AI e software ERP in metallo: La rivoluzione promessa

L’opinione generale è che l’IA sarà una tecnologia trasformativa per tutti i settori, e i centri di assistenza per i metalli non fanno eccezione. Tuttavia, nonostante le previsioni dei vari fornitori di tecnologia, la maggior parte di ciò che oggi viene descritto come IA è costituita principalmente da normali algoritmi software riconfezionati con il marketing come intelligenza artificiale. Nei pochi casi in cui sono stati integrati veri e propri Large Language Models (LLM) nelle applicazioni software, i risultati sono stati soggetti a errori, inaffidabili e più simili a una piccola rivolta che alla rivoluzione promessa.

Goldman Sachs ha recentemente pubblicato un rapporto di 31 pagine intitolato “Gen AI: Too Much Spend, Too Little Benefit?”, che mette in dubbio i benefici di produttività e i potenziali ritorni finanziari annunciati e, come altre pubblicazioni, rileva anche l’impatto ambientale negativo dovuto all’enorme richiesta di energia e acqua dolce per alimentare i modelli di IA.

Questo significa che la promessa dell’IA non si concretizzerà mai e che i mille miliardi di dollari di investimenti che stanno per essere versati non porteranno ad alcun aumento di produttività quantificabile? Al contrario, gli investimenti che si stanno facendo oggi saranno fondamentali per la crescita e il miglioramento delle prestazioni dei LLM, ma le aspettative devono essere ricalibrate e il marketing dell’IA deve essere visto con scetticismo, dato che attualmente siamo nella fase iniziale della tecnologia.

In informatica si usa un termine comunemente chiamato GIGO, che sta per Garbage In, Garbage Out. Questa espressione è usata per descrivere il concetto che input mal definiti daranno luogo a un output di qualità altrettanto scadente. Gli LLM vengono addestrati su grandi serie di dati per l’apprendimento profondo, una tecnica di Machine Learning (ML) che utilizza le reti neurali per riconoscere modelli e fare associazioni. Gran parte dell’interazione con l’intelligenza artificiale oggi è il risultato di input provenienti da fonti disorganizzate e non fondate, come pagine di social media e siti web satirici, che danno luogo a risultati imprecisi e bizzarri.

Fortunatamente, nel mondo dei sistemi ERP, un database strutturato fornisce l’elemento fondamentale per creare funzioni di IA a valore aggiunto. Ad esempio, il database INVEX funziona come un motore basato su regole che cattura oltre 50.000 campi di dati predefiniti e li organizza e archivia in modo intelligente per l’analisi e il recupero. Il risultato è un insieme di dati di qualità eccellente che può essere inserito in un potenziale modello di ML, aggirando così la trappola del GIGO.

La creazione di una vera e propria funzionalità di IA produttiva inizia concentrandosi sulle applicazioni che trarrebbero i maggiori benefici da un processo decisionale assistito. Due esempi di queste aree sono la pianificazione delle scorte e le previsioni di vendita. In entrambe le aree, il team di data science di Invera utilizza i dati strutturati del database INVEX e l’apprendimento automatico per sviluppare modelli per le serie temporali e l’analisi di regressione.

Ad esempio, Invera sta sviluppando e testando modelli che utilizzano il ML per offrire previsioni e gestione delle scorte nell’applicazione INVEX Material Resource Planning (MRP). Sul fronte delle vendite, i modelli di ML vengono utilizzati per analizzare i dati dello storico delle vendite di INVEX e offrire previsioni di vendita e analisi predittive.

I guadagni di produttività derivanti dall’IA richiederanno diversi anni per manifestarsi, soprattutto se si tiene conto della natura e dell’economia dell’implementazione dei modelli di IA, che richiede un elevato impiego di risorse. Oggi, qualsiasi affermazione di vera funzionalità dell’IA dovrebbe essere accolta con una sana dose di scetticismo, tuttavia i progressi della tecnologia sono notevoli e nel giro di pochi anni l’impatto potrebbe essere trasformativo. Per trarre veramente vantaggio da questo potenziale, è fondamentale disporre di serie di dati puliti e organizzati per alimentare i modelli di IA. Ciò consentirà ai centri di assistenza per i metalli di utilizzare la tecnologia AI per prendere decisioni più informate utilizzando dati non considerati in precedenza, posizionandosi per il futuro ed evitando di dover raccogliere i rifiuti (di dati).