L’impatto dell’Intelligenza artificiale sui sistemi produttivi: implicazioni ambientali e prospettive future

STITUTO AZIONALE DI TATISTICA

(a cura di) G. P , L. N , 2022, p. 2.

ERANI ASCIA

72 I , pp. 3 – 10.

BIDEM 41

Dal punto di vista della cultura organizzativa aziendale, il cambiamento

richiede tempi lunghi e gradualità e dipende in gran parte da chi guida

l’organizzazione o da chi ricopre posizioni di responsabilità.

I manager sono chiamati a farsi sponsor della trasformazione, sostenendo

le innovazioni ed esercitando una leadership coerente. Hanno quindi il compito

di riconoscere per primi il valore strategico dei dati e guidare la transizione

digitale.

È logico che, dal momento che la digitalizzazione di un’organizzazione

richiede l’integrazione di tecnologie e strumenti digitali, bisogna educare il

personale al suo uso e attraverso un’adeguata informazione, mitizzare il timore di

73

rischi e di vulnerabilità annesse . Solo in questo modo si può attuare un vero

cambiamento culturale.

73 C. A , Il mondo dato. Cinque brevi lezioni di filosofia della programmazione, Edizioni EGEA,

CCOTO

Milano, 2017, pp.121 – 122. 42

2.2 Obiettivi e sfide del Digital Maturity

Nel contesto descritto, il Digital Maturity Manager:

 individua, valorizza e governa il patrimonio informativo;

 discrimina correttamente tra rischio e vulnerabilità;

 valuta e mitiga le esposizioni per tutelare l’impresa.

La trasformazione digitale attraversa ormai molti comparti incluso il

,

74

manifatturiero che converte materie prime in beni finiti .

In questo settore si osserva una evoluzione per cicli cumulativi, dove ogni

fase successiva ingloba la tecnologia precedente. Tutto ciò lo possiamo

constatare dal seguente diagramma cartesiano in cui l’ascissa riporta una

scansione annuale e due filoni collegati: le soluzioni tecnologiche del

manifatturiero (Industria 4.0 intorno al 2010) e le soluzioni tecnologiche dell’ICT

(IoT del 2000), mentre l’ordinata mostra la crescita di volume, varietà e

75

complessità dei dati .

74 A. K , F. T , Q. Q , A. L , Data – Driven Smart Manufacturing, op. cit., p. 159

USIAK AO INGLIN IU

75 I , p. 160.

BIDEM 43

Figura 8: Settore manifatturiero: evoluzione del dato – Driven – K et al., (2018), p. 86.

USIAK

Il grafico presenta quattro insiemi concentrici che segnano la progressione

delle epoche. Si può notare che l’evoluzione comprende anche la digitalizzazione

e mostra una netta accelerazione, soprattutto negli ultimi decenni.

Anche se l’Information Age si è evoluta da anni, tale evoluzione non si è

verificata ovunque, infatti, ad esempio, in Italia è ancora in corso l’integrazione

delle tecnologie tipiche dell’età dell’informazione.

Dal rapporto Istat 2020 emerge che l’adozione di software gestionali

risponde più a esigenze infrastrutturali che applicative, infatti:

 il 67,7% delle imprese li utilizza per la gestione documentale;

 il 50,7% per magazzini e flussi di materiali;

 il 47,9% per la contabilità;

 soltanto il 33,7% per il governo della produzione, frenato da vincoli

tecnici e da barriere culturali. 44

Tale traiettoria alimenta lo Smart Manufacturing, che integra risorse

produttive con sensori, piattaforme informatiche, comunicazioni, modellazione,

76

controllo, simulazioni data intensive e ingegneria predittiva .

Questa manifattura intelligente si fonda su sei pilastri:

1. i materiali;

2. l’ingegneria predittiva;

3. la tecnologia della manifattura e dei processi;

4. la condivisione delle risorse e il networking;

5. la sostenibilità;

6. i dati.

Tra questi, la novità principale è costituita dai dati. Nonostante tali

cambiamenti la manifattura non ha perso la sua importanza, ma deve essere vista

non più come una successione di fasi isolate, ma come un flusso integrato

77

immaterialmente grazie alla tecnologia digitale e alla datizzazione .

Precisiamo che, come dato si considera qualunque informazione che viene

raccolta attraverso un sensore che presenta la caratteristica di essere

standardizzata. Ne segue che i dati sono confrontabili in base a scale di misura

comuni, in quanto quantificabili oggettivamente. Tali dati si dividono in tre

categorie:

 dati strutturati, altamente archiviabili e computabili, in quanto organizzati

in tabelle;

 dati semi strutturati, che sono un misto dei dati strutturati e dei dati non

strutturati, come ad esempio l’e – mail che non ha un contenuto

strutturato, ma presenta molti dati precisi (indirizzi, data, ora);

 dati non strutturati, che sono privi di un modello formale e resi accessibili

78

solo dalle più recenti tecnologie recenti, come l’Intelligenza Artificiale .

Il ciclo di vita dei dati nel settore manifatturiero segue differenti sei step:

76 A. K , F. T , Q. Q , A. L , Data – Driven Smart Manufacturing, op. cit., p. 162.

USIAK AO INGLIN IU

77 S. Q , Capitalismo immateriale. Le tecnologie digitali e il nuovo conflitto sociale, Edizioni

UINTARELLI

Bollati Boringhieri, Torino, 2019, p. 60.

78 https://www.forbes.com. 45

1. il primo step è il Data Sources: i dati si creano in grande quantità lungo il

processo produttivo ed è quindi cruciale selezionare sorgenti affidabili in

base alle esigenze organizzative e alla natura delle informazioni;

2. il secondo step è quello della Data Collection, dove prevale l’approccio

ETL, ossia Extract, Transform, Load, che è solo una delle possibili

pipeline, ma è ampiamente usato nonostante la sua onerosità in termini di

sviluppo e lavoro;

3. il terzo step è il Data Storage: durante questa fase i dati confluiscono in

Data Warehouse, restando disponibili e aggiornabili per gli stadi

successivi;

4. il quarto step è il Data Processing che corrisponde a varie attività in cui i

dati sono presi dai depositi ed elaborati in base allo scopo da raggiungere.

I set informativi vengono ripuliti e ridotti per rimuovere rumori/irrilevanze

e quindi resi pronti all’analisi effettiva;

5. il quinto step è il Data Mining, ossia si ricercano automaticamente schemi

e tendenze in grandi archivi, per scoprire tendenze che vanno oltre la

79

semplice analisi .

Con tali step, si ottengono risultati rappresentabili in diversi formati, tra

cui spiccano i tabulati, ossia tabelle che contengono elenchi di

informazioni oppure di numeri derivanti da calcoli molto complessi;

6. il sesto step è la Data Application che è usata soprattutto nel Decision

Making produttivo, spesso in tempo reale. I responsabili decisionali usano

questo strumento per:

 mantenere la qualità del prodotto finito;

 migliorare l’attività di manutenzione;

 altre attività di supervisione generale.

Il suo uso si estende anche a progettazione, pianificazione risorse,

80

marketing e ricerche di mercato tramite Big Data .

79 https://www.docs.orcle.com.

80 A. K , F. T , Q. Q , A. L , Data – Driven Smart Manufacturing, op. cit., pp. 167 – 175.

USIAK AO INGLIN IU 46

Figura 9: Schema del ciclo di vita del dato manifatturiero – Driven – K et al., (2018), p.

USIAK

15.

Le imprese manifatturiere possono allora migliorare il proprio lavoro sia

in efficienza che in efficacia, infatti se non considerando l’esistenza dei dati ci si

ritroverebbe nella manifattura di qualche secolo fa, dove le inefficienze e la

struttura Labor Intensive scaturiscono da una organizzazione fondata solo

sull’esperienza diretta.

Dalla manifattura tradizionale si è passati all’introduzione dell’uso dei dati

anche se in modo parziale ed è già stato possibile conoscerne i benefici. Se si

intensificasse ancora di più l’uso di tali dati, giungendo ad una completa

digitalizzazione, essi diventerebbero di fondamentale importanza per tutta

47

l’organizzazione manifatturiera, cosa che può essere definita Smart

Manufacturing:

Figura 10: Smart Manufacturing: Framework Data – Driven – K et al., (2018), p. 17.

USIAK

48

2.3 Lo Smart Manufacturing

Il Manufacturing Model descrive un insieme di sistemi informativi e

risorse produttive sintetizzabile nelle quattro dimensioni uomo – macchina –

81

materiale – ambiente .

Il flusso operativo parte dalle materie prime (input), attraversa il processo

trasformativo e restituisce il prodotto finito (output). Nel corso del tempo sono

state integrate una serie di tecnologie per sostenere questo processo, le quali

possono essere riassunte in:

 CRM, Customer Relationship Management: strategia che ottimizza ricavi

e redditività dell’azienda attraverso la fidelizzazione del cliente. Tale

soluzione mette a disposizione delle imprese funzionalità in quattro aree

82

chiave: vendite, marketing, assistenza clienti ed e – commerce ;

 MES, Manufactoring Execution System, che coordinano l’esecuzione

operativa della fabbrica. Essi controllano e sincronizzano i processi fisici

in tempo reale, instradano gli ordini di lavoro tenendoli coerenti con la

programmazione della produzione e con i sistemi aziendali. Inoltre

forniscono indicatori e feedback di performance, garantiscono tracciabilità

83

e genealogia dei flussi produttivi ;

 PLM, Product Lifecycle Management, che è un approccio socio – tecnico

che combina principi, processi e piattaforme software per governare dati e

decisioni di prodotto lungo l’intero ciclo di vita, dall’ideazione al phase –

out. Come disciplina, ha oltrepassato il perimetro originario della

progettazione meccanica e dell’ingegneria, estendendosi alle diverse sfide

84

di sviluppo prodotto dei vari settori industriali ;

 ERP, Enterprise Resource Planning, che è una piattaforma unica composta

da applicazioni tra loro interoperabili, fondate su dati condivisi e su un

81 A. K , F. T , Q. Q , A. L , Data – Driven Smart Manufacturing, op. cit., p. 162.

USIAK AO INGLIN IU

82 Information Technology Glossary, 2020, https://www.gartner.com.

83 I .

DEM

84 Information Technology Glossary, 2020, https://www.gartner.com.

49

workflow comune, che copre i principali ambiti operativi aziendali

(contabilità e controllo, gestione della distribuzione, manufacturing,

85

service e gestione fornitori) lungo l’intero ciclo operativo .

La caratteristica principale di questi strumenti è l’operatività stand –

alone, ossia possono funzionare in autonomia, senza obbligo di interfacciarsi con

altri sistemi o di essere inglobate in architetture superiori. Tutto ciò porta spesso a

investimenti mirati su singoli problemi, con esiti di frammentazione e

conse