Generative working ovvero come utilizzare l’IA generativa per cambiare le attuali modalità di lavoro e sviluppare un incremento di produttività in tutta la catena del valore manifatturiero. Per Industries eXcellence, la divisione globale di Engineering Group guidata da Ettore Soldi, specializzata nella fornitura di soluzioni digitali per il mondo manifatturiero, l’intelligenza artificiale non è vaporware.
Sono già 3 i progetti in area Plm su cui Industries eXcellence è attualmente coinvolta, nel nucleare, nell’industrial equipment e nell’energy, ma l’interesse si sta espandendo a macchia d’olio in aziende di ogni dimensione e settore di industry. «Se si hanno i dati e le competenze per poterla implementare con successo l’aumento di produttività della GenAI può essere davvero significativo. Il feedback dei primi progetti è più che positivo: per alcuni processi l’utilizzo dell’intelligenza generativa ha infatti ridotto di oltre il 90% il tempo per ottenere informazioni velocizzando le attività nell’ambito dei reparti di ingegneria», afferma Fabio Raffo, Industries eXcellence Emea strategy director.
Insomma, per il Gruppo Engineering – la digital transformation Company capitanata dal ceo Maximo Ibarra, con un fatturato di oltre 1,7 miliardi e controllata dai fondi di private equity Bain Capital e NB Renaissance Partners – l’IA generativa ha un potenziale enorme per il Made in Italy. Come spiega Raffo, «I machine builder italiani sono da sempre forti in termini di creatività, ma soffrono per una minore capacità produttiva. Il valore che può esprimere l’IA generativa rappresenta quindi un’opportunità unica per ridurre il gap competitivo con la concorrenza globale, in primis quella tedesca, americana e giapponese. Il sistema industriale italiano non può perdere questa occasione, aggiunge Raffo, e la nostra missione è aiutare le aziende nell’ottenere risultati tangibili di produttività nel breve, medio e lungo periodo». Interconnessione sistemi, integrazione dataset informativi, sviluppo e training degli algoritmi, rapid decision making per un empowerment produttivo, il progetto per il settore nucleare. Ecco le potenzialità e i possibili use case dell’IA generativa nel settore industriale, i risultati e i vantaggi attesi e i quattro passaggi fondamentali per implementare con successo il generative working.
L’innovazione è delle persone mentre l’IA è uno strumento di supporto alla produttività. Come sviluppare una chiara visione delle potenzialità della new wave generativa
Secondo Raffo va sfatato un mito. «La GenAI viene spesso indicata come supporto alla creatività, ma è sbagliato. Agisce imitando i modelli osservati nei dati su cui è addestrata. La sfida sta nel garantire la continuità del dato tra Plm e le diverse piattaforme aziendali ovvero Mes, Erp e Crm». Pre-requisito per realizzare progetti di generative working è quindi fare emergere un thread digitale tra tutti i sistemi interaziendali, mettere a fattor comune la knowledge base di sviluppo prodotto, processo ed esperienza cliente attualmente frammentata e dispersa in più dipartimenti. «Noi ci siamo, stiamo spingendo le nuove tecnologie a partire da tutti i progetti legati al mondo Ingegneria, un terreno assolutamente fertile. Abbiamo tutte le competenze per accompagnare le aziende nel cambio di mindset per sfruttare l’IA con tecnologie abilitanti flussi di lavoro efficaci e collaborativi», afferma Raffo.
Investire in IA generativa non è un’opzione. Si prevede, infatti, che rappresenti la tecnologia destinata a diventare il mainstream della collaborazione interdipartimentale. «Ma si deve avere una visione chiara del valore che può portare all’interno dell’azienda, dice Raffo. Molti pensano che sia una forma di supporto all’automazione mentre va intesa come business intelligence a supporto della produttività». Da dove iniziare? «Perché l’IA generativa abbia successo occorre innanzitutto analizzare i processi individuando i possibili use case. In un qualsiasi grosso impianto, ci sono dei loop di controllo, che legano insieme diversi macchinari con informazioni che provengono da documenti e dal campo. Ebbene, con l’IA generativa la persona che si confronta con l’analisi di un potenziale problema, su un loop che coinvolge un cluster di asset, riesce a navigare in maniera veloce nel dataset informativo ottenendo una risposta puntuale alla risoluzione del problema», spiega Raffo.
Soluzioni di intelligenza artificiale per il generative working: serve una rivisitazione dei processi
L’adozione dell’IA generativa presuppone un processo di change management. Con la sua introduzione cambia il modo di lavorare di ingegneri, di tecnici di progettazione, di produzione, di manutenzione, delle persone che operano negli uffici acquisti e nei servizi post-vendita. «Le soluzioni devono mettere insieme tutte le informazioni rilevanti in funzione del contesto del singolo utilizzatore su processi end-to-end. Tutto questo richiede l’interconnessione di sistemi che in molte aziende funzionano a silos», dice Raffo. Perché si possa dare vita a un modello di generative working si deve quindi procedere alla digitalizzazione dell’intero framework applicativo che supporta l’intero ciclo di vita del prodotto. «L’esperienza maturata negli ultimi dieci anni ci ha insegnato che per ottenere il massimo valore dalle tecnologie industry 4.0 non è sufficiente integrarle nei processi aziendali esistenti, ma è necessario reinventare i processi.
Un’esigenza che appare ancor più necessaria nel caso della GenAI in quanto tecnologia più trasformativa delle precedenti». Insomma, per massimizzare il potenziale generativo si deve tenere presente che vanno reingegnerizzati i processi. «L’IA generativa non funziona come una tecnologia tradizionale. Gli utenti “parlano” con il sistema, proprio come farebbero con un collega, e la dinamica di collaborazione è iterativa, e può migliorare man mano che apprende le esigenze e i comportamenti degli utenti», sottolinea Raffo.
Make or buy? «È sempre un pattern che si ripete. C’era chi un tempo pensava di sviluppare in casa le proprie Hmi, convinto del fatto che, conoscendo a perfezione la macchina, nessun’altro sarebbe stato in grado di svilupparle al meglio. Risultato? Oggi l’Hmi viene fornita dal player dell’automazione. In altre parole, la storia dimostra che il modello make non è sostenibile», commenta Raffo.
L’azienda si deve focalizzare sul core business. Certo, all’inizio viene naturale pensare di fare tutto in casa perché la maturità dell’ecosistema non è adeguata, ma in prospettiva è una scelta perdente. Un altro esempio. Vent’anni fa la maggior parte dei Mes erano custom, ora non più. Chi opera nel software ha un mindset completamente diverso dall’industria. Alla fine per quanti soldi si abbiamo da investire non si riuscirà mai a reggere il confronto».
IA generativa come strumento di rapid decision making per un empowerment produttivo
«Nella stragrande maggioranza delle imprese manifatturiere tutti lavorano su sistemi diversi e hanno una visione parziale delle informazioni. Questo vuol dire che tutti coloro che sono coinvolti nell’intera catena dello sviluppo prodotto hanno difficoltà nel reperire le informazioni corrette», dice Raffo.
Connecting the dots, quindi, per rendere disponibile un datalake su cui far lavorare l’IA generativa, che va considerata la tecnologia abilitante il lavoro collaborativo. «Potenzia la conoscenza delle persone, rendendole autonome nel decision making», spiega Raffo. Rispetto alla business intelligence tradizionale si passa quindi da una un’informazione statica a un’informazione dinamica, che accelera la produttività grazie a dataset informativi creati apposta per dare risposte puntuali ai singoli stakeholder di processo. Risultato? Come dice Raffo, «Se sono un ingegnere della manutenzione riesco a raccogliere le informazioni che mi servono senza coinvolgere persone di altri dipartimenti. Sembra una cosa di poco conto, ma analisi recenti evidenziano come la raccolta di informazioni assorba una percentuale di tempo di assoluta rilevanza in tutti i reparti aziendali: solo una minima parte del tempo è dedicata alla effettiva mansione cui sono assegnate le singole persone». Come dire, l’IA generativa diventa lo strumento a supporto di un rapid decision making per un empowerment produttivo.
Acquisizione informazioni a velocità generativa. Lo use case applicato al settore nucleare
L’obiettivo del progetto in cui è coinvolta il team di Industries eXcellence è generare produttività grazie a un’integrità del flusso informativo. La priorità è migliorare il recupero dei file tecnici, garantendo integrità e tracciabilità delle informazioni di prodotto e processo attraverso riferimenti incrociati dei dati presenti in sistemi documentali che risiedono in reparti e dipartimenti differenziati. In buona sostanza, si vuole essere sicuri che la persona che va a cercare l’informazione la ottenga nella forma corretta e nel momento giusto. Il progetto prevede inoltre di ridurre il rischio che può derivare dalla potenziale perdita della documentazione di configurazione, ottenendo informazioni per una corretta valutazione di sviluppo prodotto. «La Generative AI permette di aiutare l’ingegnere a interagire e filtrare il contenuto informativo attraverso una normale conversazione tecnica ottenendo una risposta capace di produrre un risultato tangibile», racconta Raffo. Nel caso specifico, i documenti tecnici sono prodotti in pdf da risorse interne ed esterne, poiché nello sviluppo di progetti complessi ci si avvale di studi di progettazione esterna. Per avere visibilità e tracciabilità digitale su tutta l’informazione di ingegneria serve quindi un riferimento incrociato della documentazione che risiede su più sistemi. Come dice Raffo, «Si è quindi creato il sistema digitale di interconnessione del brown field costituito da 7 diversi sistemi documentali. Tuttora un work in progress, il feedback è positivo. «L’incremento della produttività è reale poiché non si perde più un sacco di tempo nel reperire l’informazione che serve per svolgere nel modo più veloce possibile le proprie attività. Su certi processi il tempo richiesto per recuperare i documenti tecnici corretti si è ridotto di oltre il 90%», afferma Raffo.
I quattro passaggi fondamentali per implementare con successo l’IA generativa
Le fasi dello sviluppo di un progetto di IA generativa riguardano in primo luogo l’analisi di processo e la preparazione del dataset informativo. Una volta definita la struttura dati si passa all’addestramento del large model e all’implementazione vera e propria. In media – come affermato da Raffo – il 50% del tempo lo si impiega per la preparazione del dataset, il 20% all’addestramento e il restante 30% per supportarne l’adozione, spiegare alle persone come usare questi nuovi strumenti e riuscire a istruirle perché si abituino a porre le domande corrette per generare l’output desiderato.
Primo step: analizzare l’impatto dell’IA generativa sui processi
Per sviluppare una solida strategia di AI generativa le aziende devono prima analizzare l’intera catena del valore per determinare quali guadagni di produttività e riduzione del Copq (cost of poor quality o costo legato alla bassa qualità) possono essere realizzati. Questa fase comporta un’analisi rigorosa dei processi, dall’ingegneria alla produzione sino al service. «Solo attraverso la scomposizione di un processo nelle sue diverse componenti e solo attraverso la valutazione della complessità, dei rischi e delle capacità richieste per ciascuna di queste componenti si può garantire che ogni attività venga svolta nel modo corretto e più efficace in una modalità collaborativa», dice Raffo.
Secondo step: definire la tua strategia e modelli di simulazione per validare il business case
La seconda fase di progetto implica la definizione degli obiettivi generali e dei parametri di riferimento di produttività. In questo contesto è di fondamentale importanza migliorare la gestione dei dataset non strutturati. Tutti i dati di processo devono essere preparati in modo tale che i modelli stabiliti possano essere adattati allo scopo specifico. «Aspetto da non sottovalutare sono la definizione dei protocolli e le regole di interazione per avere chiaro il modo in cui la GenAI e gli esseri umani possano comunicare e collaborare», dice Raffo. Per una corretta prioritizzazione e validazione di tutto il lavoro di pianificazione l’approccio prevede inoltre la definizione di modelli di digital twin per simulare in maniera efficace i diversi scenari. Come spiega Raffo, «L’obiettivo è supportare la creazione di un business plan a supporto della strategia proposta ancora prima di passare alla fase esecutiva di implementazione dei casi d’uso iniziali».
Terzo Step: stabilire il Minimum Viable Product o prodotto minimo funzionante
Una volta validato il business case e i razionali per la prioritizzazione si può partire con l’impostazione dell’Mvp, una versione preliminare del prodotto che include solo le funzionalità essenziali per soddisfare i primi utenti e ottenere un feedback. In altre parole, l’obiettivo di un Mvp è validare rapidamente un’idea di prodotto con il minimo investimento in termini di tempo e risorse. All’interno del processo di implementazione di ogni use case, da non sottovalutare prima del training degli algoritmi, è la preparazione dei dati abilitanti il thread digitale che agisce da aggregatore a supporto dei diversi processi e che permette di generare una corretta continuità dell’informazione attraverso i diversi dipartimenti. Come dire, senza un dataset affidabile vengono meno le basi per massimizzare il contributo dell’IA generativa. Importante è anche dare il giusto peso alla fase di adozione dello strumento. Come spiega Raffo, «Servono sessioni di formazione complete per familiarizzare i dipendenti con i nuovi strumenti e protocolli, dimostrare come costruire una collaborazione costruttiva e come fare evolvere l’interazione nel raggiungimento del target».
Quarto step: evolvere e scalare l’IA generativa su tutta l’azienda
La GenAI va implementata con una logica lean, di continuous improvement con monitoraggio continuo dei profili di attività e dei protocolli di interazione per migliorare la collaborazione tra l’intelligenza artificiale e i dipendenti, cercando di individuare le fasi del processo che possano essere completamente automatizzate in base ai dati di interazione acquisiti. Infine, una volta che i primi use case hanno avuto successo, i processi sono stati perfezionati e la gestione del cambiamento nell’azienda mostra i risultati attesi, si può prendere in considerazione l’espansione dell’IA in altre aree dell’organizzazione, adattando la struttura a contesti ed esigenze diverse.
