EMB99

EMBEDDED 99 • FEBBRAIO • 2026 29 MACHINE LEARNING | hardware lunga lista di altri vantaggi, come la riduzione al mini- mo degli sprechi e del consumo energetico, aumentan- do al contempo la sostenibilità e pianificando i tempi di produzione in modo più efficiente. Un modo in cui l’IA/ML contribuisce a semplificare le supply chain è l’ottimizzazione dei percorsi, per tro- vare il percorso più rapido per il trasporto degli input di spedizione in fabbrica e la successiva consegna dei prodotti finali ai clienti. Un altro modo è eseguire si- mulazioni che monitorano i livelli di inventario e pre- vedono il risultato in termini di modifiche necessarie alle distinte base che compongono un prodotto o al processo produttivo che lo realizza. Di fatto, logistica, spedizioni e trasporti costituiscono la principale cate- goria di utilizzo dell’IA/ML nella supply chain, secon- do l’indagine MHI. Altri utilizzi principali includono la selezione dei fornitori e la due diligence, la gestione dell’inventario e il monitoraggio del comportamento dei consumatori. Operazioni di produzione L’IA&ML sta da tempo trasformando le operazioni di produzione. Inizialmente gradualmente, e ora a un rit- mo accelerato, la tecnologia ha apportato innovazioni nel supporto decisionale, nella gestione delle operazio- ni, nell’automazione dei processi e nella robotica per una maggiore efficienza e produttività. Un esempio emergente delle capacità di ottimizzazione dei proces- si dell’IA/ML si riscontra nella sua capacità di automa- tizzare il processo di miglioramento stesso. Un articolo della Harvard Business Review descrive il ruolo della tecnologia nelle varie fasi del miglioramento dei pro- cessi, dalla definizione, misurazione e analisi dei pro- cessi attuali, all’identificazione dei miglioramenti e al loro successivo monitoraggio per garantire che rag- giungano i risultati desiderati. Nel consolidato model- lo lean di efficienza operativa, ad esempio, la model- lazione dell’IA/ML può mostrare come personalizzare la configurazione di qualsiasi processo per produrre in modo ottimale ciascun prodotto. Oggi, i produttori risentono della pressione sui costi e sulla conformità dovuta alla volatilità dei prezzi del pe- trolio, alle normative più severe sull’uso di combusti- bili a base di carbonio e all’incertezza sui prezzi delle energie rinnovabili. Ad esempio, molti stati hanno fis- sato scadenze a breve termine entro le quali le fabbri- che devono acquisire una certa percentuale della loro elettricità da fonti rinnovabili, mentre la Securities and Exchange Commission statunitense ha stabilito che le società quotate in borsa dovranno fornire infor- mazioni relative al clima nei loro bilanci annuali e in altri rendiconti entro la fine del 2025. Le fabbriche in- telligenti utilizzano l’intelligenza artificiale e il machi- ne learning per monitorare il loro consumo energetico storico e attuale e per prevedere i fabbisogni futuri in base alla strategia aziendale. Integrano inoltre servi- zi di informazione esterni che forniscono flussi di dati continui da una miriade di fonti, per la modellazione di scenari e la previsione dei costi. Tutte le analisi del consumo energetico e dei prezzi de- scritte sopra possono essere inserite in un modello di intelligenza artificiale e machine learning per pianifi- care la riduzione del consumo energetico in aree quali il funzionamento delle macchine, il riscaldamento, il raffreddamento e l’illuminazione, e quindi monitorar- ne l’esecuzione per garantirne i risultati. Generare risparmi energetici Allo stesso tempo, l’applicazione dell’IA/ML alla manu- tenzione predittiva e all’efficienza operativa, descritta nelle sezioni precedenti, può anche generare risparmi energetici. Ad esempio, la tecnologia può individuare una macchina da sottoporre a manutenzione o sostitu- zione se non funziona al massimo dell’efficienza. Le aziende manifatturiere devono sviluppare conti- nuamente nuovi prodotti per rimanere competitive. E devono farlo nel modo giusto. Ciò significa centrare l’o- biettivo nell’analizzare i gusti e le esigenze in continua evoluzione dei clienti (descritto nella sezione successi- va). Ma si tratta anche di bilanciare le innovazioni in termini di caratteristiche, funzionalità e materiali con considerazioni pratiche di produzione, come comples- sità e costi. Tutto ciò significa che il cruciale processo di progettazione e sviluppo del prodotto presenta molte componenti in movimento e può richiedere molto tem- po, nonostante le pressioni costanti sul time-to-mar- ket. IA&ML può accelerare lo sviluppo del prodotto. Utilizzata nella prototipazione rapida, ad esempio, la tecnologia può rispondere a domande di progettazio- ne fondamentali, come il modo in cui diversi materiali potrebbero interagire in un prodotto. Oppure è possi- bile creare un “gemello digitale”, utilizzando sensori integrati in un prototipo, per raccogliere informazioni operative e fisiche durante un processo di produzione simulato. Questo può allineare il design di un prodot- to con le capacità produttive e la logistica della supply chain di un’azienda prima ancora che il prodotto esca dal tavolo da disegno (metaforicamente parlando).