Affidereste all'Intelligenza Artificiale il controllo completo di una fabbrica e della sua produzione? Oggi probabilmente no, però questo è uno dei futuri possibili che i "visionari" dell'AI prevedono per gli algoritmi cognitivi nel futuro, nemmeno tanto lontano, del manufacturing. Un settore di mercato essenziale per l'Italia e dove l'AI sta già portando notevoli vantaggi concreti. Le prospettive da futurologo sono, a quanto pare, solo questione di tempo.

Il grande vantaggio che AI e Machine Learning portano al mondo del manufacturing è in buona sostanza lo stesso che vediamo anche in altri ambiti di applicazione: poter estrarre informazioni utili - o meglio, come amano dire gli anglosassoni, "actionable", ossia che si traducono in azioni concrete - da moli enormi di dati. Dati in cui l'analista umano non riesce a vedere tendenze, correlazioni, anomalie. Perché non è in grado di gestire così tanti data point.

E di dati un ambiente di manufacturing ne genera in quantità... industriale. Ogni macchinario, linea di produzione, magazzino, sistema di approvvigionamento, e chi più ne ha più ne metta, è una potenziale sorgente di molti dati. Considerarli tutti e soprattutto metterli in correlazione fra loro permette di "comprendere" un macchinario, una linea, tutta una fabbrica in maniera completamente nuova. In particolare, con capacità previsionali e non soltanto analitiche.Al momento l'applicazione più gettonata per l'AI in fabbrica è la manutenzione predittiva dei macchinari. Piattaforme mirate di machine learning raccolgono dati sul funzionamento dei singoli macchinari, anche grazie al fatto che questi sono sempre più dotati di sensori, e li danno in pasto ad algoritmi predittivi appositamente addestrati. Il risultato pratico è la possibilità di stimare quando un determinato macchinario, in base al suo comportamento recente, si guasterà. Prima che accada, si interviene per rimetterlo in piena forma ed evitare il guasto vero e proprio. Che comporterebbe un poco accettabile blocco della sua produzione.

Il passo successivo, che gradualmente diverse grandi imprese manifatturiere stanno intraprendendo, è ampliare il raggio d'azione dell'AI dai singoli macchinari, o dalla singola linea di produzione, sino a comprendere man mano un intero impianto. Considerandolo come un sistema complesso in cui la produzione è sì un processo fondamentale, ma a monte ed a valle di diversi altri. In questo modo i modelli prescrittivi e predittivi possono agire sui dati che riguardano, ad esempio, approvvigionamenti di materiali e componenti, ordini dei clienti, logistica del magazzino, andamento di tutta la supply chain.

Questione di sinergia

Le aziende del comparto industriale hanno sempre avuto questa visione dei loro impianti come "organismi" il cui buon funzionamento deriva dalla sinergia ideale di molti processi diversi. Il problema è che sinora questi processi sono stati nettamente separati, ed era molto difficile averne una visione integrata, men che meno in logica predittiva. Ora che i sistemi gestionali e di fabbrica si sono standardizzati e hanno imparato a dialogare, è più facile accedere alle informazioni legate al funzionamento quotidiano degli impianti.

Queste informazioni sono troppe e troppo diverse perché un operatore umano ne possa derivare trend e previsioni. Il machine learning può invece farlo, portando letteralmente più intelligenza a tutta la gestione della fabbrica. Diventa possibile così non solo prevedere ed evitare i guasti, ma anche - ad esempio - ottimizzare in tempo reale la distribuzione della produzione per evitare ritardi nelle consegne o per assorbire senza problemi un ordine inatteso. È "solo" questione di avere i dati giusti e di saperli elaborare nel modo giusto.

Se proiettiamo questo scenario ancora più in là e vi uniamo altre evoluzioni nelle tecnologie di progettazione e produzione, l'obiettivo a tendere è quello, almeno per alcuni settori, della "digital factory". Una fabbrica, e in generale un impianto industriale, in cui tutta l'operatività è regolata da algoritmi di AI e da procedure codificate in digitale, senza intervento umano se non in casi di emergenza. Anche la produzione stessa è un flusso digitale: gli schemi dei prodotti arrivano in digitale dalle piattaforme di CAM/PLM, gli ordini dagli ERP, gli approvvigionamenti sono robotizzati, la produzione in sé avviene con l'additive manufacturing.

Uno scenario quasi fantascientifico, ma che è già possibile mettere in pratica. Oggi solo per piccole produzioni e in ambienti estremamente controllati. In futuro, potenzialmente, per processi più convenzionali. Si può guardare anche oltre? In parte sì: il manufacturing richiede una costante ricerca su nuove leghe e materiali, l'AI permette in questo di fare un grosso salto in avanti.

Già da una decina di anni il campo della scienza dei materiali si è rivolta agli algoritmi di machine learning come strumento per velocizzare gli studi delle caratteristiche chimico-fisiche-strutturali dei materiali esistenti in funzione di nuove applicazioni particolarmente esigenti. E, passo successivo, per studiare nuove leghe e nuovi materiali più adatti a queste applicazioni. Un processo che di norma richiede anni, ma che l'AI può rendere molto più breve. I casi di successo non mancano, in ambiti particolarmente esigenti come lo studio di leghe metalliche per l'aeronautica o di nuovi materiali per la microelettronica.