L’AI non è una novità nel settore manifatturiero. Ottimizzazione dei processi e controllo qualità si avvalgono già dell’AI predittiva, così come la manutenzione predittiva basata su AI è diventata la norma in molte aziende, consentendo di effettuare interventi di manutenzione in maniera proattiva grazie all’analisi dei dati delle macchine. Tuttavia, finora l’applicazione dell’AI è spesso stata limitata alle singole macchine, senza considerare lo stato complessivo della linea di produzione o la comunicazione tra sistemi diversi, con un approccio frammentato che non permette di sfruttarne appieno il potenziale. Il panorama è destinato a cambiare grazie all’avvento dell’AI generativa, che promette di rendere la produzione industriale sempre più efficiente.

Il potenziale dell’AI generativa si sta manifestando proprio nell’interazione uomo-macchina. L’obiettivo non è sostituire l’operatore, ma affiancarlo con suggerimenti generati dall’AI per affrontare le sfide tecniche e aumentare la produttività complessiva. Tuttavia, per l’implementazione dell’AI in ambito produttivo è fondamentale non affidarsi esclusivamente ai LLM (Large Language Models): nonostante vengano addestrati su enormi quantità di dati, i LLM possono infatti basarsi su informazioni obsolete. La soluzione risiede nella tecnica RAG (Retrieval-Augmented Generation), che arricchisce i LLM con dati provenienti da fonti aggiuntive, come informazioni in tempo reale, dati proprietari e parametri specifici delle macchine aziendali.

Applicare l’AI generativa all’intera linea di produzione rappresenta un primo passo fondamentale verso una maggiore efficienza del settore manifatturiero. Altrettanto cruciale è l’utilizzo degli agenti AI. Pur non essendo un concetto nuovo di per sé, i progressi in ambito AI ne consentono finalmente l’implementazione pratica per la creazione di sistemi autonomi. Un agente AI può analizzare le problematiche attingendo a dati provenienti da diverse fonti - LLM, database vettoriali, knowledgebase o Internet - per trarre conclusioni e prendere decisioni. Queste informazioni possono essere fornite all’operatore o utilizzate per apportare modifiche in autonomia, aprendo la strada a molteplici casi d’uso automatizzati, come il rilevamento e la risoluzione degli errori.

Dal cloud pubblico all’edge

Nell’implementare l’AI, la strada del cloud pubblico è spesso la scelta iniziale per i data scientist perché consente di effettuare addestramento, controllo qualità e riaddestramento dei modelli in un unico ambiente. Tuttavia, le aziende manifatturiere si trovano poi di fronte a una domanda cruciale: come trasferire efficacemente i modelli addestrati in fabbrica, alle linee di produzione? La risposta risiede nell’edge computing. Per ottimizzare i processi produttivi è infatti necessario analizzare grandi quantità di dati in tempo reale, direttamente sulla linea di produzione, integrando l’IT con impianti e sistemi di controllo.

Stefan Bergstein di Red Hat

Piattaforme ibride cloud aperte

Nonostante i vantaggi innegabili dell’AI generativa, molti progetti in questo ambito sono ancora in fase pilota. Uno studio di McKinsey evidenzia che solo il 3% delle aziende ha implementato applicazioni di AI generativa in produzione. Le ragioni di questa esitazione sono molteplici: dalla mancanza di competenze specifiche alla carenza di risorse, fino all’assenza di un’infrastruttura adeguata che faciliti e acceleri l’adozione dell’AI dallo sviluppo all’operatività.

Una piattaforma ibrida cloud aperta basata su container rappresenta la soluzione ideale per colmare questo gap infrastrutturale, in quanto offre una base solida e coerente per lo sviluppo, l’addestramento e l’integrazione dei modelli di AI, con la flessibilità di operare in ambienti privati, pubblici o edge. Non sorprende che sempre più aziende scelgano l’hybrid cloud per creare e gestire i propri ambienti AI. La migrazione verso piattaforme container è inarrestabile: anche i tradizionali MES (Manufacturing Execution Systems) si stanno spostando verso questa tecnologia, attratti dai numerosi vantaggi in termini di efficienza, rapidità di aggiornamento software e disponibilità.

In sostanza, l’adozione dell’AI generativa in ambito industriale è un’evoluzione inevitabile, almeno nel medio termine, anche solo per restare al passo con la concorrenza. Ma le applicazioni dell’AI in azienda non si limitano ai processi produttivi: anche la resilienza della supply chain può trarre beneficio da questa tecnologia, ad esempio ottimizzando la selezione dei fornitori e implementando agenti AI per una maggiore flessibilità. È proprio l’ampio spettro di applicazioni possibili che rende l’AI generativa il motore principale della futura trasformazione industriale.

Stefan Bergstein è Chief Architect Manufacturing di Red Hat