Dall’approccio e dai prodotti-servizi di una startup innovativa capiamo cosa si intende concretamente per Intelligenza Artificiale applicata all’industria manifatturiera, con quali obiettivi, vantaggi, costi e barriere (culturali) d’ingresso.
Intervista ad Andrea Calcagni, cofondatore di Neural Factory.
In tutto il mondo e in ogni campo si parla di Intelligenza Artificiale, dei benefici che promette e dei rischi che comporta. Nel manifatturiero, però, il termine viene spesso usato in modo improprio, generando confusione tra software tradizionali, automazione avanzata e modelli di IA generativa.
Il risultato è che molte aziende faticano a capire come – e se – queste tecnologie possano essere applicate in modo concreto a macchine, impianti e processi produttivi, soprattutto per introdurre nuovi livelli di efficienza operativa, ridurre i fermi macchina e rendere accessibile una competenza tecnica sempre più scarsa. Per rispondere alla domanda: “L’IA serve veramente in fabbrica?” Ne abbiamo parlato con Andrea Calcagni, con un approccio molto pragmatico, basato su casi d’uso reali.
Partiamo dalla vostra startup: cos’è Neural Factory e di cosa si occupa?
Neural Factory sviluppa soluzioni di Intelligenza Artificiale generativa applicate ai dati tecnici e operativi delle aziende manifatturiere. L’obiettivo è trasformare una conoscenza aziendale spesso frammentata e non strutturata in strumenti digitali che supportano tecnici, operatori di produzione, uffici tecnici e operations.
Lavoriamo su fonti molto eterogenee: manuali macchina, schemi elettrici e idraulici, codice PLC (ad esempio SCL), database di produzione, storico delle mail di assistenza tecnica, video di formazione e procedure interne. Tutto viene ingegnerizzato per essere interrogabile in linguaggio naturale, ma con una logica coerente con i processi industriali reali. Non vendiamo IA generica, ma soluzioni verticali progettate sui processi specifici del cliente, inclusa la filiera del packaging, printing e converting.
Che esigenze esprimono costruttori di macchine e converter?
Il problema più sentito è la carenza di tecnici specializzati, aggravata da un ricambio generazionale poco strutturato e da una permanenza sempre più breve delle nuove risorse.
Una parte rilevante del know-how resta nella testa dei tecnici senior o è dispersa in documentazione difficile da consultare. Questo aumenta la dipendenza da poche figure chiave e allunga i tempi di fermo macchina.
L’IA serve veramente in fabbrica? E voi come rispondete?
Con software dedicati e personalizzati. Il nostro prodotto principale è un assistente avanzato di troubleshooting per il contesto industriale. Il sistema integra manuali, schemi tecnici, codice PLC, storico delle comunicazioni e materiali formativi e guida l’operatore nella diagnosi del guasto: controlli da eseguire, componenti coinvolti, possibili cause e verifiche successive. Può anche identificare automaticamente il ricambio corretto per una specifica macchina e matricola, navigando tra gli schemi associati.
Parliamo di macchine che “si riparano da sole”?
No. Parliamo di supporto decisionale avanzato per tecnici e operatori, non di autonomia completa, che è prospettiva di lungo periodo: i modelli attuali non hanno ancora una reale comprensione fisica del mondo. Tuttavia, la riduzione dei tempi di diagnosi e di identificazione dei ricambi è già oggi così significativa che, in molti casi, i fermi macchina tendono a zero, con benefici economici immediati.
Questo vale solo per i guasti o anche per i problemi di processo?
Entrambi, ma con approcci diversi. Per problemi non strutturati – procedure, regolazioni, best practice – l’assistente funziona come tutor digitale per operatori meno esperti, a patto che la conoscenza sia stata documentata. Per problemi strutturati, legati a logiche macchina o interfacciamenti, possiamo analizzare codice PLC e dati di processo, raggiungendo livelli di precisione molto elevati.
Lavorate anche sull’organizzazione della produzione?
Sì. Stiamo sviluppando moduli di analisi avanzata dei dati collegati ai database aziendali per supportare la schedulazione della produzione, l’analisi dei costi reali di commessa e la verifica della disponibilità delle risorse. L’IA consente di simulare decine di scenari alternativi, molti più di quelli valutabili manualmente, per ridurre i cambi lavoro o massimizzare la compatibilità tra ordini.
Ma queste funzioni non esistono già nei software tradizionali?
In parte sì, ma sono strumenti rigidi e verticali che non permettono di collegare dati strutturati e non. La novità dell’IA generativa è che permette di interrogare dati e conoscenza aziendale in linguaggio naturale, collegando tutte le fonti, strutturate e non. Il nuovo non sta nel modello in sé, ma nell’ingegnerizzazione della conoscenza specifica di ciascuna azienda intorno a questi modelli.
Che livello di preparazione trovate nelle aziende?
C’è consapevolezza dei problemi, ma meno chiarezza sulle soluzioni. Spesso è necessario partire da un lavoro di alfabetizzazione tecnologica, anche in aziende strutturate, per chiarire cosa l’IA può fare davvero e superare aspettative irrealistiche.
Quali sono le principali difficoltà?
La raccolta, pulizia e formalizzazione della conoscenza, ostacolata da una documentazione incompleta, non aggiornata o dispersa. L’IA non è plug&play: va addestrata su ciascuna realtà aziendale, come se fosse una risorsa junior molto brillante che deve imparare processi e logiche interne.
