AS5_2025

Automazione e Strumentazione Giugno-Luglio 2025 Tecnica 87 CONTROLLO e la sfida attuale consiste nell’integrare l’IA nei processi di controllo, superando i limiti delle architetture nate con la logica dell’Industry 4.0. Mentre in passato i controlli PID (Proporzionali- Integrali-Derivativi), tarati manualmente, gesti- vano le variazioni in tempo reale, oggi la presenza di un livello cognitivo sopra lo standard ISA-95 (i.e. architettura di integrazione tra sistemi azien- dali e di controllo) abilita funzionalità avanzate, quali: previsione, ottimizzazione dinamica e invio diretto di comandi ai PLC (Programma- ble Logic Controllers). Le evidenze sul campo, da Yokogawa a General Motors, Pirelli e Bosch, dimostrano che l’IA può migliorare consumi, effi- cienza e manutenzione predittiva. Tuttavia, emer- gono nuove sfide, tra cui la sicurezza funzionale (i.e. conformità agli standard IEC 61508/61511), la qualità dei dati, “garbage in, garbage out”, e la necessità di conformarsi all’AI Act, che impone requisiti severi di tracciabilità e gestione del rischio per sistemi a “rischio elevato”. Inoltre, nel tentativo di coniugare valore e sicu- rezza, si possono considerare tre modalità di inte- grazione dell’IA negli ambienti dell’Industria 5.0: 1. AI-in-the-loop: l’algoritmo propone solu- zioni, ma l’operatore decide. È utile per favo- rire la fiducia e richiede trasparenza nelle rac- comandazioni. 2. AI-on-the-loop: l’IA agisce autonomamente, ma l’umano può intervenire in caso di emer- genza, entro tempi di risposta molto rapidi. 3. AI-for-the-loop: il controllo è completa- mente automatizzato. È la modalità più cri- tica e richiede l’uso di digital twin (gemelli digitali), logging continuo e piani di fallback deterministici. A supporto dell’integrazione, sono cruciali archi- tetture OT-IT rinnovate, basate su protocolli come OPC UA FX (i.e. un protocollo di rete standardiz- zato e una tecnologia utilizzata per controllare la trasmissione dei dati e la connessione dei disposi- tivi nelle reti LAN) e MQTT (Message Queuing Telemetry Transport; i.e. un protocollo ISO stan- dard - ISO/IEC PRF 20922), oltre a infrastrutture di edge computing con GPU e acceleratori AI cer- tificati. Dal punto di vista operativo, occorre adot- tare pratiche MLOps for Industrial AI, che inclu- dano tracciabilità del training, aggiornamento dei modelli e controllo della sensoristica. È fon- damentale, altresì, disporre di registri di modello con documentazione etica e tecnica, in linea con la norma ISO 42001. È doveroso evidenziare che la standardizzazione delle interfacce di responsa- bilità tra vendor, integratori e operatori industriali diventa essenziale, così come l’adozione di pro- grammi di formazione trasversale per il personale, al fine di garantire comprensione, accettazione e uso corretto dell’IA nei contesti di fabbrica. Infine, la convergenza tra automazione e IA ridi- segna anche i ruoli aziendali e l’intero ecosistema produttivo. Ovvero, la fabbrica cognitiva, capace di influenzare supply chain e sostenibilità, neces- sita di nuove figure, quali il Data Steward di sta- bilimento o il Chief Ethics Officer, incaricati di governare rischi tecnici ed etici per garantire un’industria più responsabile e interconnessa. Conclusioni L’articolo ha evidenziato le principali cause del fallimento dei progetti, mettendo in luce l’impor- tanza di una gestione efficace e di una pianifica- zione accurata. I risultati ottenuti suggeriscono che l’adozione di metodologie innovative e l’inte- grazione di tecnologie emergenti possono signifi- cativamente migliorare le prestazioni dei progetti. Inoltre, l’illustrazione di case history di successo, in termini di automatizzazione dei processi di controllo, offre una comprensione più completa dei fenomeni studiati, aprendo nuove direzioni per la ricerca futura. È fondamentale continuare a esplorare questi aspetti per sviluppare strate- gie sempre più efficaci e garantire il successo dei progetti di IA. Si tratta altresì di esaminare gli aspetti di compliace in termini di AI Act e Nuovo Regolamento Macchine, oltre a considerare gli aspetti di etica che comportano una governance strutturata dell’Industria 5.0 quale calibrata sintesi dell’implementazione dei principi di risk manage- ment, business continuity e cybersecurity. Bibliografia [1] “Gartner Data & Ai Summit 2024, Sydney - July 2024”, Gartner press release (2024), (Press release). [2] “State of Generative AI in the Enterprise”, Deloitte (2024), (Report). [3] “The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed”, Rand, (2024), (Report). [4] Kanokogi, S., & Yokogawa Electric. (2022). Autonomous control of semiconductor HVAC via reinforcement learning. ISA InTech, 69(3), 22-29. [5] Jain, P. (2023). Predictive maintenance at General Motors: a case study. IEEE Transactions on Industrial Informatics, 19(4), 2501-2509. [6] Evans, R., & Gao, J. (2020). Reducing energy consumption with deep reinforcement learning in Google data centers. Nature, 583, 780-784.