Intervista

Quali competenze per una modellizzazione dei processi efficace

L’integrazione del know-how delle persone con gli algoritmi è il fattore differenziante alla base dei progetti realizzati da Moxoff in questi anni

11 Mag 2020

Gianluigi Torchiani

La conoscenza derivata dall’analisi dei dati è sicuramente fondamentale ai fini della costruzione di algoritmi di machine learning utili a ottimizzare determinati processi industriali. Allo stesso tempo, però, perché questi algoritmi acquistino ulteriormente valore è cruciale anche il ruolo del fattore umano, ovvero riuscire a fare sinergia con la conoscenza delle persone che hanno a che fare quotidianamente con questi processi. Attraverso questo doppio binario Moxoff, società nata nel 2010 come spin-off del laboratorio di Modellistica e Calcolo Scientifico del Politecnico di Milano e oggi parte del Gruppo Zucchetti, ha saputo realizzare in questi anni oltre 200 progetti di modellistica matematica, a tutto beneficio degli obiettivi del mondo del business. Le reali problematiche di business dei clienti costituiscono il punto di partenza dell’approccio di Moxoff: l’obiettivo è sempre quello di comprendere quali siano le motivazioni e gli obiettivi che le imprese si prefissano quando decidono di avviare un progetto di questo tipo, nonché le aspettative in termini di ritorni dall’investimento. Non è un caso che le prime attività effettuate all’avvio di un progetto siano finalizzate ad approfondire il contesto specifico in cui il cliente opera ed a mappare il know-how presente in azienda, ad esempio legato ai fenomeni fisici alla base dei processi considerati, e le basi dati a disposizione.

L’importanza della modellizzazione

“Questa duplice mappatura, dei dati e del know-how, è un nostro aspetto differenziante e gioca un ruolo fondamentale per il successo dei progetti di Moxoff. Attraverso questo approccio si riesce a valorizzare tutto il patrimonio informativo di un’azienda: i dati digitali veri e propri, che derivano da applicativi e infrastrutture di varia natura, grazie a cui i bytes vengono raccolti, processati e aggregati, ma anche il know-how e l’esperienza dei team aziendali coinvolti. Si tratta cioè di individuare e valorizzare le persone che detengono il patrimonio di conoscenza dei processi formalizzando insieme a loro un modello matematico che descriva questi processi. La costruzione di un modello matematico permette non solo di comprendere meglio il significato dei dati che vengono raccolti e analizzati, ma anche di aumentare la conoscenza stessa del processo rendendola più oggettiva, standardizzata e, di conseguenza, maggiormente condivisa”, spiega Luca Turconi,  Chief Solutions Officer di Moxoff.

Le competenze nella modellistica matematica

Per capire il valore che questo approccio può portare, basta pensare al caso di una linea di produzione industriale. La conoscenza relativamente al funzionamento della linea di produzione è spesso concentrata in poche persone che sanno come configurare al meglio i diversi macchinari o quali contromisure adottare per evitare difettosità o aumentare la produttività. In contesti di questo tipo, la costruzione di modelli matematici ha permesso a Moxoff di realizzare algoritmi capaci di identificare le configurazioni ottimali dei macchinari con l’obiettivo, ad esempio, di ridurre i consumi energetici o migliorare la produttività.
In questo senso Moxoff, oltre a un’elevata competenza in ambito machine learning e data science, utile per processare dati strutturati e non (testi, immagini, video ecc.), si distingue per le sue capacità di modellistica matematica e simulazione, grazie alla presenza nel team di professionisti esperti nell’ingegneria matematica. Queste figure sono in grado di costruire algoritmi di simulazione che permettono di rappresentare il funzionamento di fenomeni fisici e sociali. Concretamente, in ambito industriale, questo significa che per la costruzione del modello matematico non si utilizzano soltanto i dati raccolti dai sensori posizionati nei macchinari, ma si ascoltano anche le indicazioni che arrivano dal personale, così da comprendere più rapidamente i legami esistenti tra i parametri presenti nelle diverse fasi del processo industriale.

Il ruolo del know-how umano

“Per permettere a un algoritmo di machine learning di imparare automaticamente delle relazioni complesse è necessario avere a disposizione tanti dati e uno storico molto profondo. Con la modellistica matematica è invece possibile introdurre una descrizione formale di queste relazioni a partire dalla conoscenza fisica del processo e dalla conoscenza dei clienti. Questo procedimento permette di aumentare la base informativa considerata e consente di operare con successo anche in casi in cui i dataset disponibili siano di piccola dimensione: ad esempio nei casi in cui la raccolta dati sia agli inizi o non sia disponibile un vero e proprio storico. Si pensi, ad esempio, alle applicazioni di manutenzione predittiva in cui non è conveniente o possibile aspettare di raccogliere dati riguardanti tutte le tipologie di failure e rotture che si possono verificare su un macchinario.
La possibilità di far dialogare il know-how umano e i dati che arrivano dalla sensoristica costituisce sicuramente un fattore differenziante di Moxoff. Al contrario, la mancata conoscenza dell’expertise umana è uno dei fattori che porta spesso al mancato raggiungimento degli obiettivi nei progetti di Data Science”, mette in luce Turconi. Tale approccio, inoltre, consente di costruire dei modelli che non siano soltanto delle black box. Ovvero: alcune tipologie di algoritmi possono essere potenti e fornire dei risultati interessanti, ma senza permettere una comprensione approfondita delle motivazioni alla base delle previsioni o dei warning. Al contrario, chi li utilizza per prendere decisioni vuole sempre di più comprendere quali sono i motivi alla base delle indicazioni dei sistemi di machine learning. In questo senso la costruzione di modelli matematici è un fattore differenziante rendendo i risultati maggiormente interpretabili e quindi permettendo di prendere decisioni più consapevoli.

Raccolte dei dati più efficaci

La modellistica matematica assume un aspetto cruciale anche dal punto di vista della gestione dei dati: le competenze di Moxoff, infatti rendono possibile migliorare le politiche di raccolta dei dati, in modo che la raccolta degli stessi possa essere completa e funzionale allo stesso tempo. La modellistica inoltre, consente anche di sopperire alla mancanza di alcuni dati: ad esempio nei casi in cui non è possibile andare a collocare dei sensori, magari perché troppo costoso o troppo complesso. In questi casi è possibile realizzare dei modelli di sensoristica virtuale, che permettono di stimare le quantità che non è possibile misurare direttamente a partire da quelle disponibili. “Si pensi, ad esempio, alla realizzazione di un prodotto IoT in cui, per motivi di costo o di manutenzione, è necessario ridurre il più possibile il numero di sensori presenti dovendo però garantire una base informativa necessaria per l’erogazione dei servizi connessi. Costruendo un modello matematico del prodotto capace di descrivere i processi fisici fondamentali alla base del suo funzionamento, un vero e proprio digital-twin, è possibile da un lato ridurre il numero di sensori necessari e dall’altro garantire un maggior numero di servizi”, puntualizza il Data scientist.

Il modello di business di Moxoff 

Moxoff realizza progetti con grandi aziende e con piccole e medie imprese riuscendo a portare innovazione in contesti e settori differenti. Attraverso progetti su misura, Moxoff accompagna clienti e partner in un percorso di realizzazione end-to-end: dalla nascita dell’idea al rilascio in produzione. Sulla base delle esigenze specifiche Moxoff costruisce progetti di sviluppo che attraverso un approccio agile ed uno sviluppo incrementale permettono di raggiungere gli obiettivi di business prefissati. Al termine dei progetti è inoltre possibile attivare servizi di formazione del personale e di assistenza e manutenzione per la gestione ed il controllo dei sistemi realizzati. Questo nasce dalla consapevolezza che l’adozione di tecnologie innovative, per essere vincente, deve essere accompagnata anche da un cambiamento “culturale”.
Grazie alla matematica e alla sua capacità di combinare know-how e dati, Moxoff è stato in grado di fornire un vantaggio competitivo ai propri clienti, affiancandoli nella costruzione di nuovi servizi e prodotti o nell’ottimizzazione dei processi aziendali.

@RIPRODUZIONE RISERVATA
Argomenti trattati

Personaggi

L
Luca Turconi

Aziende

M
Moxoff
Z
Zucchetti

Approfondimenti

D
data science
M
machine learning

Articolo 1 di 5