L’impegno di Michelin nel campo dell’intelligenza artificiale non è una tendenza recente, ma ha origine già quasi vent’anni fa. I primi casi di applicazione risalgono al 2007, quando la multinazionale degli pneumatici implementava sistemi basati sulla computer vision.
Un primo esempio vedeva l’uso di una telecamera molto sofisticata in grado di analizzare e valutare il profilo di una valvola, per consentire a un robot di posizionarla correttamente su una camera d’aria. In caso di conformità agli standard, il prodotto veniva confezionato come previsto; in caso negativo, veniva scartato. Un altro caso, sempre del 2007, utilizzava la visione artificiale per verificare che una pedana di montaggio per gli pneumatici fosse vuota e pulita, in pratica, pronta all’uso.
Questo percorso avviato da tempo ha portato oggi la multinazionale, attiva in tutto il mondo, a concentrarsi su tre aree di sviluppo dell’intelligenza artificiale: l’AI generativa, il trattamento dei dati e, soprattutto, la computer vision.
Indice degli argomenti:
La Gen AI che alleggerisce il lavoro d’ufficio
L’applicazione più recente, e a minore impatto in termini di produttività, “è l’uso dell’intelligenza artificiale generativa, sviluppata ampiamente nel corso dell’ultimo anno”, come ha spiegato Michele Ambrogio, innovation manager di Michelin Italiana, in occasione di un evento organizzato a Milano da Bonfiglioli Consulting.
Per il colosso manifatturiero, la Gen AI è vista innanzitutto come uno strumento per alleggerire e integrare le operazioni d’ufficio. L’applicazione principale riguarda l’estrazione automatica di dati da documenti in qualsiasi formato e in qualsiasi lingua.
Il contesto logistico di Michelin è vasto e complesso: l’azienda consuma circa 1.100 tonnellate di materie prime al giorno, equivalenti a 50-60 camion che consegnano lotti di gomma, silici e vari prodotti chimici provenienti da tutto il mondo.
Tutti i documenti, inviati dai fornitori, contengono dati sia relativamente banali, come i chili e i numeri di lotto delle bolle di spedizione, sia dati decisamente più complicati, come quelli presenti nei certificati di analisi, che variano per lingua, unità di misura e parametri.
Il sistema Aurora
Il sistema utilizzato, denominato Aurora, è un’AI sviluppata internamente da Michelin, con funzionalità analoghe a un copilot.
Nonostante sia stato necessario investire tempo nella ricerca dei prompt corretti (generalmente più efficaci in inglese che in italiano), il tasso di affidabilità riscontrato è “estremamente buono”, parlando di “almeno il 99% di dati estratti correttamente. Per raggiungere questo risultato sui certificati di analisi più complessi, è stato necessario differenziare i prompt per famiglie di prodotti chimici o di composizione delle forniture”, sottolinea l’Innovation manager di Michelin Italiana.
L’adozione di questi strumenti ha rappresentato innanzitutto una sfida culturale: lo sforzo maggiore non è stato lo sviluppo degli algoritmi, ma convincere le persone a utilizzarli, superando una certa “pigrizia mentale”, rileva il manager: “sebbene l’AI generativa non abbia portato grandi efficientamenti in termini di produttività, ha eliminato un lavoro poco piacevole e poco produttivo”, come lo scartabellare documenti alla ricerca di numeri da riportare su altri applicativi, “permettendo al personale di concentrarsi su operazioni a maggiore valore aggiunto”.
Gestire i flussi operativi per evitare colli di bottiglia
Il secondo campo di applicazione dell’AI è il trattamento e la gestione dei dati provenienti dagli impianti di produzione automatizzati. Questo progetto è stato sviluppato in collaborazione con il Competence Center di Torino, il CIM 4.0.
Il focus in questo caso è “sui sistemi di trasferimento”, rimarca Ambrogio, “ovvero impianti che funzionano su diverse stazioni operative, ognuna caratterizzata da tempi ciclo molto brevi, a volte di pochi secondi o, per le operazioni unitarie, di qualche decimo di secondo. In questi contesti, un difetto o una ‘deriva’ nel tempo ciclo dell’ordine del centesimo di secondo è impercettibile all’occhio umano, ma può sommarsi fino a rendere una stazione il ‘collo di bottiglia’ dell’intera catena operativa, riducendo la produttività”.
L’AI affronta questo problema monitorando in modo continuo i tempi ciclo delle operazioni unitarie e sintetizzando gli andamenti. Ciò consente ai reparti di manutenzione di concentrarsi in modo mirato ed efficace sulle aree in cui si sta manifestando una deriva o un’anomalia. Il tempo impiegato per la diagnostica è quasi in tempo reale, aumentando anche il tempo a disposizione per l’intervento di messa a punto.
Diagnostica istantanea, tendenze di degrado
Il sistema non si limita alla diagnostica istantanea, può anche identificare tendenze di degrado. Ad esempio, “se un cilindro pneumatico inizia a perdere aria, la sua corsa si allunga progressivamente. L’AI può percepire questa tendenza prima che sia visibile all’uomo e, estrapolando la tendenza, prevedere quando il pezzo in questione influenzerà il tempo ciclico della stazione operativa”, spiega l’Innovation manager.
A livello di risultati, questo sistema, in uso da quasi due anni, ha portato a un incremento del rendimento degli impianti pari all’1-2% rispetto a prima. Un dato che, moltiplicato su scala complessiva, fa una differenza significativa.
“Ha anche permesso un miglioramento nell’utilizzo dei pezzi di ricambio, poiché il sistema aiuta a verificare se l’intervento di manutenzione è stato effettivamente corretto, prevenendo sostituzioni inutili”, osserva Ambrogio: “data la sua efficacia, Michelin sta estendendo questa tecnologia ad altri processi analoghi caratterizzati da cicli complessi e particolari, come le centinaia di presse di vulcanizzazione nello stabilimento di Cuneo”.
Innovazione e impatto della computer vision
La computer vision è l’area in cui Michelin ha accumulato maggiore esperienza ed è ritenuta quella a maggiore impatto, anche sui livelli di produttività complessiva.
Un primo caso applicativo “ha riguardato l’uso di profilometri nell’attività di estrusione dei manufatti”, spiega il manager, “per rilevare la presenza di materiali estranei su prodotti con spessore più sottile di un foglio di carta. Ciò ha fornito un buon valore aggiunto, ma ha rivelato un problema critico: l’obsolescenza degli strumenti. I profilometri scelti erano già sul mercato da tre anni e dopo ulteriori tre anni di impiego erano diventati obsoleti, costringendo l’azienda a ripensare l’approccio per la futura estensione della tecnologia”.
L’applicazione principe dell’AI in Michelin è tuttavia il sistema Iris, uno strumento per la verifica della qualità d’aspetto di ogni pneumatico.
Iris e il controllo di qualità degli pneumatici
Il controllo qualità degli pneumatici è un’operazione estremamente delicata: “uno pneumatico può presentare fino a 200 difetti differenti in aspetto, e il personale addetto richiede quasi un anno e mezzo di formazione specifica. Mantenere la reputazione di Michelin come marchio premium è fondamentale, e mettere a rischio la qualità era impensabile”, fa notare il responsabile per l’innovazione.
Nello stabilimento di Cuneo, circa il 6% della forza lavoro – oltre 180 persone – è impiegata nella verifica manuale degli pneumatici. L’azienda ha così deciso di sviluppare il sistema Iris sia per la produttività, sia per garantire che la qualità non venisse degradata.
Iris, il cui sviluppo è iniziato nel 2018 (con qualificazione nel 2022 a causa di un anno e mezzo di Covid-19), si basa sulla computer vision (telecamere 2D e 3D) che acquisiscono immagini dell’interno e dell’esterno del pneumatico.
La rete neurale che verifica gli standard
Una rete neurale analizza queste immagini in pochi secondi per stabilire la conformità. Oggi, più del 50% degli pneumatici fabbricati a Cuneo è verificato in aspetto da questo sistema.
Lo sviluppo è stato lungo e complesso (portato avanti da un team internazionale di oltre 30 persone) per due motivi principali: la copertura dimensionale e ambientale, dato che il sistema doveva schermare ogni disturbo (luce solare, riflessi, zone d’ombra) e funzionare su una gamma dimensionale molto ampia, da pneumatici di 15 pollici per utilitarie a quelli di oltre 20 pollici per SUV.
Rilevazione dei difetti sul prodotto
E poi la rilevazione dei difetti: per addestrare il sistema ai 200 tipi di difettosità, si è fatto ricorso al Machine learning. Per ottenere una buona affidabilità servono, in linea di massima, 300-500 immagini per difetto.
Poiché la difettosità è generata dal processo e alcuni difetti compaiono molto raramente (a volte solo 10 casi all’anno), sarebbe stato necessario un tempo irrealistico di 30-50 anni per l’addestramento. La soluzione è stata quella di rimpatriare i difetti raccolti da tutta Europa nel sito di Cuneo per accelerare il processo di apprendimento.
Altri vantaggi e l’ergonomia operativa
Nonostante lo sforzo economico (superiore a un milione di euro), il sistema è risultato migliore dell’occhio umano. L’occhio umano, dopo ore di verifica, è soggetto a disattenzione, mentre il sistema AI non si distrae.
Ciò ha permesso a Michelin di migliorare il risultato di insoddisfazione dei clienti del 30%, elevando ulteriormente il livello qualitativo rispetto ai competitors.
E poi l’ergonomia operativa: l’incremento della diffusione di SUV, in atto in questi e nei prossimi anni, ha portato all’uso di pneumatici molto più pesanti (12-15 kg, rispetto ai 7-8 kg precedenti).
Così l’AI toglie un altro peso ai lavoratori
La verifica manuale di questi carichi pone seri problemi di ergonomia, soprattutto considerando che il personale addetto alla verifica è in gran parte femminile: le donne, statisticamente, dimostrano maggiore capacità di concentrazione in questo ambito.
Iris, permettendo di limitare l’attività manuale solo sulle ruote ‘a rischio difetto’, ha alleggerito enormemente lo sforzo fisico del personale addetto al controllo di qualità, risolvendo un problema ergonomico portato in pratica dall’evoluzione del mercato automobilistico.
