Si tratta di una tecnologia estremamente versatile, che secondo uno studio1 condotto da Panasonic su un campione di 300 professionisti che lavorano nel campo della trasformazione digitale e nell’implementazione di AI e Computer Vision, viene impiegata in moltissime aree e applicazioni di business. Le riparazioni e la manutenzione (34%), il monitoraggio della produzione (33%) e il check della qualità (32%) sono le aree in cui la computer vision viene più comunemente adottata, seguite dalle aree sales e marketing (31%), la logistica e la distribuzione (28%), i reparti di back office e amministrativi (25%), la sicurezza (24%) e la sanità (22%).
Secondo lo studio, la computer vision si rivela essere la tecnologia preferita da molte aziende per incrementare la produttività. La visione artificiale ha infatti raggiunto un livello di maturità molto maggiore rispetto ad altre soluzioni di AI. Proprio per questo, la maggior parte degli intervistati prevede di ottenere un aumento medio del 42% della produttività dopo tre anni dall’implementazione e integrazione di soluzioni di computer vision nella propria azienda, con picchi del 52% per il settore manifatturiero e del 45% per il settore pubblico e dei servizi.
Ciò che conta davvero però, è la capacità di individuare le aree in cui questa tecnologia può impattare maggiormente sui processi di business e di integrare sapientemente questi strumenti all’interno della propria azienda. A tal fine, come evidenziato da un altro studio di Microsoft2 bisogna partire dalla forza lavoro: l’obiettivo non è eliminare dipendenti, quanto potenziarli sollevandoli da attività ripetitive e dispendiose. Le aziende che stanno ottenendo maggiori vantaggi da queste tecnologie sono quelle che hanno saputo capire come aumentare la produttività del proprio personale potenziandolo con l’AI. Un esempio di successo è rappresentato dal settore assicurativo. Una società di assicurazioni come Generali3 gestisce ogni anno oltre 90 milioni di immagini di veicoli soggetti a sinistri. Senza strumenti di image analytics gli addetti spendono il 50% del loro tempo analizzando queste immagini per estrarre le informazioni rilevanti. Si tratta di un processo tedioso, ripetitivo e dispendioso in termini di tempo, che Generali ha saputo automatizzare velocizzando notevolmente questo processo. Qui, la computer vision viene adottata per rilevare e localizzare automaticamente i danni e i dati come il numero di targa o il numero identificativo del veicolo (VIN), per stimare l’entità dei danneggiamenti subiti o per mostrare all’operatore immagini di danni simili.
Nonostante gli enormi potenziali di questa tecnologia, i costi di sviluppo e la mancanza di skill rappresentano le due principali barriere all’adozione segnalate dalla maggior parte delle aziende intervistate. Trattandosi infatti di tecnologie particolarmente recenti, trovare un team qualificato è spesso molto difficile. Inoltre, il 37% degli intervistati segnala difficoltà nel trovare supporto nello sviluppo e nella manutenzione in outsourcing con fornitori terzi.
In Synapsi offriamo proprio questo servizio. Ogni attività di sviluppo e integrazione è sempre preceduta da uno studio preliminare dei processi di business e dell’impatto che queste tecnologie possono avere sull’azienda. Coinvolgendo tutti gli stakeholder, ci assicuriamo di sviluppare soluzioni che portano valore misurabile e ritorni sull’investimento. Il budget e i limiti di tempo delineano la rotta da percorrere, ma è sempre importante avere chiara la destinazione. Solo successivamente passiamo alle fasi di sviluppo, integrazione e mantenimento delle soluzioni di computer vision.
In ultimo, la sicurezza e la privacy dei dati sono un altro grande ostacolo all’adozione di queste tecnologie. Per ovviare a questo, è sempre importante adottare soluzioni conformi con le norme vigenti come il GDPR e che garantiscano uno stoccaggio e una gestione dei dati sicura. In tal senso, può risultare vantaggioso scegliere soluzioni ibride tra cloud ed edge computing o completamente isolate (air gapped).
La Computer Vision è, come rivela lo studio, una delle applicazioni più mature dell’intelligenza artificiale, e sta silenziosamente rivoluzionando in modo significativo il modo di lavorare di aziende di quasi ogni settore. Questa rivoluzione è però soltanto all’inizio e la traiettoria è chiara. Oltre un terzo delle aziende intervistate (37%) ha infatti dichiarato che ha già implementato e sta traendo benefici dall’AI generativa ed agentica, con un ulteriore 34% che si trova nella fase di implementazione di questa tecnologia e il 17% che sta ancora valutando di adottarla.
Ed è qui che il potenziale della computer vision raggiunge la sua massima espressione. Dalla sua integrazione con agenti AI, questa tecnologia consente infatti di fare un passo ulteriore: non si tratta più di estrarre solo informazioni dalle immagini ma di poter automatizzare le decisioni. Potenziando infatti gli agenti AI con la percezione visiva del mondo fisico è possibile, infatti, prendere automatizzare task complessi che coinvolgono l’estrazione e l’interpretazione di dati visivi. Se anche tu vuoi capire come integrare l’AI all’interno della tua azienda ti invito a fissare un incontro con il nostro team per capire come possiamo aiutarti rivoluzionare i tuoi processi di business.
Alla base dei sistemi di riconoscimento automatici c’è la computer vision, un ramo dell’intelligenza artificiale (AI) che consente alle macchine di interpretare e prendere decisioni basate su immagini e video. Per riconoscere automaticamente le targhe, l’AI analizza le immagini provenienti dalle telecamere e per ogni veicolo legge la targa corrispondente grazie ad un processo chiamato Optical Character Recognition (OCR). Grazie a questo processo, ogni carattere della targa che viene rilevato nell’immagine viene trascritto in formato testuale. L’informazione può poi essere salvata in un database o visualizzata su un software in tempo reale.
Queste letture possono poi essere combinate con altri strumenti di riconoscimento automatico come, ad esempio, la classificazione del tipo di veicolo e il suo tracciamento, la nazionalità, o la stima automatica della velocità.
Con il riconoscimento automatico delle targhe si può arrivare a monitorare attivamente un numero molto elevato di veicoli. Si pensi ad esempio ad un tratto autostradale che viene percorso da milioni di veicoli ogni anno. Processare manualmente questi transiti sarebbe impensabile per via dei tempi e dei costi che questo processo comporterebbe. Un sistema automatico può infatti processare immagini nell’ordine di millisecondi, offrendo una scalabilità e una efficienza operativa senza confronti, ma non è tutto. In alcuni contesti potrebbe non essere necessario monitorare un gran numero di targhe, e pure l’automatizzazione può comunque portare dei vantaggi, come ad esempio nei parcheggi automatizzati, dove una telecamera può autonomamente monitorare la sosta dei veicoli anche in assenza di un operatore dedicato.
La velocità di processamento non è però l’unico vantaggio di un sistema automatizzato. Oltre alla rapidità, si richiede infatti che questi sistemi siano affidabili. La domanda che ci può sorgere è dunque: quanto sono precisi questi sistemi? La risposta a questa domanda non è banale. La precisione del sistema può infatti dipendere da diverse condizioni operative, come ad esempio la qualità delle telecamere che acquisiscono le immagini, la frequenza con cui lo fanno, la distanza, le condizioni di luce e la visibilità, che in alcuni casi può essere compromessa. L’unico modo di rispondere in maniera precisa a questa domanda è quindi testare il sistema sul campo, in varie condizioni metereologiche e di luce. Nonostante questo, volendo dare una risposta qualitativa possiamo affermare che un sistema sufficientemente robusto sarà in grado di mantenere delle performance molto vicine a quelle umane anche in condizioni di visibilità più difficili. Per darti un esempio concreto in Synapsi abbiamo sviluppato e testato un sistema di riconoscimento di transiti per un cliente nel settore autostradale. Comparando le performance di un sistema automatico con degli operatori umani in condizioni di scarsa visibilità, abbiamo scoperto che questi ultimi tendevano a sbagliare quasi il 20% delle letture, mentre il nostro sistema sbagliava solo sul 2.2% dello stesso campione.
Il riconoscimento automatico delle targhe apre le porte a molteplici applicazioni.
Spesso si vuole monitorare dei posti macchina in modo automatico senza dover installare un parcometro. È il caso di molti supermercati o altre attività commerciali, dove i posti riservati ai clienti vengono spesso abusati e utilizzati come parcheggi a lunga sosta. In tal caso, le telecamere di video sorveglianza possono essere riutilizzate anche con lo scopo di addebitare automaticamente una tariffa per le soste che superano una certa durata. Analogamente, un sistema di monitoraggio automatico consente di contare automaticamente il numero di veicoli in sosta e il numero di parcheggi disponibili.
Il riconoscimento delle targhe consente anche la verifica automatica degli accessi autorizzati. Si pensi ad esempio alle zone a traffico limitato (ZTL) o altre aree ad accesso limitato. In tali casi, un sistema di monitoraggio automatico e affidabile possono consentire di ridurre drasticamente i costi di monitoraggio, segnalando automaticamente violazioni.
Nelle smart city i sistemi di riconoscimento targa automatici consentono di monitorare automaticamente i veicoli in transito, analizzando in tempo reale il traffico, la velocità o consentendo alle autorità di trovare velocemente veicoli sospetti. Sono spesso utilizzati nei tratti autostradali free flow per il riconoscimento dei transiti o nei comuni per il monitoraggio di aree più trafficate.
Nel settore assicurativo il riconoscimento automatico delle targhe consente di velocizzare i processi di gestione dei sinistri. Combinando l’estrazione automatica delle targhe con altre informazioni sul veicolo come il VIN (Vehicle Identification Number), le componenti della carrozzeria, i chilometri percorsi e i danni, si possono velocizzare i processi riducendo i costi di gestione e garantendo un servizio più veloce ai propri clienti.
In Synapsi abbiamo sviluppato sistemi di riconoscimento targhe in vari contesti che vanno dal settore assicurativo a quello autostradale, passando dalla fase di prototipazione fino all’industrializzazione. Conosciamo bene le sfide e i risultati che si possono raggiungere e possiamo aiutarti nello sviluppo e nell’integrazione di questi sistemi all’interno di altri sistemi aziendali. Se hai bisogno del nostro supporto non esitare a fissare una consulenza gratuita con il nostro team!
]]>Lavorando al fianco di corporate di diversi settori (autostradale, assicurativo, food & beverage, agritech, infrastrutture e trasporti, e manifatturiero), in Synapsi abbiamo maturato un processo strutturato in 5 step fondamentali che ci porta ad evitare questi errori.
Immagina di essere un’azienda che produce trapani elettrici e che vuole rivoluzionare il mercato. Conoscendo bene il settore sai che la maggior parte dei clienti cerca un nuovo trapano quando il precedente si rompe. Decidi quindi di investire nello sviluppo di una nuova punta ricoperta di titanio per renderlo il 40% più resistente dei trapani in commercio. Le vendite aumentano per un po’, fino a quando l’uscita di un nuovo prodotto inizia ad erodere i tuoi ricavi. Si tratta delle strisce adesive appendi quadri di 3M, che consentono ai tuoi potenziali clienti di risolvere il problema di appendere un quadro senza doversi scomodare forando un muro. Hai appena appreso una delle lezioni più celebri nel mondo del marketing elaborata da Theodore Levitt.
“La gente non vuole comprare un trapano con una punta da 6mm. Vuole un foro da 6mm nel muro.”
È un concetto semplice, eppure spesso trascurato da chi propone innovazione e tecnologia alle imprese: le PMI non sono alla ricerca di chatbot, algoritmi o modelli generativi fini a se stessi. Ciò di cui hanno davvero bisogno è garantire la continuità operativa, ridurre gli errori, servire clienti più velocemente e con una gestione efficace dei costi. L’intelligenza artificiale può certamente rivelarsi uno strumento prezioso per raggiungere questi obiettivi, ma non rappresenta mai il punto di partenza. Quando si perde di vista questa dinamica fondamentale, il rischio è che l’AI si trasformi nell’ennesima promessa generica, un costo a bilancio senza un reale ritorno sull’investimento.
La sfida non è essere i primi ad applicare l’intelligenza artificiale. La vera sfida da porsi è capire dove stai impiegando persone per svolgere attività che una macchina potrebbe fare meglio, più velocemente o con meno errori? Solo da qui può partire un vero ragionamento sull’adozione dell’AI. Altrimenti si finisce per integrare tecnologie di cui nessuno aveva bisogno, solo per non sembrare in ritardo. L’AI non può sostituire le persone, ma può potenziarle rendendole più produttive. Immagina di essere un’azienda nel campo assicurativo che impiega dei periti nell’analisi delle immagini dei sinistri. Ogni volta che l’operatore analizza una nuova richiesta dovrà guardare molteplici immagini per verificare il numero di targa e di telaio dell’auto. Dovrà poi analizzare i danni e inserire manualmente i dati a sistema. Immagina questo processo ripetuto per decine o centinaia di volte al giorno. Quanto impatta sul business? Immagina ora di poter estrarre tutte queste informazioni automaticamente, in modo che i tempi di elaborazione di un transito siano più che dimezzati. Si tratta di una riduzione di costi annuali e di efficientamento del processo che consentono di offrire un servizio più veloce ai propri clienti. Questo esempio, ispirato a uno use case di un nostro precedente cliente, è un esempio lampante di come l’AI possa avere un vero impatto positivo sul business.
Un falso mito da sfatare è che l’intelligenza artificiale possa risolvere qualunque problema. In troppi pensano che basti fornire in input a questi sistemi qualunque cosa e questi impareranno a risolvere i nostri problemi. Non è assolutamente così, anzi, tra gli esperti del settore vige spesso un mantra: “garbage in, garbage out”. Se inseriamo qualunque tipo di dato in un sistema di AI, senza assicurarci della qualità e senza un processo strutturato otterremo un sistema che ci restituisce risposte della stessa qualità. Se hai individuato un processo di business sul quale lavorare il primo obiettivo è capire quindi se i dati di cui disponi sono utilizzabili per addestrare un algoritmo di intelligenza artificiale o se puoi usarne uno già addestrato sui tuoi dati. Se la risposta è no devi partire dalle fondamenta. Un processo di acquisizione dei dati ben strutturato può portare enormi benefici. In tal caso puoi individuare delle aree di miglioramento su cui lavorare per ottenere dei dati più puliti. Per darti un esempio immagina di avere dei video acquisiti da una telecamera installata su una flotta di veicoli. In una prima fase, le telecamere sono state installate all’interno dei veicoli. Analizzando i dati ti accorgi che la maggior parte dei video presentano riflessi, una qualità dell’immagine troppo bassa e un campo visivo estremamente limitato. Se pensi che l’AI possa fare miracoli rilevando anche i dettagli più minuziosi sappi che probabilmente finirai solo per sprecare budget. Piuttosto che avviare subito un progetto di automazione potresti investire una parte di quel budget per ricollocare le telecamere all’esterno dei veicoli o per sostituirle con telecamere di qualità superiore. Con dei dati di qualità riuscirai sicuramente ad ottenere risultati migliori.
Una volta compreso questo primo step fondamentale, il passo successivo è impostare degli obiettivi chiari e misurabili. Quali performance dovrà raggiungere il sistema perché possa davvero avere un impatto tangibile nella tua azienda? Su quali processi interviene? Senza dei KPI finirai per navigare al buio. Che si tratti di migliorare la soddisfazione del cliente, ridurre i costi operativi o aumentare la produttività dei dipendenti, assicurati che questi KPI riflettano l’impatto che ti aspetti da ogni integrazione dell’AI. Se non sai da dove partire potresti elaborare un benchmark di soluzioni di AI già presenti sul mercato o open source. In alternativa puoi prendere le performance umane nell’attività che vuoi automatizzare come valore verso il quale il sistema dovrà tendere.
L’adozione dell’intelligenza artificiale è un percorso, non un punto di arrivo. Non è necessario raggiungere l’obiettivo in un colpo solo. Ogni progetto di AI è unico e dovrebbe essere sempre caratterizzato da un processo sperimentale. Il nostro suggerimento è di iniziare sempre dallo sviluppo di una Proof of Concept (PoC), un progetto pilota che permetta ai team di lavorare per obiettivi chiari in un contesto limitato. L’obiettivo di una PoC non è integrare l’AI al giorno zero, quanto piuttosto comprenderne le limitazioni. Si tratta di un processo iterativo, nel quale si sperimenta, si individuano aree di miglioramento e si testa le reali potenzialità di un sistema di intelligenza artificiale in un contesto operativo. Può sembrare una inutile perdita di tempo, ma l’AI non è una scatola magica e non funzionerà come ti aspetti dal primo momento in cui la applicherai. Un progetto pilota ti aiuta a comprendere come sfruttarla al meglio e traccerà la strada per una adozione più consapevole nei processi di business.
Tornando all’esempio della compagnia assicurativa, invece di puntare ad estrarre tutte le informazioni di cui hai bisogno dal primo momento potresti concentrare le energie nello sviluppo di un sistema di AI in grado di leggere le targhe dei veicoli accidentati. Parti da veicoli europei, e misura le performance del sistema. Dopo una prima fase di test potresti scoprire ad esempio che il sistema fatica a distinguere alcuni caratteri. Ad esempio, il sistema potrebbe confondere spesso caratteri simili come “D” e “B”, “0” e “O”, o “C” e “G”. Si tratta di un problema comune in questo tipo di task. Concentrati su questo aspetto e migliora le performance del sistema. Una volta raggiunti i KPI, potrai facilmente rendere il sistema in grado di riconoscere targhe provenienti da Paesi extra UE. La PoC serve a strutturare il sistema nella giusta configurazione e a individuare una serie di azioni per renderlo robusto. Solo una volta che avrai verificato l’efficacia dell’intelligenza artificiale potrai integrarla nei processi di business.
Prima di automatizzare l’attuale processo con l’AI assicurati che questo mantenga delle buone performance nel tempo. Come un nuovo dipendente, l’AI avrà bisogno di un periodo di affiancamento nel quale potrai monitorare le performance del sistema in uno scenario reale per un periodo sufficientemente rappresentativo. Per esempio, se sei un’azienda autostradale e il tuo obiettivo è analizzare i transiti dovresti assicurarti di affiancare il nuovo sistema di AI per un periodo di tempo sufficientemente lungo da coprire periodi di traffico “normale” e periodi di traffico più intenso come nelle festività. Questa fase serve ad assicurarsi che il sistema rimanga affidabile in ogni scenario operativo e a correggere eventuali comportamenti imprevisti.
Una volta che il sistema sarà stato sufficientemente testato potrai finalmente integrarlo nei processi di business. In questo ultimo step è cruciale ricordarsi che l’AI è uno strumento e come ogni altro strumento integrato nella tua azienda dovrà avere un impatto sul business. In questa fase è cruciale monitorare costantemente i KPI che hai definito nello step 2. Conduci periodicamente delle sessioni di revisione per valutare l’utilizzo e l’efficacia degli strumenti. Non si tratta solo di monitorare le metriche; l’obiettivo è comprendere la storia che si cela dietro i numeri. In che modo gli strumenti di intelligenza artificiale stanno rimodellando i flussi di lavoro, il processo decisionale e le interazioni con i clienti? Stanno soddisfacendo, superando o deludendo le aspettative? Questo ciclo di valutazione continuo ti aiuterà a identificare i modelli di successo, le aree di miglioramento e le opportunità per un’ulteriore esplorazione dell’AI.
Se stai ancora leggendo queste righe avrai compreso che integrare l’AI nella tua azienda è un processo iterativo, nel quale ad ogni step puoi misurare l’impatto che questa sta avendo nella tua azienda. Si tratta sicuramente di un processo complesso, che può spaventare, ma che porta a risultati concreti e tangibili. Noi di Synapsi lo sappiamo bene e se vorrai potremo guidarti in questo processo step by step.
]]>