Piattaforma IA & Machine Learning

No. I modelli arrivano già pronti per i casi d’uso manifatturieri e vengono calibrati dagli esperti MSF sui vostri dati.

On-premise o in un cloud privato, a vostra scelta. I vostri dati di produzione non addestrano mai i modelli di altre aziende.

I dati del MES sono la base; ogni modulo aggiuntivo (APS, Quality, Maintenance) sblocca nuovi casi d’uso per l’IA.

A contare è il numero di esempi etichettati per classe, più dei mesi trascorsi. Un modello sullo scarto impara dai difetti, quindi una linea con pochi scarti può girare a lungo senza produrre abbastanza casi della classe minoritaria, mentre un modello di previsione della domanda vuole diversi cicli stagionali completi. Lo storico più vecchio vale solo se poggia sulla stessa anagrafica articoli e sulla stessa struttura di stabilimento che prevedete oggi, quindi individuate prima l’ultima migrazione ERP o l’ultima ricodifica dei codici articolo. Una serie breve e pulita vale più di una serie lunga cucita sopra una ricodifica.

Non la parte supervisionata. La qualità predittiva ha bisogno dei parametri di processo da un lato e di un’etichetta di esito reale dall’altro, e una causale di scarto generica su gran parte delle registrazioni non insegna nulla. Sistemate prima la codifica in MES. Poi misurate l'avanzamento in difetti codificati correttamente per causale di scarto, anziché in settimane passate. Nel frattempo il rilevamento anomalie con LSTM è non supervisionato e non richiede etichette, quindi potete partire da lì, tenendo presente che segnala un comportamento anomalo e non un difetto con un nome.

No. I modelli di ottimizzazione dei parametri producono raccomandazioni che finiscono davanti a una persona, su un pannello, in un report o come proposta di schedulazione nell’APS, e scrivere qualcosa verso il controllore macchina è un’integrazione a parte che si definisce in modo deliberato. Se più avanti volete davvero setpoint in anello chiuso, trattatelo come un progetto di controllo con il suo change management, e mai come sostituto degli interblocchi di sicurezza cablati.

Mettete a budget un responsabile di processo o un tecnico qualità con uno slot di revisione fisso; la calibrazione e il riaddestramento li fa MSF, ma il risultato ha bisogno di un owner da parte vostra. Il lavoro ricorrente consiste nel verificare che le previsioni seguano ancora la realtà, nel segnalare quando un nuovo prodotto, un cambio attrezzatura o una macchina revisionata hanno spostato il processo, e nel tenere pulite le causali di scarto e di fermo. Richiede meno di un lavoro a tempo pieno, ma ha comunque un costo.

L’accuratezza cala, e cala in silenzio. Il modello ha imparato la vostra fabbrica com’era, quindi un materiale nuovo, una macchina ricostruita o un tempo ciclo modificato rendono irrilevante una parte del suo storico mentre l’output continua a sembrare attendibile. Comunicateci in anticipo le modifiche di processo pianificate e fissate nel progetto quali modelli avranno un confronto tra previsto e consuntivo, chi lo legge e con che frequenza. Non date per scontato che il monitoraggio del drift sia attivo di default su ogni modello.

Una misura abbastanza granulare da identificare i singoli utilizzatori, il vostro calendario tariffario reale e uno schedulatore a cui l’ottimizzatore possa passare un piano; un solo contatore all’ingresso dello stabilimento vi dice il totale e niente su quale lavorazione spostare. L’ottimizzatore pianifica rispetto alle fasce di prezzo dell’energia, misurate in kWh. Restare sotto il picco di potenza impegnata è un lavoro diverso, che richiede misura a intervalli e la capacità di trattenere o staccare un carico nell’istante giusto, quindi va previsto separatamente.

Non esiste un unico numero di accuratezza. Il modello produce uno score, e il punto in cui fissate la soglia di allarme determina insieme la quota di difetti intercettati e la quota di falsi allarmi, misurate su pezzi che il modello non ha mai visto; scegliere quel punto è una decisione di business su quanto costa fermare un pezzo buono rispetto a spedirne uno difettoso. Correlazione e feature importance sono diagnostiche a livello di modello, utili per scoprire una scorciatoia ma inutili per giudicare una singola segnalazione. Fate girare il sistema in modalità shadow finché non si accumulano abbastanza difetti reali da permettere il confronto.