L’intelligenza artificiale “applicata” ad un caso concreto, dall’intuizione allo sviluppo, alle idee per il futuro. Da qui nasce il botta e risposta con Giovanni Bavestrelli, digital engineering director di Tenova.
L’azienda è una realtà internazionale che conta oltre 2.500 risorse espressamente dedicate al problem solving per sviluppare soluzioni che aiutino le aziende minerarie e le metal company a ridurre i costi, risparmiare energia, limitare l’impatto ambientale.
Tenova ha messo in campo una serie di attività in ambito AI per indirizzare esigenze importanti maturate nel tempo, è possibile delinearle?
Siamo partiti ancora prima che si rivelassero delle “esigenze” chiare di utilizzo della tecnologia. Da un lato alcuni tecnici si sono appassionati di machine learning, dall’altro frequentando conferenze e clienti ci siamo resi conto che anche nel nostro settore le nuove tecnologie avrebbero potuto portare un grande valore.
La sfida è stata proprio trovare questo valore. Tendenzialmente sarebbe meglio passare da un problema noto ad una soluzione utile, ma spesso con le nuove tecnologie risulta evidente la potenza di una nuova soluzione prima che lo sia la sua applicabilità ad un problema reale. Quindi ci siamo domandati dove l’intelligenza artificiale, ed in particolare il machine learning, avrebbero potuto portare valore ai nostri clienti.
Alcune aree di applicazione in realtà erano abbastanza evidenti, come la predictive maintenance. Però per poter applicare intelligenza artificiale lì è necessario avere parecchi dati dagli impianti.
Abbiamo quindi iniziato a raccogliere i dati dalle macchine, ma siamo consapevoli che passerà del tempo prima di averne abbastanza da poter utilizzare algoritmi di machine learning per fare manutenzione predittiva.
Al momento sviluppiamo algoritmi tradizionali basati sull’esperienza per predire le cause principali di manutenzione. In seguito, quando avremo sufficienti dati, svilupperemo algoritmi più complessi.
Un’area in cui l’intelligenza artificiale dà velocemente ottimi risultati è la classificazione di immagini, utilizzando deep learning ed in particolare le reti neurali convoluzionali. Per un nostro cliente a Brescia, abbiamo applicato questa tecnologia per classificare il rottame in ingresso all’acciaieria.
Siamo partiti con 3.000 immagini di camion carichi di rottame, classificandoli in 5 categorie diverse, e ci siamo sorpresi che già con 3.000 immagini i modelli avessero appreso il compito di classificazione con una tale affidabilità. Ora abbiamo più di 20.000 immagini in 9 categorie (sarebbero di più ma di alcune non abbiamo ancora sufficienti immagini) e la classificazione è abbastanza affidabile. Fa qualche errore, come è inevitabile per questo tipo di problemi e di algoritmi, ma li fanno anche le persone.
Abbiamo poi applicato machine learning per l’ottimizzazione di processi. Per esempio per un cliente in nord America con un forno Bof (Basic Oxygen Furnace) usiamo il machine learning per predire la temperatura finale del bagno di acciaio, partendo dai dati iniziali di processo.
Avevamo già modelli matematici per fare questi calcoli, basandosi sulla fisica e sull’equilibrio massa-energia, ma la realtà complessa di un’acciaieria non sempre rispetta la teoria di un modello matematico e questi modelli non erano sempre affidabili. Avendo però raccolto negli anni i dati di molte colate, oggi applichiamo tecniche di machine learning per vedere se riusciamo a predire la temperatura finale del bagno meglio che con gli algoritmi deterministici.
Dopo tutto, i dati sono frutto della realtà, non della teoria, e contengono anche gli effetti di elementi che non siamo in grado di misurare, come l’usura del refrattario, o di cui non siamo nemmeno consapevoli. Anche qui arrivano buoni risultati, migliorando l’affidabilità della predizione di oltre il 30%.
Temi complessi, che richiedono competenze specifiche. Partendo da zero come è stato possibile affrontare i problemi?
All’inizio, parecchi anni fa, siamo partiti un po’ in ordine sparso, ogni business unit indagando le tecnologie più promettenti, soprattutto per quanto riguarda IoT (Internet of Things) e nuovi sensori. Poi ci siamo resi conto che il cambiamento in atto era più grande di una qualsiasi somma di tecnologie individuali, che era necessario prendere decisioni coerenti tra le varie business unit, e ci siamo dati come scopo quello di definire una strategia digitale per Tenova.
Per prima cosa abbiamo messo insieme alcune persone particolarmente appassionate di tecnologia prese dalle varie business unit. Queste persone, pur portando avanti il loro lavoro precedente, hanno iniziato a dedicare tempo alla definizione della strategia digitale, alla selezione di partner strategici e della piattaforma cloud, e allo sviluppo di progetti pilota.
Per un anno siamo andati avanti così, poi è diventato evidente che la trasformazione non l’avremmo mai realizzata lavorando part-time, trascinati da una parte dalle urgenze dei progetti da completare e dall’altra dalla necessità di indagare nuovi approcci la cui valutazione richiedeva parecchio tempo.
Le persone del team si sono quindi staccate dalle business unit, abbiamo creato un nuovo team Tenova Digital, ci siamo spostati in un nuovo ufficio… In realtà dall’altra parte di un prato nello stesso campus. Abbiamo assunto il nostro primo data scientist, un giovane ingegnere matematico, e siamo partiti full time con un unico obiettivo: identificare, promuovere, e facilitare una implementazione coordinata e coerente di nuovi servizi e opportunità di business in Tenova mano a mano che si rendono disponibili tramite l’applicazione di tecnologie emergenti.
Oggi il Team Digital è formato da sei persone: due data scientist, tre sviluppatori software, un processista. Il nostro compito però è quello di lavorare con gli uffici tecnici delle varie business unit, con i nostri colleghi esperti di dominio, e con loro sviluppare le nuove soluzioni. Abbiamo selezionato piattaforma e partner, sviluppiamo strumenti e competenze digitali, ma le soluzioni le costruiamo insieme, in quanto le competenze di dominio sono essenziali.
Si parla tanto di dati, dell’importanza dei dati, ma senza gli esperti di dominio che sanno individuare significativi problemi da risolvere, selezionare i dati da utilizzare, capirne il significato, che sanno come interpretarli, integrarli, e come valutare i risultati, è molto difficile estrarne tutto il valore.
Uno dei nostri compiti è anche quello di aumentare le competenze digitali nei vari uffici tecnici. Così come oggi ogni business unit ha internamente competenze di meccanica e di automazione, in un futuro prossimo probabilmente avranno anche competenze di intelligenza artificiale, che sarà parte integrante del prodotto, e a quel punto forse un team digital separato non servirà più, oppure si dedicherà alla sperimentazione di nuove tecnologie da passare poi ai colleghi negli uffici tecnici per l’implementazione delle soluzioni.
Quali sono stati i risultati conseguiti dalle soluzioni di AI all’interno del contesto aziendale?
Per ora le aree in cui abbiamo applicato AI, ed in particolare machine learning, sono stati progetti come quelli elencati prima. Ne ho elencati alcuni che hanno dato risultati positivi, ma come succede normalmente nei progetti di machine learning, non sempre si arriva ad un modello predittivo dai risultati soddisfacenti.
A volte il modello che si trova non è migliore di un modello deterministico già conosciuto, oppure non è molto migliore di un modello banale come quello che predice sempre la media del valore che si prefigge di stimare, e in questi casi si abbandona il modello, o se ne provano altri, o si cercano nuovi dati, o si integrano i dati che si hanno con altri, e si va avanti per tentativi.
In generale comunque la nostra applicazione di tecniche di AI per ora si è focalizzata nel miglioramento dei nostri prodotti, nell’introduzione di nuovi servizi, e quindi nella soluzione dei problemi dei nostri clienti e nel miglioramento delle performance dei loro impianti. Siamo soddisfatti dei risultati ottenuti fin ora, ma siamo solo agli inizi, e prevediamo una forte crescita in queste applicazioni.
Non abbiamo invece ancora svolto lo sguardo al nostro interno per applicare tecniche di AI ai nostri processi. Un’azienda come la nostra genera tantissimi dati, basti pensare ai dati finanziari, alle commesse, alla produzione della nostra officina, ai dati relativi alle risorse umane, questi dati vengono gestiti giornalmente mediante processi consolidati negli anni, ma io credo che verrà presto il giorno in cui proveremo ad applicare tecniche di machine learning anche su questi dati, per aiutarci a ottimizzare i processi interni.
Per ora, vuoi che il team digital è piccolo, vuoi che il maggiore impatto noi lo sentiamo tramite il valore che generiamo per i nostri clienti, ci siamo focalizzati su di essi, ma credo che le tecniche di AI stiano dimostrando di poter portare valore ovunque ci siano tanti dati provenienti da sistemi complessi.
Un effetto positivo dei mutamenti dovuti alla tecnologia è stato il miglioramento del dialogo interno, su argomenti tecnologici ma non solo. Ci siamo resi conto molto presto che i cambiamenti legati alla trasformazione digitale non erano solo applicabili agli impianti e alle macchine, ma che era necessario un cambiamento di cultura nell’organizzazione.
Tenova ha lanciato un’iniziativa di digital assessment, sottoponendo ad un test online molti impiegati e dirigenti per individuare le persone con più dimestichezza con le nuove tecnologie e con un digital mindset più accentuato. Alcune persone sono state selezionate come digital ambassador ed è stato avviato un progetto di formazione mirato. Poi è stata lanciata un’iniziativa di comunicazione chiamata Smart Connecting, guidata dalle risorse umane, nella quale le funzioni di ricerca e sviluppo, digital, comunicazione e IT hanno preparato una giornata di formazione alla quale ha partecipato tutta l’azienda.
In questa giornata le quattro funzioni hanno dedicato due ore l’una per raccontare cosa fanno, come lavorano, come sta cambiando il mondo attorno a loro e come cambiare insieme. Per ora ci sono state sedici sessioni, per tenere le classi di dimensione ridotte, anche per poter fare dei giochi insieme, e sono schedulate tre sessioni di recupero per le persone che non sono riuscite a partecipare alle precedenti. Il feedback per il momento è molto positivo.
Per quanto riguarda effetti negativi dell’applicazione di tecniche di AI, per ora non ne abbiamo ancora incontrati. Forse perché siamo agli inizi, forse perché il nostro settore è particolare. Bisogna comunque tenere gli occhi ben aperti perché i problemi etici e sociali che l’applicazione di AI può generare sono complessi, ma questo è un altro argomento e richiederebbe un approfondimento a parte.
Leggi tutti gli approfondimenti dello Speciale intelligenza artificiale
© RIPRODUZIONE RISERVATA
