Co-pilot, agenti software e conversazionali in linguaggio naturale, testuale e vocale, per la manutenzione, per il controllo qualità, l’automazione robotica e la supply chain. Per il Gruppo Reply, gruppo internazionale di consulenza, system integration e digital services con un fatturato di oltre 2 miliardi di euro, 15.000 dipendenti e presenza in Italia, in Europa e nel mondo, l’IA generativa è la tecnologia abilitante lo sviluppo di soluzioni Industrial Iot che danno vita a una conoscenza di fabbrica aumentata. Al centro della rivoluzione generativa, Cluster Reply e Concept Reply, sono le società del gruppo che si occupano rispettivamente di system integration e digital transformation nell’ambito dell’ecosistema tecnologico Microsoft, e di sviluppo di soluzioni, macchine, prodotti e processi connessi. Ecco i nuovi progetti che nascono dalla transizione dal machine learning all’intelligenza generativa su cui stanno lavorando le due società del Gruppo. «Con l’IA generativa si stanno aprendo opportunità per migliorare l’efficienza operazionale, ridurre i downtime, aumentare la qualità di prodotto e ottimizzare le risorse utilizzate», afferma Filippo Gallocchio, partner di Cluster Reply.
Un primo esempio è l’AI a supporto degli operatori, soluzione ChatGpt che consente di automatizzare e potenziare le attività manutentive e di troubleshooting allo shop floor. IA generativa, dunque, per realizzare il collaborative manufacturing fondato su una business intelligence on demand, una dimensione applicativa in cui il processo produttivo vede una stretta relazione tra uomo e tecnologia per dare risposte puntuali e accurate in tutti i processi che coinvolgono operatori, capi reparto, direttori di operation e di stabilimento.
«Grazie alla capacità di comprendere e interpretare il linguaggio naturale le soluzioni GenAI possono comandare macchine con istruzioni vocali o testuali», dice Paolo Carletto, partner di Concept Reply. E’ il caso della soluzione messa a punto nell’ambito dell’intralogistica per automatizzare la configurazione di flotte multivendor di agv e amr. Un approccio che apre nuove possibilità per semplificare compiti complessi in contesti variabili, utilizzando large e small models.
«L’intelligenza artificiale è un insieme di tecnologie che sono in rapidissima evoluzione. Siamo nel bel mezzo di una transizione. L’IA generativa segna uno vero e proprio spartiacque tra un prima e un dopo. Da una parte l’intelligenza tradizionale, di machine e deep learning, dall’altra l’IA generativa, un fenomeno disruptive che potrà incidere sulla produttività e competitività delle aziende», dice Carletto. L’accelerazione verso il paradigma generativo è supportata dalle previsioni degli analisti di settore: nei prossimi 4 anni, nell’AI IoT verranno investiti 306 miliardi di dollari e di questi più del 50% arriveranno dall’industry sector. Volendo fare una macro-classificazione in base all’attuale penetrazione del mercato, secondo Reply 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 dell’IA generativa. Un rapporto destinato a cambiare rapidamente poiché sempre più investimenti sono focalizzati sullo sviluppo di soluzioni generative. «Iniziamo a progettare tutti i nostri sistemi software con l’idea di avere un’interfaccia generativa, con una logica di interazione assolutamente diversa dalle precedenti», dice Gallocchio.
In tutti questi ultimi cinque anni, grazie alla disponibilità di nuova capacità computazionale gpu based, all’edge e al cloud, il machine learning è stato applicato nel mondo industriale 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. Un’ambito in cui Reply sta applicando la generative AI è quello dei modelli conversazionali in grado di 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 generiamo un output a partire dai dati. Posso chiedere al sistema di riprogrammare una macchina utensile o un processo produttivo o, ancora, per dare vita ad assistenti digitali e chatbot per offrire una migliore customer e user experience», afferma Carletto
Cluster Reply offre l’avanguardia delle tecnologie Microsoft su Modern Work, Cloud Computing, Digital Innovation, Apps & Infrastructure, Data & AI, Low Code, Sustainability e molto altro.
Un agente conversazionale che dà possibilità di interrogare con linguaggio naturale una macchina o un impianto
«L’obiettivo è creare agenti conversazionali in grado di comprendere il significato di voce e testo e agire di conseguenza, estraendo informazioni significative dalla knowledge base di una macchina, di un processo o di un prodotto», afferma Gallocchio. Nell’ambito manufacturing 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. «Dataset che possono derivare dal customer support, dalla manualistica, dalla documentazione ingegneristica. I modelli devono 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», spiega Gallocchio. Tra le prime soluzioni rese disponibili da Cluster Reply, come già detto c’è un agente conversazionale che dà la possibilità di interrogare con linguaggio naturale una macchina o un impianto. Ricevo un alert? la macchina inizia ad avere dei problemi? Cosa succede, dove risiede la causa? «Non ho bisogno di rivolgermi a un esperto, interrogare un service desk, la risposta me le dà il co-pilot. Ma possiamo pensare anche ad una pluralità di agenti che possono intervenire per l’esecuzione di task complessi o tra loro connessi, per l’order management, per l’inventory management, per l’assemblaggio, per il controllo della qualità», dice Gallocchio.
Assistenti di fabbrica che apprendono nel corso dell’intero ciclo di vita della macchina
I modelli generativi vengono addestrati sulla knowledge base dell’asset o del processo, sui dati storici e su quelli in real time acquisiti dal machine learning, che alimentano un’ulteriore base di conoscenza del modello generativo. «Mettere in produzione un assistente digitale come quello descritto è come avere a fianco un amico molto potente, intelligente e preparato, che collabora allo svolgimento delle più diverse attività», dice Gallocchio. Un assistente di fabbrica che è in grado di produrre testo e immagini per semplificare e rendere immediata la procedura da effettuare su una parte o componente della macchina. Una conoscenza che evolve, e questo è fondamentale, perché correlata al funzionamento dell’asset nel corso del suo intero ciclo di vita, che non è mai lo stesso. «Il macchinario è un oggetto vivente e le sue performance variano nel tempo. Nel momento dell’installazione non sono le stesse che si evidenziano dopo dieci o vent’anni. Le variazioni possono quindi alimentare il motore di intelligenza artificiale e modificare le risposte nel corso del tempo», osserva Gallocchio.
Soluzioni verticali e orizzontali end-to end che integrano machine learning e IA generativa
Se nella manutenzione predittiva con l’IA tradizionale si identificano possibili momenti di failure e con l’IA generativa si propongono delle azioni. Insomma, con il combinato disposto “machine learning + large language model”, l’informazione, da statica, quella che viene tradizionalmente resa disponibile su dashboard, diventa dinamica, o meglio actionable. Stessa cosa può avvenire nell’ambito dell’anomaly detection. Quali sono le cause che possono aver causato la difformità ravvisata dagli algoritmi di computer vision? La risposta arriva dall’operatore generativo. «L’evoluzione e le future possibili soluzioni si estenderanno nell’ambito della predittività, nella capacità di fornire insight e previsioni sui processi di supply chain, nell’automatizzare attività a basso valore, dice Gallocchio. Soluzioni verticali e orizzontali end-to end per un precision decision-making, quindi, che, per quanto probabilistico, restringe le possibilità di errore. «Un esempio è Stella AI, modello generativo che permette di interrogare la reportistica aziendale addestrato su ampie basi informative che vengono raccolte in un data lake. Soluzioni plug & play, che possono andare in produzione on prem e in cloud, in tempi rapidi, a patto che vi sia una base dati già strutturata», spiega Gallocchio.
Concept Reply: l’innovazione come opportunità. L’IA generativa come layer di comunicazione con la base informativa aziendale
In gran parte applicata nell’ottica di automatizzare processi e servizi, l’intelligenza artificiale rende ora possibile accedere in maniera veloce e in linguaggio naturale ai contenuti informativi che possono essere generati sulla base di specifiche basi dati. «La sinergia con le attività del Cluster è implicita nel modello Reply: lavorare in un network di aziende in cui ciascuna ha una sua specificità, permette di raggiungere risultati di qualità in più breve tempo, dice Carletto. Con loro lavoriamo insieme nel caso il cliente abbia necessità di utilizzare tecnologie Microsoft o dove noi riteniamo che questa sia la tecnologia più adeguata per risolvere un certo particolare problema. Lavoriamo su soluzioni co-pilot in senso esteso, utilizzando tecnologie best of breed, su infrastrutture supercalcolo Nvidia, Aws, e Microsoft». Per Reply, con l’IA generativa si aggiunge un nuovo tassello allo stack tecnologico dell’Industrial Iot, un layer di comunicazione uomo-macchina che può essere applicato ai più diversi use case, di manutenzione predittiva, efficientamento energetico, riduzione degli scarti. Cambia il modo di interagire con macchine e processi. Attraverso un linguaggio naturale si interroga una specifica base informativa e i vari profili aziendali – operatori di linea, capi reparto, direttori di stabilimento, personale amministrativo, area marketing e vendite – possono trovare le risposte che cercano. Servizi che erano appannaggio dei soli esperti sono ora disponibili con semplicità. Insomma, l’IA generativa è la nuova business intelligence on demand. «Non c’è bisogno di scrivere codice, di fare query per interrogare una base dati. Sono i motori cognitivi embedded nei modelli generativi che elaborano questa richiesta nel modo opportuno per fornire il risultato desiderato», dice Carletto. Uno scenario in cui l’operatore continua ad avere un ruolo essenziale nel verificare la veridicità delle risposte poiché in linee di produzione e impianti industriali le decisioni comportano un rischio elevato e le informazioni vanno ponderate, sempre.
Modelli generativi per precision decision making, con suggerimenti affidabili per supportare attività quotidiane
Anche Concept Reply sta lavorando ad agenti specializzati, addestrati con dati provenienti dalla macchina o da un processo, per aver informazioni molto pertinenti, grazie a tecnologie di retrieval augmented generation. «La nostra missione è individuare e selezionare il modello generativo, large o small, più adatto in funzione di quelli che sono gli obiettivi informativi e i volumi delle basi dati su cui fare l’addestramento», afferma Carletto. Processo che, come raccontato dagli esperti di Concept Reply, viene supportato da preprocessori semantici embedded nei modelli generativi, che lavorano su determinati subset di informazioni per renderle facilmente interpretabili. Un esempio sono le informazioni contenute in un grafico di un disegno tecnico, dove si deve interpretare una simbologia tutta particolare. Ecco, in questo caso il pre-processore è lo strumento che analizza e traduce le informazioni per facilitare l’elaborazione successiva e la risposta finale da parte del modello generativo. La selezione del modello implica inoltre anche una valutazione da un punto di vista funzionale: solo linguaggio naturale o multimodale, in grado di generare file audio o immagini? Insomma, la soluzione va configurata in base al contenuto si cui si deve agire e al risultato che si vuole ottenere: più il dataset è accurato più le risposte saranno affidabili.
L’IA generativa per automatizzare la configurazione e l’operatività di flotte Agv-Amr
Coordinamento flotte robotiche multivendor tramite linguaggio naturale. Nelle grandi fabbriche sono sempre più presenti agv e amr dei più diversi vendor. Veicoli autonomi che si occupano della pallettizzazione, della movimentazione merci da un punto all’altra della fabbrica, una situazione che determina la necessità di avere una gestione da un unico punto di controllo. In questo contesto Reply sta lavorando in ad una soluzione di fleet management in grado di interfacciarsi con i più diversi robot, automatizzando le procedure di configurazione che determinano le varie missioni che le singole macchine devono compiere all’interno dell’ambiente di produzione. Come spiegato dagli esperti di Concept Reply, l’IA genera file di configurazione a partire dai dati resi disponibili all’edge. In questo modo il modello generativo è in grado di ragionare e prendere decisioni informate in funzione di un input Industrial Iot. In sintesi, una generative AI per sviluppare soluzione robotiche dinamicamente configurabili: sulla base di richieste utente, testuali o vocali, e con l’interazione con il mondo Iot, agv e amr possono essere coordinati assegnando a ciascuno di essi missioni specifiche in funzione delle capacità e delle distanze da percorrere.
Lo sviluppo dell’IA generativa che può nascere dall’interconnessione dei sistemi, modelli generativi dinamici all’edge e su dispositivi di uso personale
«La trasformazione del dato fisico in digitale è la base di tutto. Senza di questo non sarebbe possibile applicare l’intelligenza artificiale, dice Carletto. Di digitalizzazione le aziende non ne vogliono più sentir parlare, perché è scontata. Prodotti connessi, processi e fabbriche connessi. La sfida è riuscire a fare sinergia all’interno delle strutture aziendali per digitalizzare l’end-to-end». Quale il focus in termini di ricerca & sviluppo? «Addestrare i modelli su set informativi dinamici. Questo si può fare con il retrieval augmented generation, acquisendo i dati che fluiscono giornalmente in un sistema di produzione. Un modello generativo per un plant manifatturiero non può essere statico», conclude Carletto.
(Ripubblicazione dell’articolo dell’8 luglio 2024)
