Il caso studio italiano si è concentrato sui tempi di fermo delle macchine che interrompono la produzione, e sulla programmazione della manutenzione grazie all'IA, un problema comune a tantissime aziende manifatturiere e che potrebbe essere risolto con l'uso della piattaforma XMANAI.
Deep Blue, prima PMI italiana per progetti di ricerca e innovazione europei realizzati nei programmi Horizon (fonte: European Commission), insieme al consorzio europeo del Progetto XMANAI coordinato da TXT E-Solutions spa, è impegnata nel migliorare il modo in cui le macchine e gli esseri umani interagiscono nell'industria manifatturiera. Attraverso un approccio "Human-Centered" - basato quindi sulla centralità dell’operatore umano che andrà a collaborare con le nuove tecnologie intelligenti - il team di esperti di Deep Blue è impegnato nel rendere affidabile, comprensibile e rilevante il comportamento degli algoritmi di Intelligenza Artificiale (IA), promuovendone la fiducia e l'efficacia nell'ambiente lavorativo.
L'Intelligenza Artificiale Spiegabile (XAI) - dall’inglese Explainable AI - si pone l'obiettivo di eliminare le "scatole nere" tipiche degli algoritmi di IA, consentendo agli operatori di comprendere appieno il processo decisionale delle macchine. Una chiarezza che risulta fondamentale per aumentare la fiducia nelle nuove tecnologie da parte di chi le andrà ad utilizzare, soprattutto in settori, come il manifatturiero, in cui le decisioni automatizzate possono avere un impatto significativo sulla sicurezza e la produttività.
Rendere chiara e trasparente l’Intelligenza Artificiale
La “AI Explainability” - o IA Spiegabile - riguarda la capacità di fornire all'utente informazioni comprensibili, affidabili e pertinenti con il livello appropriato di dettaglio e con tempistiche adeguate su come un'applicazione di intelligenza artificiale o machine learning produca i suoi risultati.
L'IA Spiegabile rappresenta un approccio cruciale nell'evoluzione dell'Intelligenza Artificiale e può essere implementata in diversi modi, quali:
- visualizzazione dei dati: rappresentazioni grafiche o visive dei dati utilizzati dal modello e dei passaggi interni del modello stesso, per mostrare come sono state prese le decisioni. Questo può includere grafici, diagrammi o mappe che visualizzano il flusso di dati e le interazioni all’interno degli algoritmi;
- fattori influenti: identificazione dei fattori e delle variabili più influenti che hanno contribuito a una decisione, evidenziando quali input hanno avuto un impatto maggiore sui risultati. Questo permette agli utenti di comprendere quali variabili sono state considerate dal modello e come hanno influenzato le decisioni finali;
- interpretazione del modello: tecniche che permettono di attribuire un peso a ciascuna variabile di input e mostrare come queste variabili influenzano le previsioni del modello. Questo aiuta gli utenti a capire quali sono le caratteristiche più rilevanti considerate dal modello e come contribuiscono alle sue previsioni;
- spiegazioni testuali: spiegazioni in linguaggio naturale o in forma di testo che descrivono il processo decisionale del modello in modo comprensibile agli esseri umani. Questo tipo di spiegazione è particolarmente utile perché fornisce una descrizione dettagliata e facilmente comprensibile del ragionamento dietro le decisioni dell'IA.
Il progetto XMANAI
Il Progetto XMANAI, frutto della collaborazione tra 15 partner provenienti da sette Paesi europei, tra cui Italia, Germania, e Spagna, ha adottato un approccio innovativo per affrontare questa sfida. Attraverso la combinazione di competenze provenienti dalla ricerca, dall'industria e dall'accademia, il consorzio si propone di dimostrare il valore dell'IA Spiegabile nella risoluzione dei problemi di produzione e nell'innalzamento del livello di fiducia nell'innovazione tecnologica.
All’interno del progetto, Deep Blue è impegnata nel definire gli scenari futuri in cui è coinvolta l’IA spiegabile, e nello studiare le possibili interazioni tra l’utente e l’IA per offrire la massima spiegabilità, per limitare l'errore umano e migliorare l'efficienza complessiva. Questo impegno si traduce nella ricerca e nello sviluppo di strumenti e metodologie per la progettazione di esperienze d'uso innovative delle IA. Quattro i casi studio specifici del settore manifatturiero affrontati nel progetto, tutti con applicazioni su diversi ambiti del business aziendale:
- sostegno alla manutenzione preventiva e alla risoluzione dei problemi delle macchine a controllo numerico;
- ottimizzazione della produzione di una catena di montaggio, per valutare quali fattori incidono sul raggiungimento o meno degli obiettivi di produzione;
- supporto alla business intelligence, per fare una previsione della domanda a supporto del piano operativo aziendale;
- supporto agli operatori nello svolgere operazioni di misurazione complesse e migliorarne l’accuratezza.
“In XMANAI abbiamo lavorato alla visualizzazione dei dati, testando rappresentazioni dell'esito di alcuni passaggi interni e dei risultati delle analisi dei modelli di IA. Questo ci ha permesso di supportare la comprensione del processo decisionale degli algoritmi e di evidenziare quali input hanno guidato le previsioni, fornendo così una chiara spiegazione dei risultati ottenuti e garantendo una maggiore trasparenza e comprensione. Questo risultato si inserisce all’interno dell’idea che abbiamo in Deep Blue di sviluppare strumenti e metodologie per la progettazione di esperienze d’uso innovative delle IA, in special modo nel settore manufatturiero” ha commentato Linda Napoletano, Director e responsabile dell’Area Manufacturing in Deep Blue.
Il tool UXAI, sviluppato all’interno del progetto, consente di suggerire le migliori visualizzazioni di dati per fare previsioni, creare scenari, controllare la produzione o analizzare modelli e tendenze. Seguendo le indicazioni del tool, per esempio, sono state progettate e testate interfacce che permettono agli operatori di esplorare anomalie, fare previsioni e analizzare tendenze in modo intuitivo e informativo, migliorando così l'efficacia delle decisioni aziendali, come nel caso italiano di CNH Industrial.
Il caso studio italiano: CNH
CNH è un'azienda di macchinari, tecnologie e servizi con oltre 180 anni di storia. Opera a livello globale in tre segmenti: agricoltura, movimento terra e servizi finanziari. La collaborazione con i partner europei del progetto XMANAI ha visto la realizzazione di un caso di studio presso lo stabilimento di Modena, in collaborazione con i colleghi di R&D della sede di San Matteo. Questo sito produttivo attualmente produce 15.000 treni di trasmissione all’anno, che vengono montati su trattori assemblati in impianti CNH in tutto il mondo.
Il caso studio si è concentrato sui tempi di fermo della macchina che interrompono la produzione, e sulla programmazione della manutenzione, un problema comune a tantissime aziende manifatturiere e che potrebbe essere risolto con l'uso della piattaforma XMANAI. Grazie al supporto della tecnologia XAI, gli operatori possono diagnosticare gli errori della macchina e prevedere la fine della vita dei componenti in modo efficiente. Ciò consente di rifornire in tempo utile i pezzi a magazzino per effettuare tempestivamente gli interventi manutentivi sulle macchine e ottimizzare l’efficienza produttiva globale dello sito, riducendo tempi e costi associati ai fermi non pianificati.
La società: Deep Blue srl
Deep Blue è una PMI italiana con sede a Roma che affronta le più importanti sfide sociali e tecnologiche del presente attraverso attività di ricerca avanzata e consulenza. Dal 2001 l’azienda contribuisce allo sviluppo della ricerca in Europa, ottenendo finanziamenti dall’UE per oltre 110 progetti di cui 19 da coordinatore. È la prima PMI italiana e la terza in tutta Europa per progetti di ricerca e innovazione vinti e realizzati all’interno dei programma quadro Horizon (dal 2014 a oggi, fonte: European Commission).
|