I processi industriali nel comparto manifatturiero e farmaceutico stanno affrontando una fase di profonda trasformazione guidata dall’adozione della GenAI, impiegata per convertire la conoscenza accumulata sulle linee di produzione in azioni di ripristino tempestive. L’esperienza sviluppata da Angelini Pharma insieme a Class Reply è stata illustrata durante il convegno AI & Automation Talk, promosso dagli Osservatori Digital Innovation del Politecnico di Milano. Il progetto dimostra come la digitalizzazione dei flussi di lavoro permetta di valorizzare decenni di commenti operativi per assistere in tempo reale il personale di linea a fronte di un fermo macchina.
Indice degli argomenti
Valorizzare l’esperienza di fabbrica attraverso la GenAI
Il bisogno di business e il patrimonio informativo aziendale
Angelini Pharma è uno storico gruppo farmaceutico italiano a conduzione familiare, fondato nel 1919, che conta oggi oltre 1.500 collaboratori in Italia ed è presente in Europa, Asia e America. L’azienda produce farmaci di largo consumo come la Tachipirina e soluzioni per il trattamento dell’epilessia. Come chiarito da Raffaele Cardi, Lean Project Manager di Angelini Pharma, l’esigenza di business è nata dalla volontà di valorizzare l’esperienza maturata dagli operatori direttamente sulle linee di confezionamento e produzione. L’obiettivo finale dell’iniziativa consisteva nell‘incrementare la produttività complessiva e ridurre i costi operativi dello stabilimento.
Per un arco temporale di venti o trenta anni, la prassi aziendale ha previsto che gli operatori commentassero e trascrivessero manualmente tutto ciò che accadeva a valle di una fermata dell’impianto, descrivendo la causa del guasto e le relative operazioni di risoluzione. Cardi ha spiegato la genesi dell’iniziativa richiamando la riflessione interna dell’azienda: “La domanda principale che ci siamo posti è stata: come possiamo valorizzare il know-how consolidato degli operatori per aumentare l’efficienza produttiva?”. Da questa analisi è emersa la possibilità di ottimizzare l’intero flusso di troubleshooting: “Ci siamo resi conto che tutto questo processo cognitivo di troubleshooting svolto durante la produzione poteva essere notevolmente ottimizzato tramite l’Intelligenza Artificiale Generativa”. Le prime difficoltà tecniche sono state legate alla natura dei dati disponibili, poiché le segnalazioni venivano raccolte mediante campi di testo libero, risultando prive di categorizzazione e del tutto destrutturate.
Dal Minimum Viable Product al modello Enterprise-Ready
L’approccio tecnico è stato dettagliato da Marco Trampaglia, AI Specialist di Class Reply, società del Gruppo Reply specializzata sulle tecnologie Microsoft e Databricks. Il percorso tecnologico ha preso avvio da un pilot, ovvero un Minimum Viable Product (MVP) già operativo su una specifica linea di produzione. La necessità fondamentale del progetto era far evolvere questo prototipo in un applicativo scalabile di livello Enterprise-Ready.
L’evoluzione della piattaforma ha previsto un requisito chiave definito direttamente dai referenti aziendali di Angelini Pharma: garantire che la Knowledge Base potesse essere gestita, aggiornata e convalidata in completa autonomia dagli utenti business dell’azienda. Trampaglia ha illustrato l’integrazione architetturale evidenziando che: “L’evoluzione è avvenuta integrando nella piattaforma esistente un Cognitive Layer applicativo che, sfruttando la GenAI, fornisce agli operatori riscontri immediati per categorizzare le anomalie e proporre soluzioni tempestive ai fermi linea”.
Architettura tecnologica e gestione del dato per la GenAI
L’integrazione tra Azure Databricks e Azure OpenAI
L’impianto tecnologico definito per la soluzione si fonda su due strumenti dell’ecosistema Microsoft: Azure Databricks e Azure OpenAI, integrato all’interno della piattaforma Microsoft Foundry. Questa combinazione si è rivelata determinante per consentire la generazione automatizzata delle categorie di anomalia e l’individuazione delle procedure di ripristino.
Il sistema gestisce la Knowledge Base attraverso due distinti scenari operativi: nel caso del rollout dell’applicativo su una nuova linea produttiva priva di uno storico dati registrato nell’interfaccia, la Knowledge Base viene popolata mediante il caricamento dello storico degli allarmi raccolto tramite export strutturati. Nel caso dell’aggiornamento continuo delle linee già integrate, il patrimonio informativo si arricchisce progressivamente grazie ai riscontri e alle conferme registrate quotidianamente dal personale di linea.
In entrambi gli scenari di funzionamento, il flusso prevede la supervisione diretta di un utente business di Angelini Pharma, con il compito di convalidare l’output elaborato dalla GenAI prima del suo salvataggio definitivo nel sistema.
L’architettura multi-ambiente su cloud Microsoft Azure
La soluzione è stata progettata su cloud Microsoft Azure con un’architettura scalabile articolata su tre ambienti separati: un ambiente di Sviluppo, un ambiente di Test dedicato alla validazione congiunta con il cliente e l’ambiente di Produzione impiegato sulle linee. Il flusso di elaborazione dei dati si sviluppa lungo quattro fasi principali:
- Sorgenti Dati: l’acquisizione comprende gli allarmi generati in tempo reale tramite integrazione diretta con i macchinari, lo storico degli allarmi estratto in formato Excel e le segnalazioni dei guasti inserite manualmente sull’applicativo.
- Data Aggregation: le informazioni raccolte vengono organizzate su database dedicati, impiegando Azure Cosmos DB per la memorizzazione di allarmi e guasti e SharePoint per la gestione della Knowledge Base.
- Processing & Modelling: il motore di elaborazione risiede su Azure Databricks, che interagisce con il Cognitive Layer basato su Azure OpenAI e Microsoft Foundry, sfruttando modelli della famiglia GPT e modelli di Text Embedding per categorizzare gli eventi e generare le relative soluzioni.
- Presentation Layer & Output: include un’interfaccia amministrativa per la validazione della Knowledge Base da parte del referente aziendale e due interfacce utente finali, costituite dall’applicazione per gli operatori su schermi touch e iPad e dai report in Power BI alimentati da Azure Databricks secondo l’architettura Medallion nei livelli Bronze, Silver e Gold.
L’impatto sulle Operation e l’inversione del paradigma lavorativo
La nuova operatività dell’operatore in linea
L’introduzione della tecnologia ha determinato una trasformazione profonda nella quotidianità del personale di produzione. Come osservato da Cardi, la sfida principale è stata rappresentata dall’inversione del paradigma lavorativo: gli operatori non devono più intervenire sul guasto per poi digitare a fine fermo un commento testuale ex-post, ma consultano in tempo reale i suggerimenti forniti dall’applicazione per agire di conseguenza.
Trampaglia ha descritto il funzionamento dell’interfaccia grafica a disposizione del personale di linea: “Di fronte a un allarme, la dashboard mostra i dettagli della macchina, del prodotto, del formato e della durata del fermo. L’applicazione GenAI propone categorie aggregate con percentuali di confidenza”. Attraverso questa modalità, l’operatore può confermare la categoria e la soluzione proposta eseguendo soli due clic sullo schermo, mantenendo comunque la possibilità di effettuare una segnalazione manuale a testo libero nei casi non previsti dal sistema.
I risultati quantitativi e l’efficienza della produzione
L’adozione della nuova interfaccia e la velocizzazione della diagnosi dei guasti hanno generato riscontri misurabili sulle prestazioni dello stabilimento. L’inversione delle procedure operative ha consentito di superare le barriere all’adozione della tecnologia da parte del personale.
Sul piano delle metriche industriali, l’integrazione del sistema ha registrato un incremento dell’efficienza del ciclo di lavoro pari al 3%. Parallelamente, le misurazioni sui tempi di fabbricazione hanno evidenziato una riduzione del 3% del tempo necessario per completare un lotto da 1.000 pezzi e renderlo disponibile per l’immissione sul mercato.
Le sfide strategiche: change management, sensoristica e compliance
Il coinvolgimento degli operatori e l’adozione della tecnologia
A proposito del change management e sulla transizione organizzativa, Cardi ha indicato il coinvolgimento umano come il fattore principale del progetto. Gli operatori, abituati da decenni a digitare su una tastiera fisica davanti a un computer al termine di ogni fermo macchina, sono stati integrati nelle attività di progettazione fin dall’inizio.
Il team di progetto ha interpellato direttamente il personale di linea per individuare le modalità idonee a semplificare le operazioni quotidiane. Da questo confronto è derivata la scelta di installare schermi touch e iPad integrati lungo le linee produttive, consentendo di trasmettere le informazioni in 2-3 secondi tramite interazione grafica anziché digitare per diversi minuti. L’adozione è stata successivamente consolidata mediante un piano di formazione costante e strutturata.
Eterogeneità degli impianti e quadro regolatorio farmaceutico
Rispondendo a un quesito del pubblico inerente alla gestione della sensoristica di impianto, Cardi ha precisato che Angelini Pharma ha implementato un’architettura per l’integrazione dei dati dai macchinari già venti anni fa, precedendo la diffusione dei tradizionali sistemi MES. L’azienda impiega macchinari realizzati da differenti costruttori leader del settore, tra cui IMA e Partena.
La complessità principale è legata alla convivenza di diverse generazioni tecnologiche, come ha evidenziato Cardi: “Operiamo con macchinari di differenti costruttori leader. La vera complessità è legata alla sovrapposizione generazionale delle tecnologie: una macchina IMA recente fornisce dati da PLC e sensoristica estremamente dettagliati e strutturati; una macchina IMA di 20 anni fa fornisce allarmi molto più generici”. Nei contesti in cui la sensoristica era più essenziale, le annotazioni in testo libero inserite dagli operatori negli anni hanno fornito il contributo informativo di maggior valore per riaddestrare i modelli di intelligenza artificiale.
In vista degli sviluppi futuri sugli impianti, Cardi ha concluso specificando il percorso di convalida previsto per le linee ad alta criticità: “Quando estenderemo l’applicativo ad “aree bianche”, la normativa farmaceutica diventa più stringente. In quel caso avvieremo i processi di convalida formale previsti dalla qualità farmaceutica, facendo riferimento a standard riconosciuti come la ISO 9001 e le linee guida GAMP/Annex 11”.
Partecipa alla community