AS_08_2019

Automazione e Strumentazione Novembre/Dicembre 2019 EDITORIALE primo piano 9 verso la Digital Manufacturing è un lungo percorso che passa attraverso la digitalizzazione dei processi aziendali oltre a quella delle fabbriche. Il cambiamento di paradigma richiede l’adozione e l’integrazione di tecnologie di automazione e ICT che portano a generare un ingente flusso di dati (Big Data, BD), ancora tutto da valorizzare. Pensiamo alla sensoristica basata sull’IIoT (Industrial Internet of Things) che ha favorito lo sviluppo di sistemi cyber-fisici (Cyber Physical Systems, CPS), cioè, di dispositivi e macchine interconnessi che ‘parlano e si interrogano’ attraverso lo scambio di segnali. Questi costituiscono i dati a disposizione delle aziende per ‘scattare la fotografia’ dello stato delle macchine/processi o fabbriche a partire dalla quale è possibile, attraverso un processo di analisi diagnostica (troubleshooting), definire adeguate misure/azioni di intervento. La trasformazione digitale è stata accompagnata dalla comparsa di ‘nuove’ buzzword (Machine Learning, Deep Learning, Business Intelligence, Business Analytics, Data Analytics, Artificial Intelligence ecc.) spesso usate in modo inappropriato (purtroppo, anche dai fornitori di tecnologie/soluzioni). Tutto questo non fa che contribuire a confondere le aziende (specialmente le PMI) che spesso non riescono a comprendere esattamente se e quali strumenti di analisi sono adeguati per le specifiche esigenze aziendali. Un progetto di valorizzazione di BD deve iniziare con l’identificazione dell’obiettivo che si desidera raggiungere; la domanda da porsi è: cosa vogliamo estrarre dai BD? Questa è la fase più critica in quanto richiede la conoscenza del processo (aziendale o produttivo), quindi, è la fase nella quale l’uomo (tecnico, operatore o manager) gioca un ruolo importantissimo. Un progetto di BD deve essere intrapreso solo se crea valore aggiunto per l’azienda e non per seguire la moda del momento. Infatti, il solo possesso di BD non conferisce alcun vantaggio competitivo se non si utilizzano strumenti di analisi adeguati che consentono di valorizzare i BD estraendo (distillando) conoscenza. Solo dopo aver definito l’obiettivo è possibile scegliere la tecnologia di ‘lettura dei dati’ più adeguata. Spesso, per ottenere la risposta desiderata è necessario usare tecnologie che si basano su algoritmi alternativi: non esiste una tecnologia o algoritmo che vada bene per tutte le applicazioni. È in questa fase che ci dovrebbe essere una maggiore collaborazione tra il cliente finale e il fornitore di piattaforme di data analytics. Il cliente dovrebbe avere una minima conoscenza di base delle tecnologie di data analysis per aiutare il fornitore nella scelta della proposta più indicata. Dal canto suo, il fornitore dovrebbe ‘ascoltare il cliente’ per comprendere le sue esigenze (need) senza spingere verso l’adozione di una specifica soluzione che potrebbe anche non essere quella ottimale. L’esigenza di avere una minima conoscenza delle tecnologie/algoritmi alla base dei sistemi di data analytics non dovrebbe spaventare i neofiti di progetti di BD. Il cuore dei sistemi di analytics sono le classiche tecnologie di analisi statistica multivariata e di machine learning i cui concetti di base possono essere facilmente acquisibili. Il vero problema è l’integrazione di queste conoscenze di base con quelle del processo, e questo può essere realizzata solo attraverso una crescita professionale interna che contribuisce a incrementare il know-how aziendale. La trasformazione Cosa richiede la valorizzazione dei Big Data nel manifatturiero? Presidente di Anipla Alberto Servida