I sistemi di intelligenza artificiale (AI) e gli algoritmi di apprendimento automatico (machine learning) stanno rivoluzionando i modelli di business consueti. Questo vale anche (e soprattutto) nel settore manifatturiero, tanto che oggi si parla di smart manufacturing a proposito di una tipologia di produzione nella quale il ricorso alle nuove tecnologie digitali consente un’interconnessione virtuosa fra macchine, dati e persone. Secondo gli ultimi dati dell’Osservatorio Mecspe, l’indagine di Senaf sulle PMI meccaniche del nostro Paese, il 47,4% delle aziende manifatturiere italiane risulta in buona parte digitalizzato e nel 37,8% dei casi interamente digitalizzato. Se si incrociano questi indicatori con quelli del Rapporto di Analisi dei settori industriali, curato da Intesa Sanpaolo e Prometeia, si scopre che l’industria manifatturiera italiana ha chiuso il 2017 con un fatturato in aumento del 4,3% a valore e del 2,9% a prezzi costanti, mentre il biennio 2018-19 dovrebbe registrare una crescita di +2,4% per quest’anno e di +2,1% nel 2019.
Evidentemente, in uno dei comparti strategici della nostra economia, la progressiva digitalizzazione sta permettendo di ottenere risultati che, altrimenti, non sarebbe stato possibile raggiungere. I vantaggi di intelligenza artificiale e machine learning iniziano già a farsi vedere. Fra i tanti, ne citiamo almeno tre.
Il World Economic Forum (WEF) ha sancito recentemente come Internet of Things (IoT), AI e apprendimento automatico possano migliorare la produzione mediante la precisione di tracciamento degli asset, la visibilità della supply chain e l’ottimizzazione delle scorte. McKinsey, per parte sua, ha fatto una stima su come il machine learning ridurrà gli errori di previsione della supply chain del 50% e, di conseguenza, abbatterà la percentuale delle vendite perse fino al 65% grazie a una migliore disponibilità del prodotto. Inoltre, l’apprendimento automatico dovrebbe far diminuire sia i costi relativi a trasporto e stoccaggio (5-10%) sia quelli relativi all’amministrazione della supply chain (25-40%). Tutto questo in virtù non soltanto dell’analisi di grandi quantità di dati generati dalle moderne catene di approvvigionamento, ma anche dell’abilità di organizzarli in un ecosistema coerente in cui non viene impedito lo scambio di informazioni fra le diverse aree aziendali. Dalla produzione alla logistica, dalla gestione del magazzino all’imballaggio, dal trasporto alla verifica della soddisfazione del cliente: con il machine learning, il supply chain management diviene uno snodo in cui tutta la catena riceve informazioni e le restituisce all’organizzazione, anche in modalità predittiva.
La predittività, cioè la capacità di prevedere l’avverarsi di eventi o di situazioni future, è uno dei grandi vantaggi che i sistemi di apprendimento automatico portano nel manifatturiero. Una delle sue caratteristiche principali investe la manutenzione dei macchinari, non più soltanto programmata o programmabile ma, appunto, predictive maintenance. La manutenzione predittiva è resa possibile dalla tecnologia cognitiva basata su sensori che monitorano costantemente le condizioni e le perfomance delle apparecchiature. Se prima, quindi, la pianificazione degli interventi manutentivi non poteva evitare l’interruzione fisiologica dell’operatività e spesso non era in grado di far fronte tempestivamente a malfunzionamenti imprevisti, adesso con l’apprendimento automatico i sistemi imparano da loro stessi, fino a suggerire le azioni preventive idonee a scongiurare l’insorgere dei guasti.
Nel manufacturing vengono adottati criteri standard da cui si ricavano indicatori quali disponibilità, efficienza e qualità. L’Overall Equipment Effectiveness (OEE), solo per fare un esempio, è uno strumento di misurazione utilizzato abitualmente nei programmi di lean manufacturing che contempla tutti e tre gli indicatori. Ciò che il machine learning apporta a questi parametri tradizionali è la velocità di elaborazione a fronte di una quantità di dati che tende a crescere nel tempo in maniera esponenziale. L’apprendimento automatico, infatti, ha la capacità di convogliare input multipli da cui estrarre notifiche certe sui tassi di rendimento e sulla distribuzione dei carichi di lavoro. In buona sostanza, la possibilità di evidenziare i fattori che incidono maggiormente sulle prestazioni di produzione, e che il machine learning mette in luce attraverso l’analisi intelligente dei meccanismi di iterazione, conferisce al rilevamento di metriche consolidate - come appunto disponibilità, efficienza e qualità - un’accuratezza prima impensabile.