto ambientale nella produzione e nella distribuzione.
- Analisi dati clienti
– Implementare Llm per analizzare recensioni, feedback e commenti dei clienti per ottenere insight sulla percezione dei prodotti e identificare aree di miglioramento.
– Generare report automatici per la gestione basati sui sentimenti espressi dai clienti e proporre azioni correttive.
