ITA

Aheda: learning paths for the future

Introduzione

Mylia è il brand di The Adecco Group specializzato in formazione e sviluppo delle competenze. Affianca imprese e individui in percorsi di crescita continua, proponendo soluzioni su misura per affrontare i cambiamenti del mondo del lavoro in modo innovativo e sostenibile.

Il problema

I metodi tradizionali di formazione spesso non sono in grado di rispondere in modo efficace e personalizzato alle reali esigenze di individui e aziende. Questa mancanza di allineamento riduce l’impatto positivo sul business e sulla crescita delle persone. Per Mylia era quindi fondamentale introdurre un sistema capace di profilare meglio gli utenti e prevedere percorsi di apprendimento personalizzati, massimizzando l’efficacia degli interventi formativi.

La soluzione

Grazie alla collaborazione con MADE4.0 e aizoOn, Mylia ha digitalizzato il servizio Aheda, creando una web app per erogare in modo più efficiente il service journey. La soluzione è progettata per raccogliere dati utili a sperimentare un sistema di apprendimento basato sull’intelligenza artificiale, con l’obiettivo di offrire percorsi formativi predittivi e su misura.

Tecnologie

Rete probabilistica AI-based per l’analisi delle dimensioni psicosociali e la predizione dei percorsi di sviluppo personalizzati.

Web App interattiva per la gestione digitale del servizio e la fruizione dell’algoritmo, in un’esperienza phygital integrata.

Impatti

Il progetto Aheda consente a Mylia di migliorare la strategia di profilazione dei comportamenti organizzativi e di allineare gli interventi formativi alle caratteristiche individuali delle persone. L’introduzione di un modello predittivo basato su AI consente di personalizzare percorsi sia individuali che di gruppo, ottimizzando l’investimento formativo. Il sistema alimenta inoltre un osservatorio utile a confrontare dati tra settori e territori, contribuendo alla crescita strategica delle imprese clienti.

Benefici per l’impresa

Ottimizzazione delle strategie formative con risparmio sui costi di percorsi inefficaci

Maggiore aderenza tra competenze sviluppate e bisogni aziendali reali

Rafforzamento della cultura del cambiamento attraverso lo sviluppo di comportamenti funzionali al ruolo

Raccolta strutturata di dati utili a migliorare continuamente il modello Aheda

Posizionamento competitivo come partner innovativo nel mercato B2B della formazione

Oggettivizzazione della Qualità Prodotto AI-based

Introduzione

Officine Meccaniche Lafranconi produce silenziatori motociclistici resistenti a temperature elevate e gas corrosivi, garantendo qualità, durata, sicurezza e conformità a elevati standard estetici richiesti dai clienti. Attualmente, il controllo estetico è manuale, esposto a variabilità legata al giudizio umano.

Il problema

La conformità estetica dei silenziatori è fondamentale per rispettare le stringenti specifiche richieste dai clienti ed evitare sanzioni contrattuali o penali. Tuttavia, l’attuale processo di controllo, affidato esclusivamente alle competenze degli operatori, risente di variabili come la stanchezza, l’esperienza e la soggettività del giudizio umano. Questa mancanza di oggettività non solo riduce l’affidabilità complessiva del controllo estetico, ma rende anche difficile la sua automatizzazione. Di conseguenza, l’azienda si trova esposta a potenziali rischi economici, derivanti da difetti non rilevati, e a criticità operative, legate alla necessità di gestire elevati standard qualitativi in modo coerente ed efficiente.

La soluzione

Lafranconi intende sviluppare un sistema innovativo per l’oggettivizzazione del controllo estetico dei silenziatori, sfruttando tecnologie di visione artificiale e intelligenza artificiale (AI). Con il supporto del MADE e del Politecnico di Milano, sarà realizzato un prototipo di banco prova per l’acquisizione e l’elaborazione delle immagini.

Tecnologie

Hardware: Banco prova con struttura cilindrica dotata di illuminatori programmabili (luce direzionale/diffusa) e tre telecamere industriali per l’acquisizione delle immagini.

Prototipazione rapida: Elementi stampati in 3D per il supporto dei silenziatori.

Software: Algoritmi di intelligenza artificiale sviluppati in Python utilizzando librerie standard (OpenCV, SkLearn, Tensorflow) per:

– Segmentazione iniziale delle immagini

– Estrazione di feature visive

– Classificazione dei difetti attraverso tecniche di Machine Learning.

Impatti desiderati

Riduzione della variabilità: Eliminare la dipendenza dai fattori umani nel controllo estetico, garantendo una valutazione costante e replicabile.

Automatizzazione: Integrare il controllo estetico automatizzato nel processo produttivo, migliorando la produttività e la precisione.

Affidabilità: Dimostrare sensibilità e specificità superiori nell’identificazione dei difetti, aumentando la qualità complessiva del prodotto.

Benefici per l’impresa

Miglioramento della qualità: Aumento della conformità estetica e funzionale del prodotto, riducendo i rischi di contestazioni o penali da parte dei clienti.

Efficienza operativa: Diminuzione del tempo e delle risorse necessarie per il controllo estetico.

Innovazione tecnologica: Potenziamento delle competenze interne e aumento della competitività sul mercato grazie all’introduzione di soluzioni avanzate di AI e visione artificiale.

Paving Lean Process: efficienza produttiva attraverso la sensoristica 5.0

Introduzione

Sangalli è un’impresa bergamasca attiva nel settore delle costruzioni, specializzata in lavori stradali, produzione di conglomerati bituminosi e calcestruzzo, e nello sviluppo di infrastrutture. Fortemente orientata all’innovazione, l’azienda si distingue per l’adozione di tecnologie avanzate per l’ottimizzazione della gestione dei cantieri.

Il problema

In un contesto in continua evoluzione, il settore delle costruzioni si confronta con l’esigenza di rendere più fluidi ed efficienti i processi operativi. Per Sangalli S.p.A., questo ha significato ripensare alcune pratiche consolidate, soprattutto in riferimento alla gestione delle commesse, alla pianificazione delle attività e alla sincronizzazione tra produzione e operatività in cantiere. La mancanza di strumenti digitali evoluti rendeva più complesso garantire continuità operativa, controllo dei tempi e ottimizzazione delle risorse, con un impatto potenziale sulla capacità competitiva dell’impresa nel medio-lungo periodo.

La soluzione

Sangalli ha avviato un percorso di digitalizzazione del “cantiere 4.0”, integrando intelligenza artificiale e strumenti digitali per rendere più efficienti le fasi di preventivazione, pianificazione e monitoraggio delle attività operative. Il progetto ha seguito un approccio strutturato, partendo da un’analisi dello stato attuale dei processi, per arrivare alla definizione di una nuova infrastruttura digitale e algoritmica in grado di ottimizzare la gestione dei cantieri in tempo reale.

Tecnologie

Algoritmi di Intelligenza Artificiale e Machine Learning

Sensori IoT per il monitoraggio dei mezzi

Piattaforme software per la consuntivazione real-time

Backend per l’analisi dati e il rilevamento delle anomalie

Impatti desiderati

Il progetto punta a una trasformazione digitale dei processi di cantiere, con l’obiettivo di migliorare la produttività e ridurre i costi operativi. L’adozione di tecnologie smart consente a Sangalli di offrire maggiori garanzie sui tempi di consegna, migliorare la gestione delle risorse e rafforzare la propria competitività nel settore degli appalti infrastrutturali pubblici. Il progetto contribuisce inoltre alla transizione verso un’edilizia più sostenibile, efficiente e sicura.

Benefici per l’impresa

– Ottimizzare la pianificazione delle risorse

– Ridurre i tempi morti e i costi operativi

– Aumentare il controllo sui cantieri in tempo reale

– Rafforzare la competitività nelle gare d’appalto

– Accedere a finanziamenti nazionali ed europei per l’innovazione

Ottimizzazione digitale dei processi di preventivazione tramite Intelligenza artificiale

Introduzione

Camngo Srl opera nel settore metalmeccanico, offrendo soluzioni tecnologiche avanzate per la progettazione e produzione di componenti meccanici. L’azienda punta a migliorare efficienza e competitività attraverso innovazione digitale e automazione dei processi produttivi.

Il problema

Le aziende metalmeccaniche affrontano tempi lunghi e inefficienze nel processo di preventivazione, dovute alla necessità di analizzare manualmente ogni modello 3D per stimare costi e lavorazioni. I software tradizionali richiedono ancora una caratterizzazione manuale, rallentando il decision-making soprattutto con volumi elevati di richieste.

La soluzione

Il progetto sviluppa un sistema che analizza automaticamente i modelli 3D dei pezzi finiti, confrontandoli con un database storico di processi produttivi e costi tramite algoritmi di machine learning e deep learning. L’analisi morfologica automatizzata e la categorizzazione delle features consentono di stimare con precisione il costo di produzione, senza necessità di interventi manuali, velocizzando e ottimizzando il processo di preventivazione.

Tecnologie

Machine Learning supervisato e Deep Learning.

Analisi automatizzata di modelli 3D e feature extraction.

Algoritmi di categorizzazione e matching con database aziendale.

Simulazione AI dei processi produttivi.

Ottimizzazione dei parametri di produzione tramite AI.

Impatti desiderati

Incremento dell’efficienza operativa riducendo tempi e errori nella preventivazione

Riduzione degli sprechi e ottimizzazione dei materiali grazie a stime accurate

Miglior pianificazione produttiva con allocazione ottimale delle risorse

Scalabilità del business con capacità di gestire maggiori volumi senza aumentare i costi

Analisi dati in tempo reale per monitoraggio e correzioni immediate

Benefici per l’impresa

– Maggiore redditività attraverso preventivi più precisi e margini migliorati

– Riduzione dei costi operativi e automazione dei processi amministrativi

– Efficienza produttiva migliorata con riduzione dei ritardi

– Decisioni strategiche basate su dati predittivi e monitoraggio continuo

– Miglioramento della competitività e capacità di rispondere rapidamente alle richieste clienti

– Crescita sostenibile con gestione efficiente dei preventivi e posizionamento innovativo

– Rafforzamento della relazione con i clienti grazie a maggiore trasparenza e soddisfazione

Monitoraggio intelligente della qualità stradale

Introduzione

Easyvia è una startup innovativa, specializzata nel settore delle smart city e della mobilità intelligente. L’azienda sviluppa soluzioni tecnologiche basate su sensori intelligenti e intelligenza artificiale per migliorare la sicurezza, il comfort e le condizioni delle infrastrutture stradali.

Il problema

Le condizioni stradali rappresentano una sfida critica per molte amministrazioni e aziende, con interventi di manutenzione spesso ritardati a causa della mancanza di dati aggiornati e accurati. Questo si traduce in una scarsa sicurezza per gli utenti e in costi di riparazione più elevati nel lungo termine. Easyvia si trovava di fronte alla necessità di sviluppare un sistema per monitorare in tempo reale le anomalie stradali e pianificare interventi più mirati ed efficaci.

L’obiettivo era combinare sensori intelligenti e algoritmi di intelligenza artificiale per fornire dati precisi e una rappresentazione digitale dello stato delle infrastrutture stradali, migliorando la sicurezza e ottimizzando i costi di manutenzione.

La soluzione

Il progetto ha introdotto:

Sensori intelligenti installabili su veicoli tradizionali per rilevare anomalie stradali.

Algoritmi AI per l’analisi dei dati e la ricostruzione in 3D delle anomalie.

Una mappa digitale che visualizza il ciclo di vita delle anomalie.

Strumenti di ottimizzazione per la manutenzione, con stime accurate dei costi e monitoraggio degli interventi.

Impatti desiderati

Riduzione dei costi di manutenzione grazie a una pianificazione efficiente.

Miglioramento della sicurezza e del comfort degli utenti stradali.

Maggiore sensibilizzazione verso la necessità di infrastrutture sostenibili.

Benefici per l’impresa

Riduzione dei tempi di risposta agli interventi di riparazione.

Monitoraggio continuo e aggiornato delle condizioni stradali.

Incremento della soddisfazione degli utenti grazie a una rete viaria più sicura.

Sistemi intelligenti per il monitoraggio dei sistemi di cottura

Introduzione

Electrolux Italia è un’azienda leader nella produzione di elettrodomestici innovativi, con un focus sull’integrazione di tecnologie smart per migliorare la qualità e l’efficienza dei prodotti per la casa.

Il problema

L’adozione di nuove tecnologie come il naso elettronico nei forni domestici necessita di:

Individuare un array di sensori adatti al monitoraggio delle fasi di cottura

Sviluppare algoritmi di intelligenza artificiale per identificare le fasi di cottura

Implementare algoritmi per la correzione e compensazione del segnale

Integrare le nuove tecnologie nelle piattaforme di produzione esistenti

La soluzione

Il progetto sviluppa strumenti intelligenti basati su sensori innovativi e algoritmi di machine learning, in grado di monitorare con precisione gli aromi e le fasi di cottura nei forni domestici. La tecnologia consente un controllo assistito e ottimizzato della cottura, migliorando l’efficienza e riducendo gli sprechi alimentari.

Tecnologie

Sensori IoT (naso elettronico) per rilevazione degli aromi in cottura

Intelligenza artificiale e machine learning per gestione e correzione del segnale

Piattaforme integrate per elettrodomestici smart

Impatti desiderati

Miglioramento tecnologico e funzionale del forno con funzioni di cottura assistita e automatica

Ottimizzazione energetica, riducendo consumi grazie a cotture più precise

Riduzione degli sprechi alimentari derivanti da cotture prolungate o errate

Benefici per l’impresa

Electrolux digitalizza le performance dei propri elettrodomestici, acquisendo feedback accurati sui risultati di cottura e aumentando l’attrattività dei prodotti sul mercato grazie all’innovazione tecnologica.

Sistema AI per il controllo qualità nel paper converting

Introduzione

ERO S.r.l è un’azienda leader nella produzione di sistemi per l’incollaggio e il controllo qualità nel settore del paper converting. Fornisce soluzioni tecnologiche avanzate per l’industria della cartotecnica, rivolgendosi a clienti internazionali con esigenze elevate in termini di efficienza, precisione e innovazione.

Il problema

Nel settore della cartotecnica, il controllo qualità della colla applicata su astucci è un processo critico, spesso ostacolato da grafiche complesse che rendono difficile la verifica visiva. Il mercato richiede sistemi sempre più efficienti e precisi, in grado di ridurre gli scarti, minimizzare le non conformità e garantire alti standard qualitativi senza rallentare la produzione.

La soluzione

Il progetto introduce un sistema di controllo qualità basato su algoritmi di deep learning, capace di riconoscere automaticamente la corretta applicazione della colla anche su superfici grafiche complesse. La soluzione migliora la precisione dei controlli, riduce i tempi di avviamento macchina e limita l’intervento umano, aumentando l’efficienza dell’intera linea produttiva.

Tecnologie

Intelligenza Artificiale

Deep Learning per riconoscimento avanzato

Machine Vision per controllo qualità automatizzato

Impatti desiderati

Il sistema permetterà di superare le attuali limitazioni nel controllo della colla su astucci complessi, migliorando l’affidabilità del processo produttivo. Le aziende del settore potranno ridurre tempi e costi, garantire una qualità costante e personalizzare maggiormente la grafica dei prodotti senza compromettere il controllo.

Benefici per l’impresa

Grazie al progetto, ERO potrà offrire un sistema innovativo, versatile e automatizzato, rafforzando la propria posizione competitiva. Il nuovo sistema renderà l’offerta più attrattiva per clienti con esigenze di personalizzazione e qualità elevata, espandendo le opportunità di mercato in ambito internazionale.

SIMWTF

Introduzione

SECO S.p.A, è un’azienda italiana leader nello sviluppo di soluzioni hardware e software per l’Internet of Things (IoT), l’Edge Computing e l’Intelligenza Artificiale.

Il problema

Le unità OffGridBox, dispositivi in grado di fornire utenze in aree critiche isolate, non sono dotate di sistemi che possano garantire la continuità del servizio (energia e acqua potabile) e la connettività. Queste assumono fondamentale importanza nelle situazioni di emergenza (campi di accoglienza e rifugi), e in ottica di aiuto a comunità che vivono in condizioni di isolamento.

Tecnologie

Soluzione di IoT integrata in una scheda elettronica con architettura a microcontrollore pilotato da un Firmware sviluppato ad hoc e sistema di sensori e attuatori specifici per il contesto prescelto.

Tecniche di machine learning necessarie per rendere l’applicazione autonoma nell’intraprendere azioni preventive in una vasta gamma di condizioni (cambiamento condizioni climatiche, controllo in tempo reale della disponibilità energetica, ecc.).

Soluzione di edge computing per portare l’intelligenza a livello ditribuito sulle unità OffGridBox.

Impatti desiderati

Il sistema è in grado di raccogliere in modo granulare dati derivanti dal contesto installativo dell’unità, abilitando scelte operative necessarie per l’erogazione del servizio (riscaldamento ed erogazione dell’acqua, ricarica delle batterie, ecc.).

Abilita il controllo remoto delle diverse unità OffGridBox installate in località collocate anche a grandi distanze.

Rendere autonoma l’unità grazie alle tecniche di machine learning che permettono di comprendere le condizioni del contesto operativo e di intraprendere azioni secondo algoritmi specifici (spedire alert, regolare opportunamente il consumo energetico, impostare l’accumulo dell’energia elettrica in funzione della quantità di luce solare, ecc.).

Benefici per l’impresa

Messa sul mercato di un nuovo prodotto, che incontra una domanda in crescita anche in funzione dell’estensione e del miglioramento delle tecnologie disponibili.

Aumenta la competitività grazie all’estensione del portafoglio di prodotti in gestione.

Servitizzazione del prodotto, arricchito da numerose funzioni.

AI per controllo qualità automatico e correzione difetti

Introduzione

Meccanica del Sarca S.p.A è un’azienda metalmeccanica italiana specializzata nella produzione di componenti in legno di noce per calci di fucili e caricatori in lamiera per pistole.

Il problema

Il controllo qualità delle linee di produzione di serbatoi caricatori è attualmente eseguito in modo completamente manuale, attraverso calibri appositamente progettati. Questa attività, svolta da operatori specializzati, prevede la verifica estetica e dimensionale di ogni singolo pezzo, con eventuali interventi correttivi tramite deformazione plastica. Tuttavia, il processo presenta diverse criticità: è altamente ripetitivo, richiede competenze specifiche non sempre trasferibili, ed espone a margini di errore legati alla soggettività dell’operatore. Inoltre, il tempo necessario per il controllo incide negativamente sull’efficienza del ciclo produttivo, limitando la produttività e la capacità di rispondere in modo rapido alle esigenze del mercato.

Tecnologie

Intelligenza artificiale e deep learning utilizzato per l’identificazione automatica delle non-conformità in produzione (difetti).

Sensoristica: sensori ottici analizzano il profilo del componente, per determinare se sia conforme alle specifiche di progetto.

Impatti desiderati

L’introduzione di una stazione di misura automatizzata e supportata da algoritmi di intelligenza artificiale consente all’azienda di migliorare in modo significativo il proprio sistema di controllo qualità. Attraverso il monitoraggio costante dei difetti e la raccolta strutturata dei dati, è possibile identificare e correggere tempestivamente eventuali derive nei processi produttivi. Questo approccio riduce la dipendenza dalle valutazioni soggettive degli operatori, aumentando l’affidabilità complessiva del controllo e promuovendo una maggiore autonomia decisionale. L’impatto interno si traduce in una cultura aziendale più orientata alla qualità, alla tracciabilità e al miglioramento continuo.

Benefici per l’impresa

– Individuare automaticamente la conformità/non conformità di un serbatoio.

– Indicare automaticamente l’eventuale possibilità di riparazione per i prodotti non conformi.

– Indicare le attività di riparazione per i prodotti riparabili.

– Avere un sistema in grado di apprendere automaticamente conoscenza in base alle scelte alternative dell’operatore.

AI per pianificazione della domanda e ottimizzazione della produzione

Introduzione

Latteria Soresina è una storica cooperativa lattiero-casearia. Con oltre un secolo di esperienza, l’azienda si è affermata come leader nella produzione di formaggi italiani di alta qualità, tra cui il Grana Padano DOP, il Provolone Valpadana DOP e il burro, mantenendo un forte legame con il territorio e la tradizione.

Il problema

Storicamente, la funzione di pianificazione e produzione in Latteria Soresina è stata affidata all’abilità e alla memoria storica degli operatori dei reparti produttivi in funzione delle richieste commerciali puntuali (logica di make to order). Emerge dunque la necessità di effettuare la previsione della domanda (demand planning) in linea con le attuali esigenze di mercato, quali flessibilità, riduzione della dimensione del numero di lotti, frammentazione delle referenze e ottimizzazione dei flussi logistici in ingresso e in uscita.

Il rischio connesso alla gestione della domanda senza un sistema informativo a supporto comporta:

Uno sforzo rilevante da parte dei soggetti dedicati alla realizzazione del piano di produzione.

Il rischio di commettere errori di valutazione in termini di dimensionamento della capacità produttiva, quantificazione delle materie prime necessarie e stima della richiesta puntuale di mercato.

Maggiori difficoltà nella stima delle variazioni delle caratteristiche e delle abitudini dei consumatori.

Tecnologie

Intelligenza artificiale per la stima della domanda di mercato.

Advanced demand planning.

Impatti desiderati

Capacità di elaborazione strategica di diverse variabili che possono impattare la pianificazione secondo fattori variabili quali: promozioni, vendite push, stagionalità, meteo, TMC prodotti, shelf life residua, in/out clienti, lead time ordini.

Affidabilità nell’evasione degli ordini e nell’efficienza produttiva.

Benefici per l’impresa

Grazie alla riduzione dei costi di produzione, aumentano i margini di contribuzione operativa per singola famiglia di prodotto.

Diminuisce il time to market e allo stesso tempo si allunga la finestra temporale di commerciabilità del prodotto rispetto alla data di scadenza.

Maggiore comprensione delle necessità dei clienti, con conseguente allineamento con le aspettative e miglioramento del livello di servizio.

Maggior reattività sul mercato, in grado di adattarsi ai cambiamenti sempre più dinamici e puntuali.