L’AI esce dal Cloud e arriva sulla prima linea: l’Edge Intelligence trasforma il Mobile Computing in una piattaforma decisionale

Per anni la trasformazione digitale delle operations ha seguito una direzione abbastanza precisa: portare i dati dal mondo fisico ai sistemi informativi aziendali.

Barcode, RFID, sensori, computer vision e mobile computing hanno progressivamente digitalizzato ciò che accade nei magazzini, nelle fabbriche, nei punti vendita e lungo la supply chain.

Ora sta iniziando un movimento complementare.

L'intelligenza che fino a ieri risiedeva prevalentemente nei data center e nel cloud sta tornando verso il luogo nel quale il dato viene generato e dove deve essere presa una decisione: l'edge operativo.

È uno dei passaggi più interessanti che emerge dall'intervista di CNME a Hozefa Saylawala, Senior Director EMEA – Strategy, Products and Sales Engineering di Zebra Technologies.

La visione è semplice ma strategicamente importante: l'AI enterprise deve arrivare dove avviene il lavoro fisico.

Dal Cloud AI alla Frontline AI

Gran parte dell'esplosione dell'intelligenza artificiale generativa è avvenuta nel mondo digitale.

Applicazioni, browser, data center e piattaforme cloud hanno permesso a milioni di persone di interrogare Large Language Models estremamente potenti.

Ma il lavoro della supply chain presenta condizioni differenti.

Un operatore può trovarsi davanti a un pallet in ricevimento, su una linea produttiva, all'interno di un magazzino con copertura Wi-Fi non uniforme, davanti a uno scaffale oppure accanto a un cliente.

In queste situazioni servono risposte immediate.

Secondo Zebra, tre elementi rendono quindi un'architettura esclusivamente cloud non sempre ideale per la frontline: latenza, connettività e costo.

Ogni interrogazione inviata al cloud richiede una connessione e introduce un percorso tra dispositivo, infrastruttura e modello AI. Inoltre, quando migliaia di operatori utilizzano continuamente servizi AI basati sul consumo di token, il costo operativo può diventare una variabile significativa.

L'alternativa non consiste nell'eliminare il cloud.

Consiste nel costruire un'architettura più distribuita nella quale cloud intelligence ed edge intelligence collaborano, eseguendo sul dispositivo ciò che ha senso elaborare localmente.

Small Language Models: meno generalisti, più vicini al lavoro

Uno degli elementi più interessanti di questa evoluzione è rappresentato dagli Small Language Models, o SLM.

Un Large Language Model possiede una conoscenza estremamente ampia e generalista.

Un modello destinato alla prima linea può invece avere un obiettivo completamente diverso.

Può conoscere le procedure operative dell'azienda, i manuali tecnici, le istruzioni di lavoro, i cataloghi prodotto, le procedure di manutenzione o le regole utilizzate per gestire una determinata eccezione.

L'obiettivo non è sapere tutto.

È sapere molto bene ciò che serve all'operatore in quel momento.

Modelli più piccoli e specializzati possono inoltre essere eseguiti direttamente sui moderni mobile computer dotati delle necessarie capacità di elaborazione AI.

Questo cambia radicalmente il ruolo del dispositivo.

Il terminale mobile non rappresenta più soltanto l'interfaccia attraverso cui interrogare un sistema remoto.

Diventa esso stesso un nodo intelligente della supply chain.

Dal Data Capture all'Intelligent Data Capture

Questa evoluzione è particolarmente significativa se osservata dal punto di vista dell'Automatic Identification and Data Capture.

Per decenni il paradigma è stato sostanzialmente:

identificare ? acquisire ? trasmettere ? elaborare.

Un barcode scanner identifica un codice.

Un sistema RFID rileva automaticamente un oggetto.

Una fotocamera acquisisce un'immagine.

Un mobile computer collega queste informazioni al workflow aziendale.

L'AI introduce un nuovo livello:

identificare ? acquisire ? comprendere ? decidere ? agire.

La differenza è fondamentale.

La fotocamera di un mobile computer, combinata con modelli di computer vision, può riconoscere contemporaneamente prodotti, barcode, testi o altri elementi presenti nella scena.

L'OCR intelligente può trasformare documenti e informazioni stampate in dati immediatamente utilizzabili.

Il dispositivo può interpretare ciò che vede e fornire all'operatore l'azione successiva.

Zebra sta già sviluppando questa direzione attraverso i propri Frontline AI Enablers, modelli e strumenti AI ottimizzati per essere eseguiti direttamente sui mobile computer.

AI Enablers, Blueprints e Companion: tre livelli della Frontline AI

La strategia descritta da Zebra può essere letta attraverso tre livelli complementari.

Gli AI Enablers rappresentano i componenti fondamentali: modelli e strumenti specializzati per attività come riconoscimento di barcode multipli, OCR, identificazione di prodotti e computer vision.

Sopra questi componenti arrivano gli AI Blueprints.

Sono framework applicativi che combinano modelli, API e workflow per affrontare casi d'uso operativi specifici senza dover sviluppare ogni soluzione partendo da zero.

Il terzo livello è quello più vicino all'operatore: AI Companion.

L'AI diventa un assistente operativo con cui il frontline worker può interagire attraverso il linguaggio naturale.

Un addetto potrebbe chiedere:

“Come devo gestire questo reso?”

“Qual è la procedura per questa anomalia?”

“Qual è il prossimo controllo da effettuare?”

Il sistema può consultare la conoscenza aziendale pertinente e restituire immediatamente una risposta contestualizzata, arrivando potenzialmente ad accompagnare l'operatore verso l'applicazione o il workflow necessario.

Il mobile computer diventa un Operational AI Assistant

È probabilmente questa la trasformazione più importante.

Per anni il mobile computer enterprise è stato considerato soprattutto uno strumento di data capture e transaction processing.

Prima barcode.

Poi applicazioni enterprise.

Poi voce, immagini, RFID, computer vision e sensoristica.

Ora arriva l'intelligenza artificiale.

Il dispositivo può progressivamente diventare un vero Operational AI Assistant.

Non soltanto registra ciò che l'operatore sta facendo.

Può comprendere il contesto operativo, recuperare informazioni, interpretare immagini e testi, suggerire azioni e aiutare il lavoratore a gestire eccezioni.

Significa portare una parte dell'intelligenza aziendale direttamente nel momento della decisione.

L'AI può funzionare anche quando la rete non funziona

L'elaborazione locale introduce inoltre un vantaggio particolarmente importante nelle operations.

Una fabbrica, un magazzino o un piazzale logistico non sono un ufficio.

La connettività può essere intermittente.

Alcune aree possono avere copertura limitata.

Determinati workflow possono richiedere tempi di risposta estremamente bassi.

E alcune informazioni potrebbero essere preferibilmente elaborate senza uscire dal dispositivo.

Portare modelli AI sull'edge significa quindi ottenere contemporaneamente velocità, resilienza e maggiore controllo sul dato.

Un esempio concreto arriva dalle applicazioni Zebra per il ricevimento merci: elaborazione di barcode e testo può avvenire direttamente sul mobile computer, evitando dipendenza dalla rete e mantenendo localmente le informazioni operative.

Tokenless AI: cambia anche l'economia dell'intelligenza artificiale

L'intervista introduce inoltre un concetto interessante dal punto di vista economico: Tokenless AI.

Nei servizi AI cloud il costo è frequentemente collegato all'utilizzo.

Ogni richiesta comporta elaborazione, API e consumo di token.

Moltiplicare questo modello per centinaia o migliaia di operatori che utilizzano continuamente l'AI durante il turno può rendere meno prevedibile il costo complessivo.

Con modelli eseguiti localmente, parte di questa economia cambia.

L'investimento si sposta maggiormente verso l'infrastruttura edge e verso dispositivi capaci di eseguire localmente i workload AI.

È un cambiamento importante anche nella valutazione del Total Cost of Ownership del mobile computing.

Il confronto non sarà più soltanto:

quanto costa il dispositivo?

Ma sempre più:

quanta capacità operativa e quanta intelligenza può generare quel dispositivo durante il proprio ciclo di vita?

Il valore dell'AI sarà nella conoscenza del contesto

Esiste poi un'altra conseguenza.

Nelle operations, il modello AI più grande non sarà necessariamente il modello migliore.

Il valore dipenderà dalla capacità di comprendere il contesto operativo.

Procedure aziendali.

Dati provenienti da ERP, WMS e MES.

Barcode.

RFID.

Immagini.

Posizione degli asset.

Inventario.

Stato delle attività.

Storico delle operazioni.

È l'integrazione tra questi elementi che può trasformare l'intelligenza artificiale da chatbot a intelligenza operativa.

Ed è qui che il rapporto tra AI e tecnologie di identificazione automatica diventa particolarmente interessante.

L'AI può interpretare il mondo, ma prima deve poterlo osservare.

Barcode, RFID, computer vision, sensori e sistemi di localizzazione costituiscono quindi qualcosa di più di semplici tecnologie di acquisizione.

Costituiscono il sistema sensoriale dell'AI applicata al mondo fisico.

Dalla Connected Frontline alla Intelligent Frontline

La trasformazione può essere sintetizzata come il passaggio attraverso tre generazioni.

La prima ha digitalizzato il worker, sostituendo carta e processi manuali con mobile computing e applicazioni enterprise.

La seconda ha connesso il worker, mettendolo in comunicazione continua con ERP, WMS, MES e sistemi aziendali.

La terza sta iniziando ora.

È quella dell'Intelligent Frontline Worker.

Un lavoratore che non dispone soltanto dell'accesso ai dati, ma di strumenti capaci di interpretarli insieme a lui.

Ed è importante sottolineare che l'obiettivo non è necessariamente sostituire l'operatore.

Zebra descrive esplicitamente la propria strategia come un modello di augmentation: utilizzare l'intelligenza artificiale per permettere alle persone di lavorare con maggiore velocità, precisione e consapevolezza.

L'AI diventa quindi un moltiplicatore delle capacità umane.

La supply chain diventa una rete di nodi intelligenti

Guardando questa evoluzione da una prospettiva più ampia emerge una trasformazione ancora più interessante.

Una supply chain tradizionale raccoglie informazioni dal mondo fisico e le invia verso sistemi centrali.

Una supply chain intelligente può invece distribuire capacità di interpretazione lungo tutta la propria infrastruttura.

Mobile computer.

Scanner.

Sistemi RFID.

Telecamere.

Sensori.

Edge computer.

Applicazioni enterprise.

Cloud.

L'intelligenza non risiede più necessariamente in un unico luogo.

Si distribuisce lungo la supply chain e arriva progressivamente sempre più vicino al punto nel quale accade qualcosa.

Il risultato potrebbe essere una nuova architettura operativa:

Physical World ? Data Capture ? Edge Intelligence ? Enterprise Intelligence ? Action.

La nuova frontiera della visibilità

Per Multimac questa evoluzione rafforza un principio fondamentale.

Creare visibilità nella supply chain non significa semplicemente raccogliere più dati.

Significa rendere il mondo fisico digitalmente osservabile, comprensibile e azionabile.

RFID crea visibilità sugli asset.

Barcode e computer vision digitalizzano prodotti, documenti ed eventi.

Il mobile computing porta queste informazioni alla prima linea.

L'AI aggiunge il livello successivo: trasforma il dato in comprensione e la comprensione in azione.

Ed è probabilmente questa una delle direzioni più importanti della prossima generazione di supply chain technology.

Non avremo soltanto sistemi centrali sempre più intelligenti.

Avremo milioni di punti intelligenti distribuiti nel mondo fisico, capaci di osservare ciò che accade, interpretarlo e aiutare le persone a prendere decisioni migliori.

La vera rivoluzione della Frontline AI potrebbe quindi non essere semplicemente portare l'intelligenza artificiale sui dispositivi.

Potrebbe essere qualcosa di più profondo:

portare l'intelligenza enterprise esattamente nel punto in cui il mondo digitale incontra il mondo fisico e dove, ogni giorno, vengono prese le decisioni che fanno funzionare la supply chain.