ANTEPRIMA_SPS25

30 SPECIALE SPS ITALIA 2025 e vocali. Automazione del back- office, progettazione, sviluppo pro- dotto e servizi: l’AI generativa crea efficienza su ciascuno di queste tre livelli di attività. Accanto a tutto il potenziale del machine e deep le- arning che, in forme diverse e da decine di anni, lavora al supporto decisionale, alla predizione, all’ana- lisi delle immagini, all’automazione robotica e intralogistica, l’AI gene- rativa valorizzerà e potenzierà ulte- riormente la conoscenza che potrà derivare dall’analisi dei dati del pa- trimonio informativo aziendale. Se da una parte è ancora presto per definire con precisione chirurgica come verrà applicata la new wave algoritmica nei processi manifattu- rieri, non vi sono dubbi su quello che potrà essere l’esito finale: modelli linguistici e strumenti di intelligenza artificiale aiuteranno le aziende a velocizzare le attività lavorative li- berando le persone da moltissime attività ripetitive. E ragionando per processi verticali si potrebbe arri- vare a scoprire che vi sono attività automatizzabili al 100%. Con l’AI generativa vengono svilup- pati agenti conversazionali in grado di comprendere il significato di voce e testo e agire di conseguenza, estraendo informazioni significa- tive, effettuando ricerche all’interno delle knowledge base aziendale. Gli ambiti applicativi comprendono la creazione di interfacce intelligenti che possono interagire con applica- zioni industriali. Non ci sono i dati? Li si creano attraverso processi di si- mulazione. Il processo di sviluppo di una soluzione GenAI segue sempre la stessa logica di un progetto sof- dei casi la collezione dati la si fa in cloud mentre l’execution, la parte cosiddetta inferenziale, la si può far fare all’edge. Distribuire la capa- cità elaborativa all’edge e al cloud di una soluzione AI generativa in funzione di performance e latenza richiede un’attenta progettazione e pianificazione: capire quanto velo- cemente devono essere elaborate le richieste AI è fondamentale. Ad esempio, se l’applicazione richiede risposte in tempo reale, sarà neces- sario avere più capacità edge per ridurre al minimo la latenza. Quali applicazioni? Assistenti digitali per automatiz- zare la scrittura di programmi e rendere flessibili e meno energivori i cicli di lavorazione. Le applicazioni di GenAI aumentano l’efficienza in attività di programmazione o di manutenzione delle macchine. So- litamente, per macchine a controllo numerico che hanno a bordo un tware tradizionale, determinando l’obiettivo che si vuole raggiungere attraverso la valorizzazione di una base dati specifica, di macchina o di processo. Dataset che possono derivare dal customer support, dalla manualistica, dalla documen- tazione ingegneristica. I modelli de- vono infatti essere puntuali e speci- fici. Devo risolvere un problema di ottimizzazione di risorse, di utilizzo dell’energia, di performance di pro- cesso, di manutenzione o di qualità finale? Ogni use case va pensato e configurato con grande attenzione. Come dire, non sono progetti che possono essere affrontati in mo- dalità fai da te. Serve conoscenza di processo ed expertise software. Individuare il problema, scegliere il modello più corretto. Si tratta di de- finire lo use case e mettere a terra un set di competenze adeguato. Tre le opzioni principali nella scelta large language model. La prima consiste nell’utilizzare un modello generalista, ChatGpt o altro, per poi essere adattato e addestrato per soddisfare al meglio le specifiche esigenze; la seconda prevede l’u- tilizzo di un modello open-source, anch’esso adattabile; la terza strada è infine quella per coloro che cercano di avere un maggiore controllo e personalizzazione at- traverso lo sviluppo di un proprio Llm. Modelli manifatturieri per i quali è previsto lo sviluppo di data lake dedicati. Nella maggior parte PLC, gli ingegneri dell’automazione programmano le macchine attra- verso procedure manuali: attività molto onerosa su cui è ormai peral- tro difficile avere le risorse dispo- nibili. Ebbene, con uno strumento di GenAI si possono utilizzare input vocali o testuali per generare au- tomaticamente codice o blocchi di codice. Con l’AI generativa si passa quindi all’autonomous computing per il manufacturing, riducendo tempo e sforzi per l’automazione di macchina, lasciando così ai siste- misti la possibilità di concentrarsi solo sulla revisione, regolazione e finalizzazione del codice. Le oppor- tunità sono ampie. Si può per esem- pio pensare di utilizzare un modello linguistico per la generazione au- tomatica della programmazione di macchine utensili per ridurre i con- sumi energetici. L’AI generativa può dare delle risposte molto puntuali. Ridurre la pressione dell’aria o la temperatura dell’olio, rallentare la velocità se la dissipazione termica è eccessiva. Questi automatismi possono nascere dallo sviluppo di soluzioni generative. Manutenzione predittiva, controllo qualità, automazione robotica. Con le nuove applicazioni che nascono dalla transizione dal machine lear- ning all’AI generativa si cerca di au- tomatizzare tutte le attività a basso valore aggiunto, alleggerendo il la- voro degli operatori. E ciò in molti contesti diversi tra di loro. Si pensi al controllo di qualità: con sistemi di visione intelligente si possono rile- vare difetti che ad occhio nudo sono impercettibili. Gli strumenti GenAI possono inoltre fornire raccoman- dazioni che aiutano i lavoratori a Le applicazioni di GenAI aumentano l’efficienza in attività di programmazione o di manutenzione delle macchine Fonte Shutterstock I modelli generativi consentiranno di rispondere a input complessi e articolati in modo più naturale di quanto sperimentato finora