ANTEPRIMA_SPS25

r e c o m - p ow e r . c o m / r a c p r o *1 Φ PSU coming soon LA NUOVA SERIE PROFESSIONALE RECOM RACPRO1 DA 240 A 960 W SOLUZIONI PROFESSIONALI PER ALIMENTAZIONE SU GUIDA DIN 3Φ*, DIODI DI RIDONDANZA E FUSIBILI ELETTRICI Visit us at BOOTH: 3-A057 identificare i migliori metodi per re- alizzare compiti specifici. In ambito manutenzione predittiva, per esem- pio. In passato si cercava di preve- nire guasti eseguendo la manuten- zione secondo cicli o periodi fissi, oppure si effettuavano riparazioni quando si verificavano i guasti. Con l’avvento del machine learning si è poi stati in grado di utilizzare dati provenienti da diversi tipi di sensori per identificare pattern, prevedere guasti e quindi condurre in modo proattivo la manutenzione. Ora Ge- nAI potenzia questo approccio alla manutenzione predittiva creando automaticamente testi o immagini che forniscono istruzioni passo- passo, comprese le liste di parti di ricambio necessarie. Risultato? Il si- stema consente al personale di ma- nutenzione di dedicare più tempo all’esecuzione dei propri compiti an- ziché alla preparazione delle istru- zioni, migliorando la produttività e riducendo i costi. Come dire, anche i tecnici inesperti potranno essere in grado di riparare o mantenere l’at- trezzatura in modo più efficace con il supporto di uno strumento GenAI. Quali relazioni? Quali dunque le relazioni tra intel- ligenza artificiale tradizionale, di machine e deep learning, e quella generativa? Nella manutenzione predittiva l’AI supporta impianti in- dustriali per predire possibili fault di macchinario. Avverte, ad esem- pio, che tra una settimana un certo componente potrebbe essere a ri- schio. Ecco, un caso di GenAI come complemento all’AI tradizionale è proprio questo. L’intelligenza gene- rativa chiude il loop manutentivo. Sulla base di quanto evidenziato dall’AI tradizionale, si può avere il copilot che dice cosa fare per risol- vere un certo problema in funzione della documentazione manualistica dell’impianto di produzione e dei dati storici su cui è stato istruito il modello. E nessuna allucinazione, perché l’algoritmo viene utilizzato su una base dati certificata. Va fatta un’analisi di quelle che sono le sor- genti dati che vanno utilizzate per generare delle informazioni corrette. Dati che vanno organizzati in por- zioni di testo di dimensioni ragione- voli, che vengono indicizzati su data- base vettoriali per poi rispondere in modo puntuale alla domanda dell’u- tente. Come già detto, nel manifat- turiero l’attenzione è sul knowledge sharing, sulla possibilità di utilizzare l’intelligenza generativa per avere ri- sposte immediate in termini di istru- zioni operative, favorendo l’utilizzo di interfacce vocali che eliminino la necessita di avere un’interazione testuale, modalità che semplifica attività che devono essere eseguite in ambienti di fabbrica. La GenAI avrà sicuramente un impatto sulle soluzioni di manutenzione predit- tiva, una delle aree su cui si sono concentrati gli investimenti Industry 4.0. La capacità dei modelli multi- modali di lavorare sulle immagini potrebbe dare un contributo signi- ficativo nel modo in cui si eseguono interventi a bordo macchina e negli impianti. Ma attenzione, i modelli fondazionali hanno grandi poten- zialità ma devono poter lavorare su basi dati certificate e validate, altri- menti il contenuto che ci si aspetta venga generato dall’algoritmo sarà inconsistente, poco preciso e affi- dabile. E in ambito di progettazione la tecnologia generativa permette di identificare la soluzione di design più performante in base a parametri e vincoli specifici: una volta inseriti i dati di input genera automatica- mente delle geometrie ed evidenzia il miglior price performance in fun- zione dei volumi di produzione e dei materiali da utilizzare. Accanto al design generativo, le funzioni di au- tomated modeling ovvero la model- lazione automatizzata, può essere utilizzata sin dalle fasi iniziali del processo di progettazione, consen- tendo di individuare nuove possibi- lità nell’approccio a uno specifico problema di design.