Oggi parliamo di un altro progetto di Machine Learning realizzato da Fluel nell’ambito dell’AI applicato alle attività produttive. Il progetto, che ci ha entusiasmato, lo abbiamo realizzato con Graphene-XT, una startup di Bologna che si occupa di produzione e ricerca di applicazioni a base di grafene.
Abbiamo chiesto a Cristian Trevisanut, chimico industriale e Production Manager e R&D in Graphene-XT, di raccontarci qualcosa di più sul perchè hanno deciso di utilizzare il machine learning nei loro processi.
“Buongiorno Cristian! Ci piacerebbe che ci raccontassi qualcosa della startup per cui lavori e di come utilizzate il machine learning nelle vostre attività”
“Ciao! Graphene-XT è una startup che si occupa appunto della produzione di grafene. E’ nata nel 2014 dopo che il fondatore ha trovato un modo per produrre una sospensione a base di grafene in maniera economica e sostenibile. La sua formulazione era anche adatta ad essere utilizzata come un inchiostro, essendo in base acquosa e in grado di aderire a diverse superfici: plastiche, metalli, carta, ecc…Per chi non lo sapesse, il grafene è un materiale innovativo, per la precisione è un nanomateriale bidimensionale a base di carbonio che conferisce proprietà particolari ai materiali su cui viene applicato. Ad esempio si può rivestire un film di plastica col grafene e conferirgli proprietà antistatiche, oppure può essere un lubrificante a secco per viti e bulloni. Insomma è uno dei materiali del futuro!”
“… e da cosa è scaturita la necessità di valutare possibili soluzioni informatiche a supporto dei vostri processi? Come siete approdati all’AI?”
“Da un po’ di mesi ci siamo accorti che la produzione aveva una resa relativamente bassa ed essendo una tecnologia unica ed assolutamente innovativa, non avevamo punti di riferimento per capire se stessimo facendo qualcosa di sbagliato o se ci fossero limiti strumentali che non conoscevamo. Per questo motivo abbiamo iniziato a fare numerose prove operative cambiando ogni volta qualche dettaglio e raccogliendo più dati possibili. Siamo arrivati al punto in cui avevamo una quantità di dati piuttosto elevata, ma non trovavamo comunque un legame tra questi dati ed i risultati della produzione. Era davvero un enigma!Ad un meeting tra startup il nostro direttore ha conosciuto Salvatore Palange, CEO di Fluel, ed è rimasto colpito quando Salvatore gli ha raccontato della potenzialità del Machine Learning applicato alla produzione. Abbiamo subito deciso, dopo un primo incontro conoscitivo, che poteva valere la pena fare un tentativo.”
“Quali erano le aspettative che avevate riguardo l’Intelligenza Artificiale e quali sono stati poi i problemi operativi che avete affrontato?”
” Sicuramente le principali aspettative erano quelle di chiarire se stessimo lavorando bene e se c’erano dei parametri che avrebbero migliorato significativamente la resa. Inizialmente abbiamo dovuto fare un lavoro di corposa “ripulitura” dei dati, in quanto alcuni erano mancanti e altri erano ridondanti. E’ stato un ottimo esercizio anche per noi. Una volta recuperati tutti i dati avevamo una base su cui iniziare a far lavorare l’intelligenza artificiale. Da qui abbiamo raccolto altri dati modificando alcuni parametri che venivano sottolineati dall’AI che, una volta aggiunti agli altri, hanno migliorato sempre di più la precisione con cui la AI riusciva a predire la resa che avremmo ottenuto a determinate condizioni”
“Quali sono le evidenze emerse e i prossimi step che valutate?”
“Alla fine lo studio ha confermato quello che sospettavamo, cioè che il limite era decisamente dei macchinari e degli strumenti utilizzati per la produzione e non dovuto ad un nostro uso sbagliato dei mulini di estrazione o dei componenti chimici utilizzati. Ci ha anche aiutato a capire quali parametri influenzano maggiormente la resa produttiva e quali possono essere trascurabili, riuscendo così ad ottimizzare tutto il processo e focalizzando la nostra attenzione sui parametri core senza perdite di energie e di tempi.Dopo questo studio abbiamo deciso di investire nella ricerca di nuovi strumenti per la produzione, con i quali raccoglieremo nuovi dati che andranno ad integrare quelli attuali e siamo sicuri che osserveremo un netto miglioramento della produzione.”
Il progetto svolto con Graphene-XT è stato sicuramente un lavoro di squadra fatto con tutto il team dell’azienda. Abbiamo insieme valutato lo stato di fatto, abbiamo analizzato i flussi di lavoro e i dati a disposizione, ragionando insieme su quali potevano essere gli elementi degni di nota sui quali lavorare. Abbiamo poi realizzato i modelli di machine learning per la previsione della produzione e abbiamo predisposto gli strumenti per valutare le correlazioni tra tutte le variabili produttive. Questo ci ha portati a riflettere insieme sui risultati e sulle evidenze che ne emergevano.
Ora il lavoro continua con il progressivo affinamento dei dati e con la consapevolezza che il segreto della produzione efficiente ora è di sicuro più chiaro al team e nuove ipotesi sono state formulate per nuovi obiettivi più sfidanti ed entusiasmanti. Ringraziamo Cristian e tutto il team di Graphene-XT per questa testimonianza.