L’industria manifatturiera sta assistendo a una significativa evoluzione tecnologica, con l’introduzione degli agenti di intelligenza artificiale (AI) che promettono di ridefinire i paradigmi operativi. Lungi dall’essere una mera estensione dei sistemi di automazione esistenti, questi agenti rappresentano un passo verso un’autonomia decisionale che incide direttamente sulla produzione fisica.
Kent Anderson, CEO di Composabl (start-up americana costruita da un team di ex ingegneri Microsoft), spiega come l’autonomia decisionale introdotta da questi strumenti rivoluziona i processi industriali.
Indice degli argomenti
Il valore degli agenti di AI nella manifattura: expertise specifica per compiti definiti
Un agente AI può essere descritto come un operatore virtuale incaricato di svolgere compiti specifici. La sua essenza risiede nella capacità di padroneggiare un’attività definita, un concetto analogo all’expertise umana che è sempre legata a un ambito specifico.
“L’expertise è specifica del compito”, afferma Anderson, evidenziando come non sia necessario che un agente “faccia tutto in una fabbrica”.
Non si tratta di intelligenza artificiale generale (AGI), ma di sistemi specializzati, concepiti per eccellere in funzioni particolari all’interno di un processo produttivo. Un agente AI, attraverso un processo di tentativi ed errori basato su feedback, affina le proprie capacità per perseguire un obiettivo predefinito per quel compito.
Storicamente, il dibattito sull’AI nel settore industriale si è concentrato sulla sua capacità di analisi e previsione. Tuttavia, ciò che sposta veramente l’ago della bilancia in contesti industriali sono le decisioni e le azioni che ne derivano.
L’entusiasmo attuale attorno agli agenti AI deriva proprio dalla loro capacità di prendere decisioni autonome e di agire nel mondo fisico. Mentre gli ingegneri sono da tempo familiari con i sistemi di controllo capaci di prendere decisioni, come il regolatore PID inventato nel 1912, la novità introdotta dagli agenti AI risiede nella loro abilità di compiere scelte più sfumate e simili a quelle umane in situazioni che in passato richiedevano esclusivamente l’intervento umano.
Dalla percezione all’azione: il salto di qualità
La distinzione fondamentale tra i precedenti impieghi dell’apprendimento automatico (machine learning) e l’applicazione degli agenti AI risiede nel passaggio dalla percezione all’azione.
Se la maggior parte dei sistemi di apprendimento automatico nelle fabbriche si è focalizzata sull’identificazione (come rilevare un difetto visivo o prevedere un guasto), gli agenti AI portano il processo al livello successivo, ponendo la domanda: “cosa fare?”.
Anderson porta come esempio la produzione di snack estrusi come i Cheetos, snack di mais molto popolare negli States. Questa operazione, apparentemente semplice per il consumatore, è complessa per il produttore.
L’estrusore, un lungo tubo metallico con una vite interna dove la semola di mais viene cotta e poi forzata attraverso una fessura, richiede un’elevata esperienza per essere gestito.
L’abilità di un operatore esperto è cruciale, poiché fattori non misurabili direttamente, come la composizione e l’umidità del mais – che variano in base alla provenienza e alle condizioni climatiche – influenzano il prodotto finale. Con oltre 25 variabili di controllo e più di 50 variabili di sensori da monitorare in tempo reale, oltre a misurazioni di qualità specifiche (lunghezza, diametro, curvatura, densità del prodotto), il processo richiede decenni di esperienza per essere padroneggiato.
“Per un operatore occorrono circa 10 anni per padroneggiare davvero queste operazioni, poiché ci sono cose che non si potranno mai misurare”, spiega Anderson.
In questo scenario un agente AI non si limita a rilevare un difetto. Anziché limitarsi a identificare che un difetto si sta verificando, l’agente è programmato per intraprendere un’azione: modificare i parametri dell’estrusore per prevenire o eliminare quel difetto.
Ciò avviene attraverso la pratica su simulazioni, dove l’agente può eseguire innumerevoli scenari in un tempo ridotto e senza rischi operativi. L’efficacia di questi agenti raggiunge un livello di eccellenza quando sono organizzati in “agenti di abilità” individuali, ciascuno specializzato in un aspetto specifico del processo, che collaborano come una squadra per raggiungere l’obiettivo complessivo.
L’importanza dell’esperienza umana nell’era dell’AI
Nonostante la vasta quantità di dati disponibili nei sistemi di storicizzazione delle macchine industriali, esiste un’altra fonte di dati preziosa ma spesso non strutturata: l’esperienza umana.
Il sapere tacito degli operatori esperti, accumulato in decenni di pratica, è fondamentale per navigare nelle complessità che i sensori non possono misurare, come le variazioni nella composizione delle materie prime.
È imperativo che questa conoscenza venga catturata e codificata, specialmente in un momento in cui l’industria manifatturiera affronta il pensionamento di una forza lavoro esperta.
“Se l’AI può imparare, probabilmente dovresti insegnarle qualcosa”, sostiene Anderson, aggiungendo che “niente di intelligente è mai stato limitato da un buon insegnante”.
Combinando i dati provenienti dalle macchine con l’intervista e la modellazione dell’expertise umana, è possibile creare sistemi AI che non solo “leggono” i dati, ma li interpretano attraverso la lente dell’esperienza, replicando e amplificando le capacità dei migliori operatori.
Oltre la sostituzione: potenziamento e formazione
L’applicazione degli agenti AI nella manifattura non mira a sostituire la forza lavoro umana. Al contrario, l’obiettivo principale è quello di potenziare gli operatori.
“L’obiettivo non è la sostituzione dell’operatore, ma usare questi agenti per formare nuovi operatori e per aiutare gli operatori principianti a fare meglio, e per dare agli operatori esperti o una seconda opinione o tempo libero da cose più noiose per dedicarsi a compiti più preziosi”, spiega Anderson.
Questi agenti possono essere utilizzati per formare nuove generazioni di lavoratori, fornendo loro un “maestro virtuale” capace di accelerare la curva di apprendimento. Possono inoltre supportare gli operatori meno esperti, offrendo indicazioni e assistenza in tempo reale, e liberare gli esperti da compiti più ripetitivi o meno stimolanti, permettendo loro di dedicarsi ad attività a più alto valore aggiunto o di fornire una “seconda opinione” basata su un’analisi approfondita.
La scalabilità dell’infrastruttura degli AI Agents
L’infrastruttura di un agente AI è tipicamente una porzione di software implementata su un server Linux standard, integrandosi nelle architetture IT esistenti senza la necessità di dispositivi fisici aggiuntivi o complessi. Questa natura software-defined facilita l’implementazione e la scalabilità.
La scalabilità è un aspetto cruciale, poiché consente alle aziende di replicare l’efficacia di questi agenti su più linee di produzione o in diverse fabbriche, estendendo i benefici dell’automazione intelligente a tutta l’organizzazione.
Questo modello garantisce che gli investimenti in AI non siano limitati a un singolo processo, ma possano generare un impatto significativo su larga scala, ottimizzando l’intera rete produttiva.
