Analisi scientifica mirata alle tue esigenze

Non sempre l’analisi scientifica va d’accordo con le esigenze del business. Per quanto le soluzioni tecnologiche più avanzate nascano da approfondite ricerche scientifiche, si coglie sempre un divario tra le aspirazioni di chi fa ricerca e chi dall’altra parte vuole mettere a terra delle soluzioni che siano di immediato impatto per le attività di business. 

Le università sono piene di uffici preposti al trasferimento tecnologico, ma molto spesso la burocrazia si mette in mezzo, anche oltre la scarsa propensione alla reale compromissione del mondo accademico verso le logiche di mercato. 

Linkalab è nata proprio con l’idea di superare questi problemi di comunicabilità. Pur mantenendo un profilo accademico, improntato alla ricerca e allo sviluppo sperimentale, l’idea fondante è stata quella di accettare una sfida di mercato che implicasse essere da subito disponibili a quella che potremmo definire “la chiusura del cerchio”  tra i due mondi. Vale a dire, non fermarsi a “ecco a voi la ricerca e ora vedete se vi è utile e se potete applicarla”, ma di mettersi in gioco fino alla fine del processo. 

Quindi cosa significa nella pratica sviluppare un’analisi scientifica mirata alle esigenze di un cliente?

Significa innanzitutto partire dalla fine, cioè partire dalle esigenze del cliente, anche da ciò che c’è di più urgente, o in alcuni casi fortunati, partire da esigenze che il cliente intravede possano essere rilevanti nel medio periodo. In questo secondo caso si parla di un vero e proprio investimento a medio termine dell’azienda, e sono poche, soprattutto tra le PMI, quelle disposte ad affrontarlo. Ora la sfida diventa risalire a ritroso.

Sviluppare una soluzione a partire da un’analisi scientifica, sottintende che non esiste sul mercato una soluzione pronta. Per quanto in ambito Data Science & AI ci sia un proliferare di prodotti e servizi, siamo in una fase di sviluppo tecnologico talmente rapido che non sempre le soluzioni sono pronte e adatte per tutti i casi. 

Occorre un processo di adattamento che può essere costoso e anche facendo leva sulle nuove tecniche di sviluppo software e sulla possibilità di creare infrastrutture informatiche on-demand, è più conveniente intraprendere un approccio su misura, “tailor made” per dirla all’inglese, “make or buy” diventa sempre il dilemma. E sempre più spesso non è neanche sufficiente assemblare componenti già sviluppati, ma occorre sviluppare da zero una componente scientifica di calcolo che risolva uno specifico problema. 

Ci è capitato di recente per un’importante multinazionale della manifattura con una sede in Italia, che produce motori elettrici. Il problema da risolvere era legato al fatto che i prodotti vengono assemblati all’interno di uno stabile nel quale i componenti sono conservati su diversi scaffali distribuiti lungo un percorso a più diramazioni. Nel percorso sono definite delle stazioni di caricamento e montaggio dei suddetti componenti e gli operatori addetti all’esecuzione di queste operazioni sono distribuiti tra le varie stazioni; in diversi casi, un operatore deve servire più di una stazione e deve quindi spostarsi dall’una all’altra. 

Per trasportare i componenti da una stazione alla successiva vengono utilizzate in contemporanea alcune decine di AGV (Automated Guided Vehicle)  alle quali una logica di controllo assegna periodicamente un percorso da effettuare lungo le varie stazioni per ottenere la realizzazione di uno dei prodotti in coda richiesti dai clienti. Come conseguenza del parallelismo di esecuzione di più task di trasporto dei componenti da parte di più AGV accade si vengano a creare delle code lungo alcune stazioni di caricamento e montaggio, con conseguente perdita di efficienza nella produzione. 

Per risolvere il problema appena descritto, è stato sviluppato un algoritmo specifico di ottimizzazione che, basandosi sulla possibilità di generare percorsi alternativi e sulla verifica dell’occupazione delle varie stazioni in tempo reale, ha permesso di ridurre sensibilmente la formazione delle code e ottenere un guadagno economico misurabile nel processo di produzione del cliente.

Abbiamo trovato situazioni simili in molte altre aziende. È vero che l’imprenditore si sente più tutelato da una soluzione già esistente, che è stata già testata sul suo caso d’uso, ma molto spesso questo comporta dei compromessi di adattamento che non solo risultano inefficaci ma anche costosi. Affidarsi a un fornitore che studi quasi da zero, su quella particolare esigenza, non solo innesca un processo di collaborazione che coinvolge più in profondità l’azienda, ma apre la possibilità di una interazione a più ampio spettro. 

I problemi legati ai dati non vengono mai da soli. Non sono mai isolati dal contesto e implicano una sinergia tra tutti i vari sistemi informativi e i dipartimenti aziendali e col mondo esterno. Presto si diventa un “partner interno” che in un processo di “co-progettazione” sviluppa nel tempo nuovi stream progettuali e supporta anche la crescita della forza lavoro con percorsi formativi e attività di “training on the job”. 

Spesso le ricerche originali che vengono sviluppate ad hoc diventano dei veri e propri asset aziendali che magari fanno nascere nuovi business se non addirittura nuove startup, come spin off aziendali. 

Questo è anche il motivo che ci ha portati a far nascere in Linkalab un veicolo di creazione di nuove realtà imprenditoriali che originano dalla tecnologia, che abbiamo denominato Startup Factory. Si tratta dell’iniziativa ovum.ai, di cui parleremo in un prossimo articolo.