HomeProcess AutomationIndustrial SoftwareCome si combina la modellistica matematica all'intelligenza artificiale

Come si combina la modellistica matematica all’intelligenza artificiale

Leggi la rivista ⇢

  • n.305 - Settembre 2022
  • n.304 - Luglio 2022
  • n.303 - Giugno 2022

Ti potrebbero interessare ⇢

N.B.

Si possono costruire algoritmi di Intelligenza artificiale, arricchendoli con dati di valore grazie alla combinazione della modellistica matematica. Come si fa ce lo spiega Luca Turconi di Moxoff

Il principale tema che si pone nello sviluppo di algoritmi di intelligenza artificiale (AI, Artificial Intelligence) è quello della disponibilità effettiva dei dati, in termini sia di quantità sia di qualità. Un altro tema fondamentale per l’introduzione dell’Intelligenza Artificiale in un processo aziendale riguarda la valorizzazione del know-how, dell’esperienza e delle competenze delle persone che governano il processo stesso.

Ebbene, attraverso la modellistica matematica è possibile integrare queste due fonti di informazione, dati e know-how, per alimentare l’algoritmo di AI. Pensando, ad esempio, a una linea di produzione, laddove i dati raccolti dalla sensoristica non siano numerosi, oppure nei casi in cui i dati storici disponibili non siano così profondi, è possibile costruire modelli matematici capaci di descrivere i principi fisici alla base del processo produttivo (dei veri e propri Digital Twin del processo) consentendo di arricchire la base informativa utilizzabile per alimentare gli algoritmi di intelligenza artificiale.

Il valore aggiunto della modellistica matematica

Sembra banale dirlo, ma non è proprio così. A spiegare il valore aggiunto della modellistica matematica è Luca Turconi, Chief Solutions Officer in Moxoff SpA, azienda specializzata in modellistica matematica, in Data Science e nella combinazione unica di questi due approcci.

«La cosa che ci contraddistingue è la capacità di mettere insieme il mondo dell’intelligenza artificiale con quello della modellistica matematica», spiega Turconi. «Il fatto di combinare la parte di analisi dei dati con le competenze di simulazione e modellistica matematica ci rende, in questo momento, un po’ un unicum nel panorama degli specialisti di intelligenza artificiale».

Luca Turconi

Moxoff è una realtà che nasce dieci anni fa come spin-off del laboratorio di Modellistica e Calcolo Scientifico (Mox) del Politecnico di Milano per realizzare un’idea ben precisa: tradurre lo stato dell’arte della ricerca matematica in applicazioni e strumenti che favoriscano l’innovazione in ambito industriale.

Oggi, Moxoff è una SpA che si pone come ponte tra la ricerca e il mondo industriale e che conta ormai più di cento progetti realizzati in diversi settori industriali. A comporre il team di lavoro, ci sono principalmente ingegneri matematici, ma anche altre ingegnerie e specialisti in matematica e statistica.

Il team operativo può inoltre avvalersi del supporto del Comitato Scientifico, composto dai professori, e soci fondatori, Alfio Quartieroni, Luca Formaggia e Piercesare Secchi.

Ottimizzare i processi industriali con la matematica

«Attualmente stiamo portando avanti progetti che combinano algoritmi di intelligenza artificiale con la modellistica matematica in diversi ambiti, tra i quali la manutenzione predittiva e l’ottimizzazione di processo, con l’obiettivo di ottenere risultati più significativi rispetto a quelli raggiunti con altre soluzioni», spiega Turconi.

«Relativamente all’ottimizzazione di processo, mettendo a fattor comune le informazioni estraibili dai dati raccolti e il know-how dei team aziendali che governano il processo, è possibile costruire algoritmi che permettono, ad esempio, di aumentare la qualità dei pezzi prodotti in un impianto di produzione o di minimizzare i costi di gestione di magazzini e spedizioni. In questi casi i benefici che abbiamo ottenuto sono molteplici».

Eccoli in sintesi:
• l’identificazione di fattori determinanti per il miglioramento della qualità di un processo di produzione, misurata ad esempio in termini di numero di difetti
• l’analisi dei flussi produttivi per identificare colli di bottiglia o punti critici;
• l’ottimizzazione e l’efficientamento dei processi in termini di minimizzazione dei costi di manodopera o dei costi legati alla logistica (gestione magazzini e spedizioni).

«Prendo, ad esempio, un caso a cui abbiamo lavorato per far meglio comprendere come la modellistica matematica possa produrre dati di valore», continua Turconi. «Raccogliendo dati da una linea di produzione dove l’obiettivo era costruire un algoritmo per migliorare la qualità finale del prodotto, ottimizzando allo stesso tempo la velocità della produzione, è emersa una criticità: i dati raccolti raccontavano solo una parte del processo.

La localizzazione dei sensori non permetteva di monitorare in modo efficace e preciso alcune variabili critiche del processo. In casi come questo, se si vanno ad applicare tecniche di AI partendo dai soli dati raccolti, c’è il rischio che si perda una parte di informazioni. Partendo dalla conoscenza dei principi fisici primi che governano il processo, è stato possibile costruire dei modelli matematici in grado di dedurre alcune variabili senza il bisogno di misurarle. Spesso le relazioni che governano l’andamento di queste variabili sono complesse e solo con la modellistica matematica si riesce a tradurle in informazioni di valore».

Modellistica matematica, AI e manutenzione predittiva

Nel caso della manutenzione predittiva, il team di Moxoff ha lavorato su due fronti: da un lato sulla costruzione di strumenti per il monitoraggio dello stato di funzionamento dei prodotti e per la previsione dell’insorgenza di guasti, con l’obiettivo di efficientare i processi interni dei clienti (produzione, qualità, service e assistenza); dall’altro, sulla costruzione di tool che permettessero ai clienti di ampliare la loro offerta commerciale mediante servizi a valore aggiunto. È possibile, grazie alla combinazione tra IoT e AI, creare nuovi servizi e aprire nuovi stream di revenue.

«Nell’ambito della manutenzione predittiva, la modellistica matematica può costituire un utilissimo supporto per superare gli ostacoli legati all’indisponibilità di una grande quantità di dati o di uno storico sufficientemente profondo.

Se si devono fare delle previsioni su alcuni guasti che si verificano dopo un certo tempo di esercizio e si è iniziato da poco a fare una raccolta dati, non è possibile adottare un approccio classico di intelligenza artificiale. Applicando, invece, tecniche di modellazione matematica si può ampliare il patrimonio informativo per costruire l’algoritmo di AI», dichiara Turconi.

L’intelligenza umana resta sempre al centro

In tutti i casi sopra citati, gli algoritmi di intelligenza artificiale risultano essere uno strumento fondamentale per poter governare la complessità e numerosità dei dati raccolti.

«Tuttavia, perché simili progetti risultino davvero di successo è fondamentale riuscire a valorizzare, non solo i dati, ma anche e soprattutto il know-how delle persone. Per farlo utilizziamo la modellistica matematica che ci permette di formalizzare queste informazioni e integrale con gli algoritmi di AI», conclude Turconi.

Come si combina la modellistica matematica all’intelligenza artificiale - Ultima modifica: 2020-05-21T07:50:13+02:00 da