Gli AI Agents, gli "Agenti di intelligenza artificiale, sono strumenti di supporto ai processi aziendali. Grazie a modelli digitali probabilistici e adattativi, forniscono istruzioni e suggerimenti per aumentare la produttività.
Con gli Agenti, le imprese possono avere benefici lungo l’intera catena produttiva: ottimizzazione, aumento della qualità, anticipazione dei guasti e riduzione dei fermi macchina, prevenzione dei rischi e aumento della sicurezza; previsione più accurata della domanda fino a un impatto sulle decisioni strategiche, con un’analisi avanzata dei dati in chiave predittiva.
Le differenze tra AI Agents e GenAI
Gli Agenti AI possono essere considerati un'evoluzione della GenAI (Intelligenza artificiale generativa). Sono proattivi e non solo reattivi, prendono decisioni oltre a creare nuovi contenuti e gestiscono task multipli.
Rendono flessibile l’automazione grazie a un’analisi evoluta dei dati. Efficientano i flussi documentali con interventi su dati destrutturati e valorizzano il knowledge management con soluzioni innovative (Intervistatori AI). Gli assistenti virtuali, o copiloti, sono un esempio di AI agentica.
La Demo Experience “AI Agents: strumenti per la produttività” organizzata da MADE Competence Center Industria 4.0 lo scorso 28 ottobre ha presentato cinque casi sviluppati da aizoOn Technology & Consulting, Gea, Sharazad e AISent.
Un sistema di controllo delle macchine con modello adattativo
Grazie a modelli digitali probabilistici e adattativi, la flessibilità entra sulle linee automatiche di produzione. Gli operatori possono ricevere istruzioni e suggerimenti per ottimizzare i processi, come allungare il ciclo di vita di un macchinario, grazie alle strategie messe a punto da un Agente AI.
Il caso industriale presentato da aizoOn Technology & Consulting riguarda il sistema di controllo di una macchina segatrice a lame circolari, applicata su lingotti di acciaio in un’azienda siderurgica.
L’obiettivo era quello di massimizzare la vita utile delle lame, allungando i tempi di usura dei denti e i tempi di vita della macchina stessa, senza affidarsi all’orecchio dell’operatore per la regolazione dei carichi e della velocità. I
l sistema di controllo automatico si adatta al tipo di lavorazione e allo stato dell’usura, in modo da massimizzare la vita dell’utensile. L’Agente AI stabilisce di volta in volta un range di carico rotazionale cui attenersi. L'obiettivo è di non incorrere in rotture della lama e guasto improvviso della macchina.
Grazie al machine learning implementato (detto di “Reinforcement Learning”) l’Agente AI è in grado di compiere azioni ottimizzate in base allo stato del sistema, raccolto dai sensori di campo, con un aumento di vita utile delle lame del 9%.
I vantaggi dell’AI Agent nella gestione documentale
A differenza dell’automazione di processo che si basa su regole definite e deterministiche, ideale per flussi standardizzati, l’Agentic Process Automation consente analisi di contesto, sintesi, adattamento e apprendimento, grazie allo sviluppo di un modello digitale con relativi algoritmi. L’AI Agent non è sostitutivo dell’uomo, ma lo assiste e ne aumenta la produttività. Può essere utile per digitalizzare un processo basato su interazioni non standardizzate e destrutturate.
La Divisione Digital della società di consulenza Gea ha presentato un caso in cui il software, basato su AI, analizza documenti da sorgenti eterogenee. Verifica inoltre la conformità e la coerenza degli stessi, segnalando eventuali difformità all’operatore che ne resta responsabile.
Con questo AI Agent è stato risolto un problema di gestione documentale, con clienti e fornitori, per un’azienda media di servizi finanziari, che gestisce un’elevata quantità di dati per poche commesse personalizzate, con variabilità negli interlocutori e nelle sorgenti documentali, non gestibili in modo standard e con continue verifiche manuali. L’AI Agent è stato la soluzione adatta per ridurre i tempi di evasione delle pratiche e i costi di risorse umane impiegate, senza dover intervenire sui processi.
Un’altra applicazione sviluppata da Gea riguarda la gestione dei documenti tecnici che accompagnano le prove di laboratorio per lo sviluppo di nuovi prodotti o loro revisioni, in una media azienda che produce elettrodomestici.
Test e raccolta dati erano già informatizzati e strutturati, ma in modo deterministico, senza possibilità di selezionare di volta in volta i test necessari, a seconda dell’obiettivo (per esempio revisione di un modello, o nuovo prodotto). Anche i risultati dei test venivano trasmessi al software senza alcuna selezione. Ora l’AI Agent introduce elementi di flessibilità, con una logica adattativa che inferisce di volta in volta le prove necessarie a seconda dell’obiettivo, nonché i dati che servono alla costruzione del dossier, con risparmi di tempo e di occupazione delle stazioni di prova.
L'AI Agent che raccoglie la conoscenza tacita
L’AI agentica può essere estesa alla raccolta di conoscenza tacita, non sistematizzata in azienda. Intervistatori AI, progettati in base all’obiettivo (analisi delle competenze, sentiment analysis, ricerca dei need e delle cause di un fenomeno), possono essere di grande aiuto per raccogliere informazioni complete e preziose, senza bias né distrazioni.
Tacita è la piattaforma digitale sviluppata dalla società di innovazione tecnologica Sharazad Consulting. Raccoglie e analizza le informazioni richieste attraverso una rete di Agenti AI replicabili, scalabili, coerenti e documentati.
Questi Agenti interagiscono simultaneamente con più intervistati con linguaggio naturale (LLM, Large Language Model), con grande risparmio di risorse. Per l’efficacia della soluzione occorrono un corretto design dell’intervistatore cognitivo e la creazione di un rapporto di fiducia con l’intervistato.
Ci vuole orecchio: come digitalizzare il saper fare dell’operatore esperto
Come codificare il saper fare di operatori esperti pronti alla pensione? Come intercettare e creare valore da tutti quei segnali deboli che sfuggono a dati, inferenze e modelli digitali?
La società AISent ha sviluppato la soluzione Meti che, a seguito di interviste con l’operatore esperto, traduce in grafi matematici il ragionamento con cui risale alle cause di un’anomalia o di un guasto.
Viene così codificata la sua mappa di ragionamento. Con algoritmi causali basati su reti bayesiane, ogni volta che si presenta un problema, il sistema pone all’operatore junior domande chiuse e deterministiche per risalire alla causa, in base alla probabilità associata alla risposta. Il sistema si alimenta dal campo e, via via che si arricchisce di casi reali, si affina il calcolo delle probabilità.
Il caso presentato riguarda la manutenzione di macchinari farmaceutici realizzati da Masco Group. L’azienda vende con la macchina un chatbot, che ha incorporato l’esperienza dell’operatore e che pone domande all’operatore in caso di problemi. In questo modo si rende autonomo il cliente nella gestione del problema. Si liberano risorse in azienda e si vendono servizi, introducendo il modello di servitizzazione.