AS_01_2020

SCENARI primo piano 19 Automazione e Strumentazione Gennaio/Febbraio 2020 Ottenere governance sui dati Per le imprese, come anticipato, una delle sfide principali per arrivare a esprimere realmente il potenziale di Industria 4.0, e diventare data-driven company, è concentrarsi sulla qualità dei dati , e sulla capacità di raccogliere, preparare, elaborare a analizzare con efficienza ed efficacia i grandi volumi di big data generati dai sensori e disposi- tivi IoT disseminati sul campo nell’ambiente di fabbrica. Tuttavia, osservando il trend generale, e prendendo come riferimento i sondaggi con- dotti dalla società di ricerche Gartner su oltre 500 organizzazioni, nell’ambito della Marke- ting Analytics Survey 2018, questa capacità non risulta ancora sufficientemente sviluppata: alla domanda su quali attività gli analisti spendano la maggior parte del proprio tempo, le operazioni di ‘data wrangling’, ossia la preparazione e trasfor- mazione dei caotici dati grezzi, è la risposta che domina in cima all’elenco, assieme alle opera- zioni d’integrazione e formattazione dei dati. Inol- tre, circa la metà dei dirigenti intervistati (48%) riferisce che alcuni dei propri analisti più costosi ed esperti impiegano il loro tempo a preparare i dati da analizzare, piuttosto che ad analizzarli. La soluzione a questi problemi, indica Gartner, è l’adozione di piattaforme di data science coe- sive , cioè applicazioni software dotate dei building block fondamentali per sviluppare molte tipologie di soluzione di data science, e incorporarle nell’in- frastruttura e nei processi di business aziendali. Tali piattaforme, devono operare sull’intero ciclo di vita dei dati nella pipeline analitica, e supportare, non solo sviluppatori e scienziati dei dati, ma anche i cosiddetti ‘citizen data scientists’, non dotati delle profonde competenze statistiche dei data scientist esperti, ma ugualmente in grado di fornire contri- buti importanti, grazie al loro particolare profilo professionale nel settore. In conclusione, la capac- ità di organizzare e analizzare complesse pipeline di big data attraverso queste potenti piattaforme di data science è una condizione essenziale per real- izzare progetti Industria 4.0 realmente in grado di sfruttare il paradigma IIoT per migliorare la produt- tività degli impianti e degli stabilimenti industriali, la qualità di prodotti e servizi, e la strategia di busi- ness di un’impresa nel suo complesso. Industria di processo: presente e futuro degli ‘insight’ sui dati La fiorente era dei big data e delle tecnologie di AI e ML sta influenzando con forza anche il mondo dell’industria di processo, dove lo smart manu- facturing promette di rendere le macchine non soltanto capaci di alleviare le fatiche del lavoro fisico svolto dagli esseri umani, ma anche di pren- dere efficacemente in carico parte del lavoro intel- lettuale, e, in prospettiva, di produrre innovazioni in maniera autonoma. Per raggiungere questi obi- ettivi, sottolinea uno studio (“Data Analytics and Machine Learning for Smart Process Manufactur- ing: Recent Advances and Perspectives in the Big Data Era”) condotto dai ricercatori Chao Shang, del Dipartimento di Automazione della Tsinghua University di Beijing, e Fengqi You, che opera alla Robert Frederick Smith School of Chemical La IoT industriale ha un grande potenziale anche nel controllo (fonte: Pixabay)