Ascolta l'articolo
Qualche tempo fa, scrivevo, a proposito di trasformazione digitale: “… quindi dashboard, digital twin, ottimizzatori … ma … il “machine learning”? (Articolo qui).
Il riferimento era ad una serie di cose concrete che si possono fare, e per le quali noi ci proponiamo come partner, per mettere in atto una trasformazione digitale che abbia veramente senso, che raggiunga cioè l’obiettivo di rendere l’azienda più efficace nel processo di creazione di benessere e ricchezza.
La risposta, per come la vedo io, è che dashboard, digital twin e ottimizzatori sono cose concrete che si possono fare, mentre il “machine learning” è una tecnologia, ma anche una metodologia, che si può usare per farle meglio e per fare in modo che siano più efficaci.
Raccolta dati sistematica
Riprendiamo però il discorso dal suo inizio: tutte queste cose si possono fare se si raccolgono sistematicamente dati, altrimenti ci stiamo solo prendendo in giro. Supponiamo quindi di avere un sistema, come ADR-Flow, che ci permette di acquisire dati direttamente dalla linea di produzione in modo sistematico e controllato: si tratta di un ottimo punto di partenza e, come si diceva, il solo fatto di avere un database di questo tipo vale già l’investimento necessario.
Valorizzare i dati con il machine learning nell’ottica della trasformazione digitale
Proprio nei giorni scorsi un’azienda per cui lavoriamo, ragionando sui risultati che stiamo ottenendo su una linea di produzione ci ha detto “noi abbiamo altre linee sulle quali da anni raccogliamo dati: si potrebbero applicare gli stessi algoritmi anche su quelle linee”? La raccolta dei dati, fotografie del prodotto finito in questo caso, viene fatta sistematicamente da anni ed ha già un suo grosso valore, ad esempio nella gestione dei reclami e delle garanzie, ma ADR-Flow, abilitando il machine learning, può amplificare questo valore, ad esempio riconoscendo che un prodotto ha un difetto prima che questo venga spedito (al cliente finale o ad un intermediario, poco importa).
Dashboard e miglioramento continuo
Anche se si raccolgono sistematicamente i dati, però, non è ovvio che si abbia anche una dashboard che permetta di tenere sotto controllo il processo produttivo; d’altra parte anche la dashboard, se fatta bene, vale da sola l’investimento fatto per crearla, ma se il machine learning ci permette di associare ai dati raccolti anche l’indicazione di quanti pezzi sono difettati e di che difetti soffrono, ecco che è possibile abilitare tutta un’altra serie di attività, ad esempio di miglioramento continuo del prodotto e del processo.
Digital twin e ottimizzazione
Immaginiamo ora che associato alla nostra linea di produzione, ci sia un vero e proprio digital twin, un sistema informatico cioè in grado di replicare il funzionamento della linea fornendoci in continuazione un’altra serie di dati da comparare con i dati raccolti, tali che si possa ad esempio prevedere cosa succederà sulla linea prima che questo succeda. Ottima iniziativa, che può servire, ad esempio, per gestire al meglio gli approvvigionamenti o le manutenzioni: il machine learning può permettere di tenere costantemente aggiornati i parametri di funzionamento del digital twin in modo che questo produca i dati nel modo più preciso possibile. Se poi associamo al tutto anche un sistema di ottimizzazione, ecco che siamo in grado di prendere decisioni tempestive ed economicamente più efficaci di quelle che avremmo potuto prendere senza.
Il ruolo di ADR-Flow
In realtà questi sono solo degli esempi, ma quello che possiamo dire con certezza è che il machine learning è in grado di supportare al meglio queste funzionalità e di permetterci di estrarne il maggior valore possibile.
Questo è lo scopo di ADR-Flow.
