1. Introduzione
Una moderna impresa industriale genera un'enorme quantità di informazioni sulle condizioni delle apparecchiature, che si presentano sotto forma di applicazioni tecniche. Nei sistemi MRO (Maintenance, Repair, and Operations), l'efficienza dell'elaborazione di questi dati dipende in modo critico dalla velocità e dall'accuratezza della classificazione. La tradizionale elaborazione manuale delle domande da parte degli spedizionieri causa ritardi, errori di instradamento e ridotta disponibilità delle apparecchiature. L'automazione della classificazione utilizzando tecniche di elaborazione del linguaggio naturale (NLP) risolve questo problema trasformando testi non strutturati in dati strutturati per i sistemi ERP.
2. Come funziona
Gli algoritmi NLP analizzano la descrizione testuale del guasto fornita dall'operatore o dal sistema di monitoraggio. Il processo principale include:
- Tokenizzazione: divisione del testo in singole parole o simboli.
- Incorporamento: trasformare le parole in rappresentazioni vettoriali in cui parole con significato simile sono vicine nello spazio multidimensionale.
- Classificazione: utilizzando modelli di tipo Transformer (es. DeBERTa) che stimano la probabilità che un'applicazione appartenga ad una determinata categoria (es. "elettrico", "idraulico", "meccanico").
Il modello apprende dai dati storici, rivelando modelli che non possono essere compresi dagli esseri umani con grandi volumi di dati.
3. Requisiti dei dati
Per costruire un sistema di classificazione affidabile sono necessarie le seguenti condizioni:
- Qualità dei dati: Disponibilità di un archivio storico delle domande (minimo 10.000 - 50.000 record) già classificate da specialisti.
- Pulizia: rimozione di rifiuti tecnici, duplicati ed errori di ortografia.
- Formato: i dati devono essere in un formato leggibile dalla macchina (SQL, CSV) con un'etichettatura chiara delle categorie.
4. Architettura di implementazione
Il sistema funziona secondo il seguente schema:
- Fonte: osTicket o altro sistema di contabilità dell'applicazione.
- Preprocessore: servizio (Worker V8) che esegue la pulizia del testo e l'interrogazione del modello AI.
- Inferenza: il modello classifica il testo e restituisce un tag di categoria con un livello di confidenza.
- Azione: il risultato viene scritto in un database SQL (ad esempio ERP Unitec), che attiva automaticamente il flusso di lavoro corrispondente.
5. Risultati pratici
L'implementazione della classificazione automatizzata dimostra i seguenti indicatori:
| Indice | Il risultato |
|---|---|
| Tempo per la classificazione primaria | Riduzione del 40-60%. |
| Precisione della classificazione | 85-95% |
| Ritorno sull'investimento (ROI) | 6-12 mesi |
Ad esempio, in un'impresa di medie dimensioni, l'implementazione di un tale sistema ha consentito di ridurre l'MTTR (tempo medio di ripristino) del 15% grazie all'instradamento istantaneo delle applicazioni a specialisti specializzati.
6. Limitazioni e rischi
L’intelligenza artificiale non è uno strumento valido per tutti. Principali rischi:
- Errori con nuovi tipi di errori: se il modello non ha visto casi simili durante l'addestramento, potrebbe commettere errori.
- Drift dei dati: il cambiamento della terminologia o dei processi tecnici nello stabilimento richiede una riqualificazione regolare del modello.
- Fattore umano: la necessità di un meccanismo "human-in-the-loop" per verificare le applicazioni con bassa sicurezza dell'intelligenza artificiale.
7. Acquisto di una soluzione già pronta o sviluppo proprio
Sviluppo interno: utile se disponi di una terminologia specifica e di un tuo team di sviluppatori. Fornisce il controllo completo sui dati.
Soluzioni commerciali: adatte per un avvio rapido. Vantaggio nel supporto e integratori pronti per i più diffusi ERP.
8. Primi passi
Piano consigliato per il team di ingegneri:
- Condurre un audit delle applicazioni storiche degli ultimi 2 anni.
- Seleziona un impianto pilota o un tipo di attrezzatura di prova.
- Fornire l'accesso al database per l'analisi (è vietata la scrittura sui server PROD).
- Sviluppare un meccanismo per la verifica dei tag automatici da parte degli ingegneri.
9. Riepilogo
Automatizzare la classificazione delle applicazioni è un primo ma fondamentale passo verso l’Industria 4.0. Ciò consente agli ingegneri di concentrare i propri sforzi sulla risoluzione dei problemi tecnici, piuttosto che sulla burocrazia. Utilizza il catalogo elettronico UNITEC-D per una manutenzione efficiente delle apparecchiature e la selezione dei pezzi di ricambio.
10. Collegamenti
- ISO 55001:2014 – Gestione patrimoniale. Sistemi di gestione. Requisiti.
- DIN 31051:2012 – Fondamenti di manutenzione.
- Documentazione sui principi di progettazione dei sistemi NLP (secondo gli standard di sviluppo software del settore).
