L’Iot consiste in un sistema formato da dispositivi informatici univoci e interconnessi, capaci di scambiare dati attraverso la rete in maniera autonoma, sfruttando un protocollo di comunicazione. Quando ci si riferisce all’Internet of Things (IoT), infatti, si pensa all’acquisizione di informazioni ambientali e contestuali. Che sia in ambito industriale (Industrial IoT) oppure in ambito sociale e quotidiano (Smart City, Smart Energy) in ogni caso il punto di partenza per questi sistemi sono i dati raccolti, e il fatto che negli ultimi anni i sistemi IoT siano sempre più diffusi sta facendo emergere con forza la necessità di capire non solo come organizzare i dati in forme architetturali adatte alle crescenti moli, ma soprattutto come sfruttarli per ottenere un vantaggio competitivo.
È importante a questo punto chiedersi come fare per trasformare questi dati in informazioni ed in valore, come mostrarli agli utenti in modo che emerga un vantaggio per il loro lavoro o la loro vita quotidiana.
La risposta a questa esigenza sta nell’analisi IoT, ovvero quella serie di operazioni di trasformazione ed analisi dei dati raccolti alla scoperta del loro significato nascosto e di tutte quelle relazioni ed informazioni utili a supportare ed automatizzare i processi decisionali, generando così un effettivo valore per il business.
Analisi IoT: ambiti applicativi e proposte analitiche
Grazie alla diffusione così prorompente dell’IoT negli ultimi anni, oggi le aziende hanno tanti dati a disposizione. Questo è il primo passo per pianificare un’attività analitica. Chiaramente ogni azienda ha necessità differenti legate al proprio contesto, al mercato di riferimento, alla propria dimensione, al tipo di prodotti o servizi che offrono, per cui è difficile tracciare un’unica via da seguire che vada bene per tutti. Possiamo però individuare alcuni contesti applicativi tra i più diffusi ed adattabili a diversi ambiti aziendali e settori, e per ognuno possiamo definire quali sono le relative proposte analitiche che vengono applicate.
IoT per il Monitoring Real Time
Il monitoring è una delle attività alla base dell’IoT. Può essere declinato in varie forme dal monitoraggio energetico a quello produttivo. Il monitoring energetico risponde ad una necessità che possiamo considerare trasversale a tutti i settori e per le aziende di ogni dimensione: non si tratta solamente di monitorare i consumi per ricercare un risparmio in bolletta, ma anche in ottica green, per ottimizzare le risorse e per adempiere alle normative anche rispetto all’industry 4.0. Il monitoring produttivo è, invece, più vicino al settore manifatturiero, ma non esclude aziende degli altri settori: il monitoraggio del ciclo produttivo è strettamente collegato all’usura dei macchinari e delle componenti, all’uso ottimizzato delle risorse ed è in questo senso il primo passo verso una strategia di manutenzione dei macchinari efficiente.
In questo ambito componenti analitiche e tool di monitoring possono diventare un valido supporto in quanto permettono di evidenziare eventi atipici, soglie di warning e di fault che è bene osservare per tenere sotto controllo la situazione energetica o produttiva. È ovvio che non tutte le situazioni atipiche necessitano di un intervento di manutenzione o di un fermo macchina, in certi casi si tratta soltanto di comportamenti “strani”, ma attesi. Per questo spesso la componente umana viene affiancata all’automazione industriale.
IoT per la manutenzione predittiva
Le operazioni di manutenzione sono a livello industriale una delle voci di spesa più onerose, e non possono essere lasciate al caso perché, in alcuni contesti specialmente, il costo di un fermo macchina non preventivato è alto e assolutamente da evitare. In ambito industriale esistono diversi tipi di manutenzione, di sicuro quella che si rivela più efficiente è la manutenzione predittiva. Riassunta in poche parole, la manutenzione predittiva si basa su metodologie analitiche per prevedere il momento in cui un’apparecchiatura potrebbe guastarsi, in modo che possano essere eseguiti tutti e soli i lavori di manutenzione necessari e in tempo utile per evitare il fermo macchina. Per farlo si monitorano le condizioni del macchinario e delle componenti e si riconducono ad un modello analitico relativo a cicli produttivi storici di cui si conosce l’esito: quando ci si accorge che la situazione si discosta da quella ottimale, e quindi prevediamo in breve tempo una rottura o un fault, il sistema reagisce avvisando chi di dovere o con operazioni automatizzate.
L’analisi IoT in questo senso consta di modelli predittivi del comportamento del macchinario, quindi ad esempio possono essere applicati modelli per Time Series oppure modelli di regressione, in generale si opta quindi per un apprendimento automatico supervisionato caratterizzato dal fatto di poter “confrontare” il comportamento real time con comportamenti storici di cui si conosce l’esito.
Esempi pratici di manutenzione predittiva possiamo ritrovarli non solo nel settore manifatturiero, ma anche in tutte le situazioni in cui è necessaria una strategia di manutenzione efficiente ed efficace, ad esempio in ambito trasporti per la manutenzione dei veicoli, oppure per gli impianti di condizionamento e riscaldamento, o ancora nel settore estrattivo o ferroviario.
Gestione magazzini, distribuzione e pianificazione della produzione
Un altro aspetto importante per alcuni settori è la gestione dei magazzini, della logistica di distribuzione e della produzione. Si tratta di materie di studio specifiche, ma dal punto di vista analitico sono strettamente connesse e quindi spesso analizzate in modo parallelo: la previsione della domanda è sicuramente lo step da cui iniziare. La pianificazione della produzione infatti deve essere fatta tenendo presente la richiesta del mercato così da poterla soddisfare, ma d’altra parte produrre più di quanto sia gestibile dal sistema di distribuzione e dal magazzino provocherà una serie di scarti e prodotti non gestibili che a livello economico rappresentano uno spreco importante. Ciò vale soprattutto per i beni di consumo, ad esempio per il settore GDO o farmaceutico.
L’IoT e l’analisi dati collegata in questo senso possono essere un buon supporto per ognuna delle fasi, a partire dalla gestione del magazzino con i magazzini intelligenti, quindi gestione degli spazi con etichette RFID sui prodotti e sensori distribuiti per gestire la sicurezza del personale e del magazzino registrando gli spostamenti dei prodotti e le attività dei magazzinieri. La logistica di distribuzione rappresenta poi una materia importante in ambito IoT: si tratta infatti non solo dell’ottimizzazione delle consegne e dei percorsi, ma anche del monitoraggio dei mezzi in corsa e delle relative operazioni di manutenzione, attività possibile grazie alla presenza di sensori IoT posizionati sui mezzi per il controllo della loro telemetria e del loro stato di servizio. Nella distribuzione inoltre gli algoritmi di Machine Learning offrono ottime funzionalità previsionali, consentono di valutare l’effetto combinato di una molteplicità di fattori considerando le specificità di ciascun settore.
Controllo qualità
Il monitoraggio produttivo si traduce non solo in un migliore uso delle risorse e dei macchinari, ma si riflette anche sulla qualità dei prodotti finali: quando le componenti dei macchinari sono in buone condizioni, le materie prime reagiscono alle trasformazioni come ci si aspetta ed i tempi di produzione sono in linea con le previsioni, allora è lecito ipotizzare che anche il prodotto finito non abbia difetti e sia di buona qualità. A questo si può aggiungere il fatto che spesso i prodotti stessi vengono passati a linee specifiche per il controllo qualità, operazione che spesso, sia per un discorso legato alla quantità di prodotti da controllare, sia per le dimensioni e il tipo di prodotto (molto piccoli, molto grandi o pericolosi da maneggiare), non passano sotto l’occhio di operatori fisici, ma vengono analizzati da sistemi IoT composti da una serie di sensori pensati per analizzarne le caratteristiche fisiche. Il controllo della qualità in ambito manifatturiero è destinato a cambiare radicalmente con l’uso delle analisi IoT perché, grazie al Macchine Learning, si potrà riuscire a prevedere, sin dalle fasi produttive iniziali la qualità effettiva del prodotto finale e intervenire per apportare le eventuali correzioni ed ottenere il risultato ricercato.
Ottimizzazione delle condizioni lavorative
Il monitoraggio del contesto lavorativo è utile non solo per l’ottimizzazione dei processi e delle spese, ma anche per monitorare e migliorare le condizioni lavorative: ad esempio tenere la temperatura di alcuni ambienti sotto controllo, oppure valutare il grado di esposizione ad agenti inquinanti rappresenta un modo per monitorare le condizioni di lavoro. In casi come questi gestire meglio gli ambienti, programmare diversamente i turni o prevedere attrezzature specifiche è un modo poco impattante di offrire ai propri dipendenti migliori condizioni lavorative con le conseguenze ben conosciute: “lavorare bene significa anche vivere bene” (cit. San Tommaso d’Aquino) e a livello aziendale ciò comporta anche una maggiore soddisfazione del lavoratore e una migliore produttività.
Passando dal piano strettamente industriale a quello più legato alla vita quotidiana possiamo individuare diverse situazioni in cui la presenza di sistemi IoT analitici migliora la qualità di vita offrendo ai cittadini servizi migliori:
Dispositivi indossabili e assistenza sanitaria
Anche se le prime applicazioni dei dispositivi indossabili, come gli smartwatch, sono nati con una prospettiva meno ambiziosa, non è passato molto tempo da quando gli stessi sono stati riadattati a situazioni sanitarie particolari e pericolose: smartwatch e contapassi, ad esempio, possono essere collegati a sistemi per la raccolta e il monitoraggio della frequenza cardiaca e dei movimenti del corpo, utile in caso di problemi cardiaci, disabilità o per persone anziane che grazie a questi sistemi IoT possono rimanere in costante monitoraggio da parte delle strutture sanitarie: aumentare la consapevolezza delle condizioni di salute e fitness può aiutare una diagnosi precoce di alcune malattie.
Nell’ambito sanitario sono molti i dispositivi IoT utilizzati a scopi simili, ad esempio apparecchi Bluetooth acustici, dispositivi per il monitoraggio di malattie metaboliche, pressione cardiaca e sanguigna, e controllo da remoto degli stessi sistemi che possono chiamare aiuto. Tutto ciò ha contribuito in larga misura a migliorare l’assistenza sanitaria.
Alla base di sistemi di questo tipo ci sono non solo meccanismi analitici per il monitoring, ma anche previsionali ed analisi descrittive (es. clustering) per ricondurre la situazione attuale della persona a situazioni storiche per aiutare una diagnosi precoce o, quando serve, chiamare aiuto.
Casa intelligente e smart city
Il tema delle smart city e delle smart building è sicuramente molto ampio. Ricondurlo alle analisi IoT significa individuare gli aspetti che grazie all’analisi vengono migliorati, parliamo ad esempio per le smart building dei sistemi di sicurezza a cui si può accedere e controllare da remoto, gli elettrodomestici che si possono monitorare a distanza. In questo caso oltre ad una questione di “semplice” monitoraggio possiamo affiancare modelli analitici descrittivi e predittivi per individuare il momento migliore della giornata in cui avviare un elettrodomestico, oppure gestire eventuali effrazioni distinguendo, ad esempio con un sistema di riconoscimento biometrico, se si tratta di un familiare che ha semplicemente dimenticato di staccare l’allarme oppure se è una vera effrazione. Per le Smart City poi gli aspetti da considerare sono ancora maggiori, ad esempio relativamente alla sostenibilità, gestione dei consumi, ottimizzazione logistica dei mezzi pubblici, monitoraggio dell’inquinamento, etc.. Anche in questo caso l’analisi dati viene in aiuto individuando le situazioni di warning o di pericolo e permettendo alle amministrazioni di gestirle in modo tempestivo.
Categoria: INTELLIGENZA ARTIFICIALE
Apprendimento supervisionato: come funziona ed esempi pratici
Il machine learning è una tecnica ombrello che comprende al momento oltre 100 algoritmi riconosciuti dalla comunità scientifica, ognuno caratterizzato… Leggi tutto
Intelligenza artificiale e machine learning: differenze e utilizzi
Intelligenza artificiale (AI) e machine learning (ML) sono spesso trattate in maniera intercambiale, come fossero dei sinonimi tecnologici. In realtà,… Leggi tutto
Algoritmi di machine learning: come funzionano e quali sono
Il machine learning, o apprendimento automatico, è il subset dell’intelligenza artificiale in cui vengono utilizzati algoritmi per apprendere dai dati… Leggi tutto