Le criticità da affrontare nella gestione datiERT

L’automazione industriale sta evolvendo profondamente e rapidamente grazie all’AI, ma sussistono ancora diverse criticità da superare e questioni da definire per un impiego ottimizzato dei dati.

Quali sono le maggiori criticità da affrontare?

Francesco Tieghi, responsabile marketing e comunicazione di ServiTecno:

“La criticità principale è la governance: non basta disporre di grandi quantità di dati, è necessario comprenderne la provenienza, la qualità e, soprattutto, il livello di affidabilità richiesto dal settore. In ambiti regolamentati, l’AI introduce elementi non deterministici che rendono complessa la convalida. Qualsiasi tecnologia che possa prendere decisioni autonome su processi certificati o soggetti a GMP, come nel farmaceutico, è vista con sospetto e spesso esplicitamente esclusa. C’è poi un tema culturale: passare da sistemi deterministici e prevedibili a logiche probabilistiche richiede un nuovo modo di valutare il rischio operativo”.

Claudio Stamile, manager of Artificial Intelligence R&D & Market Solutions di Fastweb+Vodafone:

“Le criticità più urgenti non sono più solo tecnologiche, ma diventano strategiche e culturali. La prima, e forse la più bloccante, è la frammentazione del patrimonio informativo aziendale: mai come oggi è fondamentale superare i silos di dati. Ci troviamo spesso a proporre soluzioni AI avanzate a clienti che, purtroppo, non possono implementarle, perché i dati necessari semplicemente non vengono storicizzati o non sono accessibili. È impossibile addestrare un modello predittivo efficace senza una solida base di dati storici di qualità.

Questo ci porta direttamente alla seconda criticità: la scarsa consapevolezza sull’importanza della ‘Data Governance’. È un concetto ancora poco conosciuto e spesso sottovalutato, visto come un costo, anziché come un prerequisito fondamentale per il successo. Avere una governance significa definire chi è responsabile del dato, come viene raccolto, protetto e reso disponibile, garantendone la qualità e l’integrità. Senza di essa, ogni progetto di AI è costruito su fondamenta fragili. Infine, l’avvento della GenAI, pur essendo una tecnologia dirompente e apparentemente semplice da usare, ha introdotto una nuova classe di rischi. Molte aziende la implementano senza una reale comprensione delle vulnerabilità a cui si espongono.

Questa tecnologia apre il fianco a minacce specifiche, come il ‘data poisoning’ (avvelenamento dei dati) o il ‘prompt injection’, che non vengono intercettate dai classici test a cui si sottopone il software prima del rilascio. La qualità del dato di input rimane fondamentale: ricerche recenti hanno dimostrato come una percentuale minima di dati errati nel training set possa compromettere drasticamente l’affidabilità e la coerenza delle risposte di un chatbot o di un modello LLM.
Per far fronte a queste sfide, ciò di cui le aziende hanno più bisogno oggi non è solo tecnologia, ma cultura e formazione diffusa in ambito data governance. È l’unico modo per gestire il dato come un asset strategico e governare i nuovi rischi, trasformando il potenziale dell’AI in un vantaggio competitivo reale e sicuro”.

Marco Marella, general manager di FasThink:

“Le sfide sono diverse: per esempio la qualità e affidabilità del dato. L’AI si rivela utile solo quanto lo sono i dati su cui viene addestrata; in fabbrica i dati possono essere incompleti, rumorosi o incoerenti in quanto raccolti da diversi sensori, che non sono sincronizzati tra loro. Si verifica, così, un problema di accuratezza e instabilità dei modelli. Un’altra criticità è rappresentata dalla presenza di sistemi e tecnologie eterogenei all’interno degli Impianti: PLC di generazioni diverse, macchinari non predisposti alla connettività, convivenza di software differenti, che non dialogano ecc. Vi è poi un problema di convergenza e orchestrazione tra tecnologie OT (Operational Technology) e sistemi IT (Information Technology).

La governance e la sicurezza dei dati è un’altra area critica: la trasformazione digitale aumenta la superficie di attacco; aumenta il rischio di accessi non autorizzati, occorre tutelare la presenza e la gestione di dati sensibili in azienda, garantire cybersecurity, privacy e compliance. La scalabilità dell’infrastruttura dati è un’ulteriore criticità: l’AI richiede uno storage crescente, capacità di calcolo maggiore, sistemi di streaming in realtime, e passare da test locali a implementazioni enterprise. Il cambio di mentalità nel management, il recruiting di nuove competenze e la formazione costituiscono un altro aspetto, insieme alla difficoltà nell’integrare team IT e OT. L’introduzione dell’AI richiede nuove figure, data engineer, data scientist… e non sempre l’azienda dispone di figure appropriate o disponibili al cambio di mentalità.

Infine, i costi nascosti e il time to value: nelle PMI i progetti di AI industriale possono fallire perché richiedono tempi lunghi nella raccolta dati, costi di integrazione spesso sottostimati e benefici tangibili non di breve periodo. Quindi, ancora più per le PMI è fondamentale affidarsi a esperti che abbiano conseguito risultati sul campo e che sappiano utilizzare l’AI dove serve davvero, non solo perché le aziende la chiedono, o perché il progetto così risulta più allettante”.

Mauro Palmigiani, corporate vice president, Latin America & South Europe Region di Commvault:

“In un panorama tecnologico in rapida evoluzione, dove l’AI diventa un motore centrale per la gestione e l’analisi dei dati, le criticità si moltiplicano e richiedono un approccio strategico e olistico al tempo stesso. Dal nostro punto di vista, le maggiori sfide legate a una gestione basata sull’intelligenza artificiale si concentrano sulla sicurezza e l’integrità dei dati. Sebbene sia indubbiamente un potente strumento di difesa, l’AI crea anche nuove superfici di attacco e amplifica il valore dei dati; la criticità maggiore è garantire che le informazioni utilizzate per addestrare i modelli siano protette, integre e non compromesse, salvaguardando non solo i dati in transito e a riposo, ma anche quelli utilizzati e generati dagli algoritmi di AI, spesso distribuiti su ambienti cloud-native ed edge.

A ciò si aggiungono le sfide legate a governance e compliance per i dati, poiché l’AI opera spesso come una ‘scatola nera’, rendendo difficile tracciare decisioni e origine dei dati. Questo crea enormi problemi per il rispetto delle normative esistenti e future sull’AI, rendendo fondamentale fornire una chiara ‘linea genealogica’ delle informazioni e meccanismi di audit robusti per ogni set di dati che alimenta l’AI, e per ogni decisione che ne deriva. Non meno importante è la gestione di complessità e scalabilità, dato che i modelli di AI richiedono volumi di dati senza precedenti e infrastrutture articolate per l’elaborazione. La criticità, in questo caso, è legata alla gestione di questa complessità su scala, integrando fonti di dati disparate e garantendo che siano accessibili, performanti e recuperabili attraverso piattaforme che possano scalare dinamicamente con le esigenze dell’AI.

Infine, affidabilità e qualità dei dati rappresentano un elemento essenziale. Nell’era dell’AI, il principio ‘garbage in, garbage out’, ovvero ‘se i dati in ingresso sono scadenti, lo saranno anche i risultati in uscita’, è più vero che mai. In altre parole, se le informazioni fornite ai modelli di AI sono inesatte, incomplete o distorte, anche le analisi, le previsioni e le decisioni generate dall’AI risulteranno di scarsa qualità o addirittura errate. Assicurare, quindi, che i set di dati siano accurati, privi di bias e completi è fondamentale non solo per l’efficacia dell’AI stessa, ma anche per evitare decisioni sbagliate e con gravi conseguenze. In Commvault, crediamo che la risposta a queste criticità passi attraverso una piattaforma di cyber resilience unificata, che non solo protegga i dati da attacchi esterni e interni, ma utilizzi strumenti come l’Agentic AI, per rafforzare la difesa, ottimizzare il ripristino e semplificare la governance, trasformando la sicurezza dei dati da costo a valore abilitante per l’innovazione. È un nuovo paradigma, che richiede di pensare alla protezione dei dati non solo come un back-up, ma come il ‘pillar’ fondamentale per il successo nell’era dell’AI”.

Luciano Quartarone, Ciso e DPO di Archiva Group:

“Come Archiva, sosteniamo che non dovremmo concentrare l’attenzione sui dati in quanto tali, ma sulle informazioni, cioè dati che, solo quando vengono collocati in un contesto, assurgono al rango di qualcosa di realmente interpretabile. L’AI accelera questa dinamica, ma ne rivela anche il punto debole: anche i modelli più complessi e potenti non compensano la povertà o la distorsione di un contesto assente o mal strutturato. Il problema non è il dato grezzo, ma la sua incapacità di esprimere significati affidabili. Le applicazioni industriali lo confermano ogni giorno: serve necessariamente un contesto solido.

La prima criticità, dunque, è la coerenza informativa, senza la quale l’AI amplifica errori, introduce ambiguità operative, genera allucinazioni e compromette catene decisionali che richiedono tracciabilità e rigore. A ciò si aggiunge il tema della trasparenza: l’opacità intrinseca di molti modelli rende difficile, se non impossibile, verificare come un’informazione venga elaborata e quanto sia affidabile all’interno di processi industriali vincolati da responsabilità tecniche e normative, con ricadute che possono incidere direttamente anche sulle persone fisiche.
Nel mondo OT (Operational Technology) emergono tensioni nuove: la necessità di sfruttare la potenza del cloud si scontra con l’esigenza di proteggere sistemi storicamente isolati, mentre le decisioni in realtime tollerano poco ritardi o dipendenze esterne. Infine, la gestione del ciclo di vita delle informazioni, dalla loro origine alla loro distruzione, diventa un requisito strutturale: senza una governance matura, che stabilisca chi crea il contesto, chi lo modifica e come se ne garantisce la qualità, l’AI rischia di trasformarsi in un acceleratore di fragilità, anziché in un moltiplicatore di valore”.

Stefano Gandolfi, regional marketing manager di Omron Italia:

“La gestione dei dati in ambienti industriali in continua evoluzione pone diverse criticità, soprattutto quando si integrano sistemi legacy con nuove soluzioni digitali e applicazioni di AI. La prima grande sfida riguarda l’integrità del dato: in ambienti OT ibridi, la coesistenza di tecnologie datate e sistemi digitali avanzati può generare dati non uniformi, difficili da tracciare e validare. Questo rischio di incoerenza espone le aziende a problemi di continuità operativa, inefficienze e possibili non conformità alle normative.

Un’altra criticità fondamentale è la sicurezza: l’adozione dell’AI e la digitalizzazione dei processi ampliano la superficie di attacco e introducono nuove vulnerabilità, rendendo indispensabile un approccio strutturato alla cybersecurity. La separazione tra safety e cybersecurity, ancora troppo frequente, può compromettere la resilienza degli impianti. È essenziale integrare i due ambiti attraverso framework come il Secure by Design e il Defense in Depth, che prevedono misure tecniche, organizzative e fisiche coordinate, per proteggere dati e asset lungo tutto il ciclo di vita dei sistemi.

La tracciabilità e la validazione dei dati rappresentano un ulteriore punto critico. Per garantire decisioni affidabili e conformità normativa è necessario adottare sistemi digitali interconnessi, che aggregano e storicizzano le informazioni in modo coerente e accessibile. La digitalizzazione dei processi manuali, spesso ancora basati su carta, è fondamentale per ridurre errori, perdite di dati e difficoltà di auditing. L’integrazione tra sistemi legacy e nuove tecnologie, inoltre, richiede una governance coerente e una cultura aziendale condivisa. La formazione continua e la mappatura delle competenze sono indispensabili per preparare i team OT alla gestione integrata di safety, security e AI, così da affrontare le minacce in evoluzione e rispondere alle normative sempre più stringenti. Infine, la variabilità dei dati di apprendimento dell’AI può complicare la valutazione dell’affidabilità dei sistemi. Le decisioni stocastiche delle reti neurali rendono difficile applicare i classici parametri della functional safety, suggerendo di limitare l’uso dell’AI a specifiche aree e di accompagnare la sua adozione con una rigorosa analisi dei rischi”.

Stefano Azzoni, sales engineer di B&R Automazione Industriale:

“La gestione dei dati richiede un approccio strutturato e sicuro. Le principali sfide riguardano: qualità e pre-elaborazione dei dati, ovvero è essenziale filtrare e normalizzare le informazioni prima che vengano elaborate dall’AI, garantendo una trasmissione solo di quelle realmente utili; comunicazione in tempo reale e sicurezza, dove protocolli come OPC UA FX garantiscono trasmissioni crittografate e conformi ai più rigorosi standard di cybersecurity, assicurando interoperabilità e protezione dei dati; architettura distribuita, laddove la catena di elaborazione parte dai dispositivi di campo (azionamenti, attuatori), passa dai controllori per il buffering e il disaccoppiamento OT/IT, fino all’edge computing e, se necessario, al cloud. Questa struttura riduce la latenza e consente analisi avanzate senza compromettere la sicurezza”.

Giovanni Mandelli, product solution manager Control, Scada and Visualization di Mitsubishi Electric . Factory Automation:

“La più grande criticità attuale non è tecnologica, ma è la qualità del dato. Viviamo in un mondo manifatturiero fatto di macchinari eterogenei (legacy), dove protocolli di 30 anni fa convivono con sensori moderni. La sfida pratica non è l’AI in sé, ma riuscire a estrarre i dati da queste macchine datate per fornirli all’AI. Se il dato non è affidabile o è incompleto, l’AI sbaglia.

La piattaforma Scada Genesis di Misubishi Electric è una soluzione data driven che consente di gestire, analizzare, storicizzare e mettere a disposizione enormi quantità di dati proveniente da qualsiasi fonte ai sistemi intelligenti di analisi, o di essere direttamente il primo sistema di filtraggio e analisi delle informazioni per condividere dati già strutturati.

Una seconda criticità è quella del fattore umano e delle competenze. Spesso c’è diffidenza nell’utilizzare uno strumento che non si conosce, e nelle aziende mancano le competenze per gestire l’AI come strumento di lavoro. Infine, vi è il tema della sicurezza informatica: connettendo macchinari che prima erano isolati, apriamo delle ‘porte’ verso l’esterno.

Proteggere questi dati di produzione da accessi indesiderati è una priorità assoluta, che va risolta prima ancora di installare qualsiasi software intelligente. La sicurezza informatica a livello OT è fondamentale per uno sviluppo sostenibile di funzionalità intelligenti sulle linee di produzione e il livello edge prenderà sempre più importanza per trattare i dati vicino alla fonte senza ‘esporli’ all’esterno. Mitsubishi Electric ha recentemente completato l’acquisizione di Nozomi Networks proprio nell’ottica di fornire soluzioni di cybersecurity OT per proteggere le linee di produzione”.

Fabio Pascali, regional vice president Italy, Greece, Cyprus di Cloudera:

“Dalla nostra indagine ‘The Evolution of AI’, emerge chiaramente che le maggiori criticità oggi non risiedono negli algoritmi, ma nella preparazione, nella sicurezza e nella governance del dato che li alimenta. La prima sfida è senza dubbio la frammentazione: lo studio rivela che solo il 9% delle organizzazioni rende tutti i propri dati disponibili per l’AI; questi sono distribuiti ovunque, dal cloud privato a quello pubblico, e in gran parte non strutturati.

La criticità è quindi creare una ‘data fabric’ unificata che superi questi silos. La sfida della sicurezza è strettamente collegata: la privacy dei dati è la principale barriera all’adozione dell’AI agentica per il 53% delle aziende, e quasi la metà dei leader IT teme la fuga di dati durante il training dei modelli. In un contesto legale stringente come quello europeo, applicare policy di sicurezza in modo coerente su ambienti ibridi diventa un imperativo.

Infine, vi è la complessità degli strumenti, che richiede competenze specialistiche ancora rare sul mercato. Molti dei dati più preziosi delle aziende italiane risiedono ancora in data center on-premise. Per questo, il 40% delle aziende indica come un ostacolo l’integrazione con i sistemi legacy. La criticità è disporre di una piattaforma moderna che possa operare efficacemente anche on-premise, democratizzando l’accesso ai dati e rendendo i team esistenti più produttivi”.

LEGGI LE RISPOSTE ALLE DOMANDE

Tavola rotonda: “I dati, petrolio del terzo millennio” – introduzione

I benefici dell’AI nella gestione dei dati

1 – Le applicazioni di intelligenza artificiale stanno rivoluzionando il modo di gestire i dati nell’automazione industriale. Quali sono, secondo il suo punto di vista, i principali benefici?

 AI e machine learning

3 – L’analisi di grandi volumi di dati permette di rendere più efficiente il processo di autoapprendimento delle macchine. Qual è l’impatto dell’AI sul machine learning?

Normative e linee guida

4 – L’approccio governativo all’AI combina le strategie nazionali a un quadro normativo globale (per esempio l’AI Act dell’UE) e alla promozione dell’innovazione smart nel rispetto dei principi etici e di sicurezza. Come sarà l’impatto sulla sua azienda e sul settore dove operate?

Strumenti e servizi

5 – Quali strumenti e servizi offrite al mercato e ai clienti per la gestione dei dati in un’ottica di AI?

 

Fonte apertura Foto Pixabay_Mohamed_hassan