Modelli linguistici e strumenti di intelligenza artificiale aiuteranno le aziende a velocizzare le attività lavorative liberando le persone da moltissime attività ripetitive
I modelli generativi consentiranno di rispondere a input complessi e articolati. Le interazioni uomo-macchina diventeranno più fluenti e simili a conversazioni reali. In termini di servitization si può anche immaginare che in futuro gli OEM del machinery potranno consegnare agli end user macchine parlanti, che rispondono a domande precise sullo stato del loro funzionamento, che sanno dare indicazioni su possibili fault. La tendenza sarà passare da soluzioni generaliste a soluzioni specializzate per mercati verticali e per singoli domini applicativi, per l’ambito progettuale e ingegneristico, nella produzione e nei servizi postvendita. Un approccio che apre nuove possibilità per l’interazione human to machine, consentendo di automatizzare compiti complessi in contesti variabili e imprevisti. L’intelligenza artificiale è un insieme di tecnologie che sono in rapidissima evoluzione. Siamo nel bel mezzo di una transizione. L’AI generativa segna un vero e proprio spartiacque tra un prima e un dopo. Da una parte l’AI tradizionale, il machine e deep learning, dall’altra l’AI generativa. Secondo recenti statistiche l’80% degli sviluppi è ancora legato all’AI tradizionale, mentre il 20% è trainato dal natural language processing, dai large language models, che sono il fondamento della generative AI. Un rapporto destinato a cambiare rapidamente poiché sempre più investimenti sono focalizzati sullo sviluppo di soluzioni generative. Insomma, si iniziano a progettare i sistemi di software industriale con l’idea di avere un’interfaccia generativa, con un paradigma assolutamente diverso dai precedenti. Grazie alla disponibilità di nuova capacità computazionale GPU based, all’edge e al cloud, il machine learning è stato applicato in ambienti di produzione per l’individuazione delle anomalie, per la defect detection. Ora, però, non è più solo una questione di avere dati ed elaborarli in logica algoritmica per estrarre correlazioni che non sarebbero altrimenti possibili con metodi statistici. La generative AI viene utilizzata per realizzare il front end dell’applicazione, per interpretare in linguaggio naturale una specifica base dati e ottenere una risposta: si danno in pasto i dati su cui si vuol far lavorare il modello e si ottengono le informazioni desiderate. Con l’AI si genera un output a partire dai dati: posso chiedere al sistema di riprogrammare una macchina utensile o un processo produttivo o, ancora, dare vita ad assistenti digitali e chatbot per il customer service.
Quale modello scegliere
I modelli generativi consentiranno quindi di rispondere a input complessi e articolati in modo più naturale di quanto sperimentato finora, introducendo un nuovo paradigma uomo-macchina basato su linguaggi conversazionali, testuali e vocali. Automazione del back-office, progettazione, sviluppo prodotto e servizi: l’AI generativa crea efficienza su ciascuno di queste tre livelli di attività. Accanto a tutto il potenziale del machine e deep learning che, in forme diverse e da decine di anni, lavora al supporto decisionale, alla predizione, all’analisi delle immagini, all’automazione robotica e intralogistica, l’AI generativa valorizzerà e potenzierà ulteriormente la conoscenza che potrà derivare dall’analisi dei dati del patrimonio informativo aziendale. Se da una parte è ancora presto per definire con precisione chirurgica come verrà applicata la new wave algoritmica nei processi manifatturieri, 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 liberando le persone da moltissime attività ripetitive. E ragionando per processi verticali si potrebbe arrivare a scoprire che vi sono attività automatizzabili al 100%. Con l’AI generativa vengono sviluppati agenti conversazionali in grado di comprendere il significato di voce e testo e agire di conseguenza, estraendo informazioni significative, effettuando ricerche all’interno delle knowledge base aziendale. Gli ambiti applicativi comprendono la creazione di interfacce intelligenti che possono interagire con applicazioni industriali. Non ci sono i dati? Li si creano attraverso processi di simulazione. Il processo di sviluppo di una soluzione GenAI segue sempre la stessa logica di un progetto software 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 documentazione ingegneristica. I modelli devono infatti essere puntuali e specifici. Devo risolvere un problema di ottimizzazione di risorse, di utilizzo dell’energia, di performance di processo, 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 modalità fai da te. Serve conoscenza di processo ed expertise software. Individuare il problema, scegliere il modello più corretto. Si tratta di definire 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’utilizzo 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 attraverso lo sviluppo di un proprio Llm. Modelli manifatturieri per i quali è previsto lo sviluppo di data lake dedicati. Nella maggior parte 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 capacità 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 velocemente devono essere elaborate le richieste AI è fondamentale. Ad esempio, se l’applicazione richiede risposte in tempo reale, sarà necessario avere più capacità edge per ridurre al minimo la latenza.
Quali applicazioni?
Assistenti digitali per automatizzare 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. Solitamente, per macchine a controllo numerico che hanno a bordo un PLC, gli ingegneri dell’automazione programmano le macchine attraverso procedure manuali: attività molto onerosa su cui è ormai peraltro difficile avere le risorse disponibili. Ebbene, con uno strumento di GenAI si possono utilizzare input vocali o testuali per generare automaticamente 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 sistemisti la possibilità di concentrarsi solo sulla revisione, regolazione e finalizzazione del codice. Le opportunità sono ampie. Si può per esempio pensare di utilizzare un modello linguistico per la generazione automatica della programmazione di macchine utensili per ridurre i consumi 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 learning all’AI generativa si cerca di automatizzare tutte le attività a basso valore aggiunto, alleggerendo il lavoro degli operatori. E ciò in molti contesti diversi tra di loro. Si pensi al controllo di qualità: con sistemi di visione intelligente si possono rilevare difetti che ad occhio nudo sono impercettibili. Gli strumenti GenAI possono inoltre fornire raccomandazioni che aiutano i lavoratori a identificare i migliori metodi per realizzare compiti specifici. In ambito manutenzione predittiva, per esempio. In passato si cercava di prevenire guasti eseguendo la manutenzione 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 GenAI 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 sistema consente al personale di manutenzione di dedicare più tempo all’esecuzione dei propri compiti anziché alla preparazione delle istruzioni, migliorando la produttività e riducendo i costi. Come dire, anche i tecnici inesperti potranno essere in grado di riparare o mantenere l’attrezzatura in modo più efficace con il supporto di uno strumento GenAI.
Quali relazioni?
Quali dunque le relazioni tra intelligenza artificiale tradizionale, di machine e deep learning, e quella generativa? Nella manutenzione predittiva l’AI supporta impianti industriali per predire possibili fault di macchinario. Avverte, ad esempio, che tra una settimana un certo componente potrebbe essere a rischio. Ecco, un caso di GenAI come complemento all’AI tradizionale è proprio questo. L’intelligenza generativa chiude il loop manutentivo. Sulla base di quanto evidenziato dall’AI tradizionale, si può avere il copilot che dice cosa fare per risolvere 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 sorgenti dati che vanno utilizzate per generare delle informazioni corrette. Dati che vanno organizzati in porzioni di testo di dimensioni ragionevoli, che vengono indicizzati su database vettoriali per poi rispondere in modo puntuale alla domanda dell’utente. Come già detto, nel manifatturiero l’attenzione è sul knowledge sharing, sulla possibilità di utilizzare l’intelligenza generativa per avere risposte immediate in termini di istruzioni 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 predittiva, una delle aree su cui si sono concentrati gli investimenti Industry 4.0. La capacità dei modelli multimodali di lavorare sulle immagini potrebbe dare un contributo significativo nel modo in cui si eseguono interventi a bordo macchina e negli impianti. Ma attenzione, i modelli fondazionali hanno grandi potenzialità ma devono poter lavorare su basi dati certificate e validate, altrimenti il contenuto che ci si aspetta venga generato dall’algoritmo sarà inconsistente, poco preciso e affidabile. 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 automaticamente delle geometrie ed evidenzia il miglior price performance in funzione dei volumi di produzione e dei materiali da utilizzare. Accanto al design generativo, le funzioni di automated modeling ovvero la modellazione automatizzata, può essere utilizzata sin dalle fasi iniziali del processo di progettazione, consentendo di individuare nuove possibilità nell’approccio a uno specifico problema di design.