Il Machine Learning applicato agli scenari Industry 4.0: l’approccio di Techedge

Sono passati ormai più di quattro anni da quando si è iniziato a parlare del tema Industry 4.0; molto si è fatto ma molto c’è ancora da fare. Vediamo quindi come Techedge ha approcciato questo tema e quali sono le prospettive di sviluppo futuro.

Per Techedge, il tema Industry 4.0 va affrontato secondo tre direttrici:

  • la componente di revisione o di creazione di nuovi processi di business abilitati dalla tecnologia: si tratta in questo caso della componente di digital strategy che caratterizza Techedge tanto quanto la componente di implementazione tecnica delle soluzioni;
  • la componente tecnologica vera e propria, quella cioè che mette a disposizione di quanto definito sopra, i diversi layer tecnologici e abilitanti per la digital trasformation;
  • la componente di compliance e sicurezza, indispensabile per garantire che il progetto Industry 4.0 rispetti gli standard aziendali e sia anche in linea con i decreti relativi al super ammortamento.

Se ci soffermiamo sulla componente di natura tecnologica, la scelta di Techedge è stata quella di dotarsi di competenze interne su tutti i diversi layer che compongono una architettura Industry 4.0 moderna. Parliamo in particolare di:

  • componente di Edge Computing, ovvero quello strato di software che viene installato ed eseguito su dispositivi presenti bordo macchina, siano essi sensori o gateway industriali;
  • componente On Premise: si tratta in questo caso di quell’insieme di applicazioni che rimangono installate presso lo stabilimento (sistemi MES, EWM o sistemi di gestione della Qualità) per garantire una interazione in real time con la linea;
  • componente Cloud: è forse la componente che sta avendo il maggior sviluppo. E’ responsabile della raccolta dei dati, della loro aggregazione e presentazione su dashboard di business intelligence o dispositivi mobili e infine della gestione di tutti quegli algoritmi di Machine Learning (ML) di cui tanto si parla in questo periodo. La componente Cloud è anche quella che è responsabile di inviare trigger o flussi di dati verso i sistemi di backend aziendali come l’ERP, il CRM, etc.

La scelta strategica di Techedge è stata quella di selezionare una piattaforma in cui questi componenti fossero già tutti presenti e integrati: SAP Leonardo.

Capita la strategia di copertura dei diversi elementi della piattaforma, soffermiamoci ora sull’applicazione di algoritmi di ML nel campo del manufacturing. Prima di parlare di qualche esempio concreto vediamo quali sono le principali modalità in cui questi algoritmi vengono “consumati” dalle altre applicazioni.

Sono sostanzialmente due:

  • ML as a Service: si tratta in questo caso di algoritmi già “istruiti” su use case di carattere generale (es. text recognition); sono esposti come API e vengono richiamati e utilizzati con una classica logica “a consumo”
  • ML as a Platform: si tratta invece di utilizzare una piattaforma (come potrebbe essere SAP Leonardo) che già contiene un ambiente di sviluppo degli algoritmi stessi, che vengono quindi adattati e “istruiti” alla specifica esigenza cliente (es. ciclo di rottura di un determinato componente meccanico specifico di una certa azienda)

Gli algoritmi così sviluppati e istruiti potranno a questo punto utilizzare come motore il layer Cloud descritto in precedenza o essere, per un subset specifico, fatti girare sul layer di Edge Computing bordo macchina; in quest’ultimo caso saranno quindi in grado di sfruttare tutta la potenza di raccolta ed elaborazione dati del cloud ma opereranno in tempo reale sullo strato di software più vicino e quindi più reattivo rispetto alle componenti hardware della linea produttiva.

Ma quali sono i principali campi di utilizzo di queste tecnologie in ambito logistica e manufacturing?

Vediamo innanzitutto quali sono le possibilità fornite dal ML, seguendo una classificazione ormai abbastanza accettata e condivisa.

Innanzitutto ci sono le applicazioni conversazionali, i cosiddetti chatbot: applicazioni che simulano l’interazione con un operatore umano utilizzando prevalentemente sistemi di text recognition. Sono utilizzati soprattutto in ambito customer service o customer interaction su siti web e mobile apps.

C’è poi il campo in forte crescita della Robot Process Automation: si tratta in questo caso di sistemi esperti e in grado di prendere un grande numero di decisioni in autonomia e che permettono l’automazione di tutta una serie di processi aziendali negli ambiti più svariati (purchasing, accounting, autorizzazioni al pagamento…).

Altro ambito di applicazione interessante, soprattutto in ambito manufacturing, è il ML come motore predittivo: si analizzano i comportamenti passati di un determinato macchinario per determinarne, utilizzando opportuni algoritmi, la vita futura, gli eventuali guasti in anticipo e così via. Questo ambito di applicazione ha dato vita a diverse applicazioni già disponibili ed utilizzabili quali il Predictive Maintenance o il Predictive Quality. Quando si utilizzano motori predittivi per anticipare i bisogni dei clienti o cercare di predire i loro gusti si parla di utilizzo del ML come motore di Recommendation.

E infine c’è l’utilizzo del ML come strumento di riconoscimento automatico; in questo caso grossi passi avanti sono stati fatti nel campo della text recognition e dell’image recognition, mentre, per ovvi motivi, si sta ancora cercando di affinare quelle che sono le applicazioni di voice recognition.

Questi macro ambiti di utilizzo trovano una serie di applicazioni concrete in abito manufacturing; di seguito se ne descrivono alcune ma sicuramente non si tratta di una lista esaustiva, viste le sconfinate possibilità che queste tecnologie offrono.

Un primo utilizzo è sicuramente quello legato all’uso di motori predittivi. Come si è detto in precedenza ormai esistono applicazioni già disponibili (SAP PDMS – Predictive Maintenance and Services è un esempio) in grado, in pochissimo tempo, di fornire indicazioni e predizioni su asset e macchinari. E’ evidente che la bontà di questi algoritmi dipende fondamentalmente da due aspetti: il volume e la consistenza dei dati utilizzati per istruire i vari algoritmi e la possibilità di intervenire sugli algoritmi stessi per migliorarne e affinarne i risultati. Consci di questo, in Techedge abbiamo creato un team dedicato di Data Scientists ed esperti di programmazione in ambienti legati al ML con il quale andiamo a supportare i nostri clienti nella costruzione e nell’affinamento degli algoritmi stessi.

Un altro campo di utilizzo in rapida diffusione è quello dell’Image and Video recognition. Ci sono una serie di fattori alla base di questa diffusione: l’incremento nella velocità e nei volumi prodotti per unità di tempo, le politiche di qualità e controllo sui prodotti finiti sempre più spinte e infine la riduzione del ciclo di vita di molti prodotti e componenti rendono non più sufficienti i soli controlli visuali effettuati dall’uomo. A questo si aggiungono i costi sempre più competitivi di telecamere e sistemi di visione con performance che fino a pochi anni fa erano tipici di macchine professionali molto costose e, appunto, lo sviluppo di sistemi di ML in grado di “smontare” un’immagine in elementi elementari per poi analizzarne il contenuto e fornire dei risultati. Sistemi di image and video recognition vengono oggi utilizzati per tutta una serie di controlli di qualità e di corretto assemblaggio in diversi processi manifatturieri; l’ambito del customer service e del post vendita è un altro campo che vedrà notevoli sviluppi di queste tecnologie, in particolar modo se integrato con sistemi di realtà aumentata.

Un terzo campo di applicazione è quello legato al mondo dell’intelligent automation e della robotica. L’innovazione in questo caso è rappresentata prevalentemente dalla possibilità di far girare algoritmi di ML, precedentemente istruiti sui sistemi cloud e su volumi di dati importanti, direttamente sul layer di Edge Computing a bordo della linea o del sistema robotizzato. Questi algoritmi possono servire a ottimizzare i consumi o le performance della linea o a rendere il sistema di fabbrica il più possibile autonomo anche in caso di situazioni non pianificate. Un particolare ambito di utilizzo è quello legato ai Robot Collaborativi (Cobot): si tratta di sistemi di movimentazione che vengono solitamente utilizzati in tandem con operatori umani e che, grazie ai nuovi e sofisticati sistemi di sicurezza, possono appunto collaborare direttamente con l’operatore umano. Usare il ML per formare i Cobot e farli lavorare in maniera sempre più efficiente e coordinata con altri Cobot o operatori in carne ed ossa rappresenta probabilmente uno dei compiti più affascinanti del ML applicato al mondo del manufacturing oggi.

Gianni Pelizzo
Techedge