AO 457

Panorama AUTOMAZIONE OGGI 30 | OTTOBRE 2024 AUTOMAZIONE OGGI 457 Matteo Longoni , sector manager intralogistica di Murrelektronik ( www.murrelektronik.it ), ha una convinzione: “L’intelligenza artificiale è già in grado di svolgere diverse attività in numerosi ambiti e, ovviamente, anche in quello intralogi- stico. Gli scopi per i quali viene impiegata sono molteplici e vanno dall’aumento dell’efficienza di processo all’incremento della precisione, dal controllo sullo stato di salute dei macchinari, ed eventuale programmazione di interventi manutentivi, all’accelerazione dei flussi attra- verso operazioni sempre più rapide. Logica- mente l’AI da sola non è sufficiente, poiché necessita di sistemi di automazione che siano in grado di valorizzarne tutto il potenziale, così assistiamo all’implementazione di sistemi che automatizzano varie fasi dell’intero processo: machine vision, AMR/AGV (robot mobili auto- nomi/veicoli a guida automatica), cobot ma anche WMS e software gestionali. Sono tutti strumenti che vengono interconnessi con una logica complementare in modo tale da resti- tuire, attraverso i dati acquisiti direttamente sul campo, la ‘fotografia’ in tempo reale di un singolo processo o di tutta la factory. E non ha ragione di esistere un’AI efficiente se non è in grado di ‘fare gavetta’, ovvero imparare dalla propria esperienza. In questo senso il machine learning è fondamentale, poiché permette di addestrare l’algoritmo dandogli un imprinting iniziale, le informazioni basilari giuste, in modo che l’AI prosegua poi in modo automatico, facendo tesoro delle impostazioni primarie e migliorando di volta in volta l’esecuzione delle varie attività, svolgendole in modo sempre più efficiente. Di conseguenza, se l’AI è una compo- nente essenziale per il nuovo modello di pro- cesso intralogistico, la sua crescente efficienza andrà a generare beneficio lungo tutta la ca- tena di processo che vede impiegate macchine e sistemi“. Afferma Enzo Tumminaro , country manager di Zebra Technologies Italia ( www.zebra.com/it/ it.html ): “Secondo il Warehouse Vision Study ( https://connect.zebra.com/warehousevs_2027_ it ) di Zebra, nei prossimi 5 anni la maggior parte dei responsabili di magazzino a livello globale prevede di investire in deep learning (94%), analisi predittiva (92%), machine vision (86%) e computer vision (85%). Infatti, queste tecnologie avanzate di AI sono in grado di of- frire funzionalità di automazione e di analisi per facilitare il processo decisionale automatizzato nell’ambito della supply chain e del magazzino. I decision maker che operano in questo settore, nello specifico, stanno accelerando i piani di in- vestimento in tecnologie per risolvere le sfide relative all’ottimizzazione della manodopera, alla semplificazione delle attività, nonché alle imprecisioni nella gestione delle scorte e al passaggio a sistemi basati sul cloud. Nello specifico, l’AI utilizzata da piattaforme software come Fourkites è fondamentale per collegare, analizzare e sfruttare i dati lungo tutta la supply chain. Queste piattaforme forni- scono informazioni e analisi predittive per l’in- dividuazione di rotte stradali, marittime, aeree, ferroviarie e dell’ultimo miglio, consentendo ai team di trasporto e logistica di sviluppare solu- zioni personalizzate con le API (Application Pro- gramming Interface) messe a disposizione, e di sfruttare gli assistenti AI per l’identificazione e la risoluzione dei problemi. Se, per esempio, viene segnalato un ritardo nell’arrivo di un ca- mion vuoto, un responsabile della baia di ca- rico può utilizzare la soluzione per la gestione della forza lavoro e riallocare la manodopera per caricare o scaricare altre spedizioni, che potrebbero essere sensibili alla temperatura, riducendo al minimo l’esposizione nelle merci a parametri non adeguati. In un altro scenario, la piattaforma può essere in grado di associare i bollettini meteorologici con le rotte di transito previste, per suggerire il momento migliore per la partenza. La spedizione potrebbe essere ri- tardata, ma questo potrebbe salvare la merce, come per esempio un pallet di rose, molto sen- sibile a brusche variazioni di temperatura. Un altro tipo di AI è il deep learning, che sfrutta unmodello composto da diversi livelli, che imita le connessioni della corteccia visiva umana. Ogni livello analizza e classifica i dati per fornire un risultato accurato. Il deep learning non è un sistema fisso basato su regole, ma sfrutta i dati acquisiti in fase di addestramento e di test per L’AI può gestire dinamicamente lo spazio in un magazzino, suggerendo il posizionamento ottimale delle merci in base alla frequenza di prelievo, alle dimensioni e alle relazioni tra i prodotti Fonte: foto Shutterstock Matteo Longoni, sector manager intralogistica di Murrelektronik