L’AI Summit di Parigi ha messo in evidenza la necessità di grandi investimenti e di una gestione calcolata dei rischi per favorire uno sviluppo dell’AI capace di portare risultati reali per le aziende e la società. Infatti, l’evento rappresenta un’opportunità per i leader del settore manifatturiero di riflettere maggiormente sulla propria strategia di investimento in AI, anche di fronte a tempi difficili, domanda fluttuante e incertezze geopolitiche. In questo quadro e nelle prospettive future, li middle management giocherà un ruolo decisivo.
L’EU AI Champions Initiative
L‘iniziativa EU AI Champions, presentata durante il Summit, sarà sostenuta da una serie di aziende e da impegni di investimento per un totale di 150 miliardi di euro, a cui si aggiungono 50 miliardi di euro stanziati dall’UE per lo sviluppo dell’AI in Europa. Nel frattempo, la Francia ha ottenuto investimenti per 109 miliardi di euro a supporto del suo ecosistema AI, mentre il Regno Unito ha annunciato un nuovo piano di crescita per l’AI, con 14 miliardi di sterline e la creazione di oltre 13.000 nuovi posti di lavoro da parte di aziende tecnologiche, che si aggiungono all’investimento di 25 miliardi di sterline già annunciato in precedenza.
Il dilemma dei dati per i produttori
La Presidente della Commissione Europea, Ursula von der Leyen, ha dichiarato: “L’intelligenza artificiale europea si concentra sull’adozione dell’AI in applicazioni complesse, utilizzando i nostri dati industriali e manifatturieri unici, oltre al nostro know-how”. Questo è particolarmente vero per i settori che necessitano requisiti di conformità rigorosi, come quello farmaceutico, automobilistico e alimentare, per cui sono richieste soluzioni di AI più avanzate, tra cui deep learning e software di scansione 3D.
Queste ambizioni legate all’AI sono strettamente connesse alla necessità di dati di alto valore e di buona qualità, come quelli generati nei diversi processi del settore manifatturiero. “Le aziende potranno collaborare e condividere i loro dati. Stiamo creando uno spazio sicuro per loro… perché l’AI ha bisogno di competizione ma anche di collaborazione”, ha dichiarato la Presidente von der Leyen. Inoltre, una lettera firmata da fondatori e CEO ha sottolineato l’importanza di rendere disponibili set di dati di alto valore in modalità pubblica, garantendo al contempo sicurezza e protezione della privacy. Parallelamente, il Primo Ministro del Regno Unito ha proposto la creazione di una libreria nazionale dei dati, accessibile a ricercatori, organizzazioni non profit e altri soggetti interessati.
La considerevole sfida dei produttori
Questo evidenzia la sfida che i produttori devono affrontare all’interno delle proprie aziende. Una recente ricerca di Zebra Technologies ha rilevato che quasi il 20% dei leader in machine vision nel settore automobilistico in Germania e nel Regno Unito ritiene che le proprie soluzioni di AI per la machine vision potrebbero funzionare meglio o offrire prestazioni superiori. Per consentire alle soluzioni di intelligenza artificiale di esprimere tutto il loro potenziale, è fondamentale affrontare la questione dei dati.
L’enorme volume di dati generato ai margini delle attività aziendali può essere trasformato in valore. Questi dati, infatti, possono essere utilizzati per addestrare e il testare di modelli di AI o fungere da feedback per ottimizzare i processi di produzione e ispezione. Una volta che i dati e l’AI vengono integrati, il percorso verso l’automazione dei processi diventa realtà grazie a telecamere intelligenti, sensori e robotica guidata dalla visione artificiale. Questo consente di liberare gli operatori in prima linea da attività a basso valore e in favore di ruoli aziendali focalizzati sulla crescita.
Tuttavia, gli impianti di produzione e le diverse regioni spesso operano in silos, con una condivisione dei dati limitata, anche quando le attività sono identiche o simili. L’esperienza e il tempo a disposizione possono variare tra i vari team e siti produttivi, creando una frammentazione che rende difficile garantire la qualità dei dati, a cui si aggiunge la difficoltà di assumere i talenti con le competenze ed esperienze adeguate.
I dati devono essere archiviati, annotati e utilizzati per l’addestramento dei modelli in modo coerente, insieme ad altri set necessari per il testing dei modelli. Lasciare i dati aziendali isolati limita il potenziale dell’AI, ostacolando l’addestramento dei modelli.
Come raggiungere l’obiettivo?
Come possono le aziende del settore manifatturiero raggiungere questo obiettivo se non riescono a sfruttare tutti i dati a loro disposizione tra siti di produzione, paesi e regioni? Quanto potenziale di crescita e produttività della forza lavoro viene persa a causa di queste ragioni? Le preoccupazioni nei confronti del cloud, dovuta alla privacy, alla sicurezza e alla proprietà intellettuale, deve essere superata. Una soluzione basata sul cloud consentirebbe agli utenti di caricare e gestire i dati provenienti da più sedi di produzione in diversi siti, paesi e regioni in modo sicuro, offrendo scalabilità e accessibilità alla potenza di calcolo.
Esistono diverse soluzioni per migliorare l’efficacia dell’intelligenza artificiale, indipendentemente dal caso d’uso. Le aziende possono contare su software , telecamere e sensori progettati per numerose attività, tra cui l’ispezione di batterie elettriche e semiconduttori, la selezione di alimenti freschi, la verifica della conformità e della qualità degli imballaggi, la lettura di numeri di serie e caratteri, nonché il rilevamento di difetti su componenti automobilistiche e prodotti finiti.
Tuttavia, per ottenere il massimo dall’AI, non basta che funzioni meglio o offra prestazioni superiori: i suoi risultati devono essere misurabili in tempistiche adeguate, metriche di ritorno sull’investimento e dati di qualità. Oltre alla trasformazione nella gestione dei dati, l’automazione intelligente e una maggiore visibilità sugli asset e sull’inventario richiedono implementazioni appropriate, formazione del personale e adeguamenti operativi, processi che richiedono tempo. Tuttavia, esistono soluzioni AI basate su un approccio low-code o no-code, pronte all’uso e capaci di offrire un ritorno sull’investimento più rapido, accelerando l’adozione e l’impatto sulle operazioni aziendali.
L’importanza del middle management
Chi può guidare l’adozione dell’AI all’interno delle aziende manifatturiere? Una recente ricerca di McKinsey ha evidenziato che molti millennial di età compresa tra i 35 e i 44 anni ricoprono ruoli manageriale e team leader nelle loro aziende, facendo parte del middle management. Questi professionisti si trovano in prima linea nel business, attraversano quotidianamente i reparti produttivi e fungono da ponte tra la forza lavoro operativa e il senior management. I middle manager dichiarano di avere la maggiore esperienza e il maggiore entusiasmo riguardo all’AI, con il 62% dei dipendenti tra i 35 e i 44 anni che riporta livelli elevati di competenza in questo ambito.
Una ulteriore ricerca ha rilevato che solo il 30% dei leader aziendali (CEO, presidenti, altri dirigenti C-suite, vicepresidenti senior e vicepresidenti esecutivi) investe in risorse per le iniziative di crescita nelle attività di business principali, adiacenti o nuove durante i periodi di volatilità. Inoltre, solo il 29% ha dichiarato di investire il 30% o più del proprio tempo in iniziative di crescita a lungo termine.
I middle manager rappresentano un bacino di talenti chiave che i senior leader dovrebbero valorizzare per rispondere a domande cruciali quali la modalità di integrazione dell’AI, machine vision e deep learning, che possono guidare la crescita a lungo termine, aumentare la produttività, automatizzare i processi e a migliorare la qualità. Nonostante la reazione iniziale a ridurre e sospendere i progetti in tempi difficili, questo potrebbe essere il momento giusto per ripensare al ruolo del middle management quando si tratta di dare priorità alla crescita e di adottare un approccio audace nell’uso di AI e machine vision.
Rudolf Schambeck, Manager, Machine Vision, Zebra Technologies
