IoT e Processi Aziendali: Prevedere il Futuro è (Quasi) Possibile!

Ciao a tutti! Avete mai pensato a quanto sarebbe fantastico poter prevedere cosa succederà dopo nei vostri processi aziendali? Immaginate di sapere in anticipo se un macchinario avrà bisogno di manutenzione o se una fase della produzione richiederà un intervento. Sembra fantascienza, vero? Eppure, grazie all’Internet of Things (IoT), ci stiamo avvicinando parecchio!

Sempre più aziende, dalla manifattura alla logistica fino alla sanità, stanno riempiendo i loro ambienti di sensori e attuatori IoT. Questi dispositivi raccolgono una marea di dati sul mondo fisico – temperature, pressioni, movimenti, posizioni – e possono persino automatizzare alcuni compiti. Pensate ai pacchi tracciati passo passo nella logistica o ai sensori che monitorano i parametri vitali dei pazienti in ospedale, aiutando i medici nelle decisioni.

Il bello è che questi dati IoT, se combinati con i dati “classici” degli eventi di processo (quelli che ci dicono quale attività è stata fatta, quando e da chi), aprono scenari di analisi incredibilmente dettagliati. In particolare, ci permettono di capire il contesto in cui un processo si svolge, e questo è oro colato per migliorare le previsioni: quale sarà la prossima attività? Ci sarà un problema? Riusciremo a rispettare le scadenze?

Il Problema: I Dati IoT Sono “Diversi”

Qui, però, casca l’asino. Le tecniche attuali di monitoraggio predittivo dei processi (PPM – Predictive Process Monitoring) non sono nate per gestire questo tipo di dati. Perché? Beh, ci siamo scontrati principalmente con tre grosse sfide:

• Il Divario di Granularità: I sensori IoT spesso sfornano dati ogni secondo, o anche più frequentemente (pensa a un sensore di temperatura). I dati di processo, invece, registrano eventi a un livello molto più alto (es. “inizio lavorazione”, “fine controllo qualità”). Come mettere insieme informazioni così diverse?
• L’Incertezza della Rilevanza: Non è sempre ovvio a quale caso specifico del processo o a quale attività si riferisca un certo dato del sensore. Un sensore di temperatura in un magazzino potrebbe essere rilevante per tutti i prodotti stoccati lì in quel momento? E per quali attività future? Correlare tutto correttamente è un bel rompicapo, soprattutto senza appesantire troppo i modelli.
• La Dinamicità dei Dati IoT: Le cose importanti nel mondo fisico (un picco di pressione, un movimento anomalo) possono accadere in qualsiasi momento, non necessariamente quando viene registrato un evento di processo nel sistema informativo. Come catturare questi fenomeni “fuori sincrono” che potrebbero però essere cruciali?

Queste sfide ci hanno fatto capire che serviva un approccio nuovo, pensato apposta per i processi arricchiti dall’IoT.

Le Nostre Proposte: Tre Strade per Integrare l’IoT nel PPM

Nel nostro lavoro, abbiamo esplorato e proposto tre modi innovativi per superare questi ostacoli e sfruttare finalmente i dati IoT per fare previsioni migliori sui processi. Ve li racconto brevemente:

1. Approccio “Caratteristiche Evento IoT” (IoT Event Features)

L’idea qui è abbastanza intuitiva: prendiamo i dati grezzi dei sensori raccolti durante l’esecuzione di una specifica attività di processo (tra l’inizio e la fine, per capirci). Da questa mole di dati, estraiamo delle caratteristiche significative, delle statistiche riassuntive. Pensate alla media, alla deviazione standard, al valore massimo, al minimo, o magari a quante volte c’è stato un picco in quel lasso di tempo.

Queste “caratteristiche” diventano poi nuovi attributi che aggiungiamo all’evento di processo corrispondente nel nostro log. In pratica, arricchiamo i dati che già avevamo con informazioni contestuali derivate dall’IoT. Questo approccio aiuta a colmare il divario di granularità (aggreghiamo i dati IoT) e gestisce la rilevanza (leghiamo le caratteristiche all’attività specifica). La dinamicità viene affrontata sperando che le statistiche scelte catturino i pattern importanti avvenuti durante l’attività.

2. Approccio “Eventi di Contesto” (Context Events)

Questo approccio è un po’ diverso. Invece di riassumere i dati IoT, andiamo a caccia di pattern specifici nei dati dei sensori che indicano un cambiamento rilevante nell’ambiente fisico, qualcosa che potrebbe influenzare il processo. Ad esempio, potremmo rilevare uno shock subito da un pacco fragile durante il trasporto (dai dati di un accelerometro) o un improvviso aumento della pressione in un impianto (da un manometro).

Questi rilevamenti li trasformiamo in nuovi tipi di eventi, che chiamiamo “eventi di contesto”. Non sono attività del processo in sé, ma segnalano qualcosa di importante successo nell’ambiente. Questi eventi di contesto vengono poi inseriti nella sequenza temporale del log, tra gli eventi di processo tradizionali. Immaginate di aggiungere dei segnali stradali specifici (“Attenzione, scossa rilevata!”) lungo il percorso del vostro processo. Questo metodo affronta bene la dinamicità (gli eventi di contesto possono apparire in qualsiasi momento) e la granularità (rappresentano fenomeni significativi a livello di processo). La sfida qui è definire bene quali pattern cercare e come correlarli al caso di processo giusto.

3. Approccio Combinato: “Caratteristiche Evento di Contesto IoT” (IoT Context Event Features)

E se unissimo le due idee? Possiamo farlo! Prima individuiamo e inseriamo gli “eventi di contesto” nel log, come nel secondo approccio. Poi, calcoliamo le “caratteristiche evento IoT” (come nel primo approccio) non solo per le attività di processo tradizionali, ma anche per i periodi di tempo delimitati dagli eventi di contesto stessi, o tra un evento di contesto e un evento di processo.

In questo modo, gli eventi di contesto ci aiutano a “spezzettare” la timeline in momenti potenzialmente più significativi, e le caratteristiche estratte da questi segmenti potrebbero darci informazioni ancora più precise e mirate. È un po’ come avere sia i segnali stradali specifici, sia un riassunto delle condizioni meteo (le caratteristiche IoT) per ogni tratto di strada tra un segnale e l’altro. Questo approccio cerca di prendere il meglio dei due mondi per affrontare tutte e tre le sfide in modo più completo.

Alla Prova dei Fatti: Un Caso Studio Manifatturiero

Bello parlare di teoria, ma funzionano davvero queste idee? Per scoprirlo, abbiamo collaborato con un’azienda che produce prodotti chimici. Il loro processo prevede diverse fasi, tra cui miscelazione, filtraggio e imbottigliamento. Una fase cruciale è il filtraggio, dove è fondamentale mantenere un flusso stabile del prodotto attraverso i filtri per garantirne la purezza.

A volte, però, il flusso diventa instabile e gli operatori devono intervenire manualmente regolando una pompa (un’attività chiamata “Pump adjustment”). Prevedere quando questa regolazione sarà necessaria è importantissimo: un intervento tempestivo evita problemi di qualità e riduce gli sprechi. Il flusso, però, ha andamenti complessi e dipende sia dalle attività precedenti sia dai valori passati del flusso stesso (registrati dai sensori IoT). Un caso perfetto per il nostro PPM potenziato dall’IoT!

Abbiamo quindi raccolto i dati degli eventi di processo dal loro sistema produttivo e i dati dei sensori IoT (flusso, pressione, ecc.) relativi a 161 lotti di produzione. L’obiettivo? Addestrare modelli predittivi per capire, dato lo storico di un lotto (eventi di processo + dati IoT), se la prossima attività sarà proprio una “Pump adjustment”.

I Risultati: L’IoT Fa Davvero la Differenza!

Abbiamo confrontato i nostri tre approcci con due baseline:

• Un modello PPM tradizionale che usa solo i dati degli eventi di processo (No IoT baseline).
• Un modello basato solo sui dati delle serie temporali dei sensori IoT, senza considerare la sequenza delle attività di processo (IoT only baseline, usando XGBoost).

I risultati sono stati molto incoraggianti! In generale, tutti i nostri approcci che integravano i dati IoT hanno superato il baseline “No IoT”. Questo conferma che le informazioni provenienti dai sensori aggiungono un valore predittivo significativo.

Tra i nostri tre metodi:

• L’approccio IoT Event Features ha mostrato un buon equilibrio tra precisione (quante delle previsioni “Pump adjustment” erano corrette) e recall (quante delle “Pump adjustment” reali sono state previste), ottenendo il miglior punteggio F1 (una metrica che combina le due).
• L’approccio Context Events ha ottenuto una recall più alta (ha “mancato” meno regolazioni necessarie), ma a scapito di una precisione più bassa (ha generato più “falsi allarmi”).
• L’approccio combinato IoT Context Event Features ha spinto la recall ancora più in alto, ma con risultati misti sulle altre metriche.
• L’approccio IoT only baseline, pur ottenendo alta precisione, ha avuto una recall bassissima, il che significa che si perdeva moltissime delle regolazioni effettivamente necessarie.

Discussione: Quale Approccio Scegliere? Dipende!

Cosa ci dicono questi risultati? Che integrare l’IoT nel PPM funziona, ma non c’è una soluzione unica per tutti. La scelta dell’approccio migliore dipende molto dal contesto specifico e da cosa è più importante per l’azienda.

Se è cruciale non perdere nemmeno un evento critico (come nel nostro caso studio, dove una mancata regolazione può compromettere la qualità), allora un approccio con alta recall (come quelli che usano i Context Events) potrebbe essere preferibile, anche se genera qualche falso allarme in più che gli operatori dovranno verificare. Se, invece, i falsi allarmi sono molto costosi o problematici (pensiamo a interventi non necessari in sanità), allora un approccio con alta precisione (come IoT Event Features o persino l’IoT only baseline, se la bassa recall è accettabile) potrebbe essere più indicato.

Un punto fondamentale emerso è l’importanza della conoscenza del dominio. Soprattutto per definire gli “Eventi di Contesto” giusti, parlare con gli esperti del processo è essenziale. Loro sanno quali pattern nei dati dei sensori sono davvero significativi. L’approccio “IoT Event Features” è forse più “generico” e applicabile anche con meno conoscenza specifica, ma bisogna scegliere con cura le statistiche da calcolare per non “diluire” informazioni importanti.

Un vantaggio dei nostri approcci, rispetto a usare solo modelli puri di time series, è che il preprocessing (calcolare feature, rilevare eventi di contesto) aiuta a ridurre la dimensionalità dei dati, concentrando l’attenzione del modello predittivo sulle informazioni più rilevanti e potenzialmente riducendo i tempi di addestramento.

Verso il Futuro: Previsioni Sempre Più Intelligenti

Insomma, il nostro viaggio nell’integrazione tra IoT e PPM ci ha mostrato che è una strada promettente. Abbiamo proposto tre approcci concreti che migliorano le capacità predittive rispetto ai metodi tradizionali.

Certo, c’è ancora lavoro da fare. Vogliamo testare questi approcci su altri compiti predittivi (come prevedere l’esito finale di un processo) e su dataset diversi. Stiamo anche pensando a nuove architetture di modelli (magari basate su LSTM più evolute) che possano gestire i dati IoT e di processo in modo ancora più integrato e magari con meno preprocessing. E perché non sognare un futuro in cui questi sistemi non solo prevedono, ma prescrivono azioni? Immaginate un sistema che non solo dice “Attenzione, il flusso sta per diventare instabile”, ma suggerisce anche all’operatore esattamente come regolare la pompa.

Il futuro del monitoraggio dei processi è qui, ed è sempre più connesso e intelligente grazie all’IoT!

Fonte: Springer