Il Progetto

BRAINS rappresenta un’evoluzione nel campo della tecnologia AI, fungendo da intermediario tra gli operatori umani e i sofisticati sistemi operativi di manifattura. Tramite l’uso del linguaggio naturale, BRAINS consente agli operatori di accedere e utilizzare efficacemente i dati di cui hanno bisogno, indipendentemente dal loro livello di competenza tecnica. Non solo BRAINS sarà in grado di correlare ‘domande confuse’ a concetti precisi di dominio verticale, ma sarà anche in grado di generare ‘risposte precise’ in base al contesto operativo di richiesta e al tipo di profilo del richiedente. Gli utenti avranno la possibilità di interagire con i Digital Twins tramite ChatBot integrati nei LLM, inserendo dati e documenti, conversando con loro e integrandoli con i modelli di simulazione.​

​

​

​

​

​

➤L’aspetto innovativo di questo progetto è l’uso di un chatbot basato su LLM per il settore manifatturiero. ​
➤BRAINS sarà addestrato su di un Foundation Model specifico del settore e alimentata con uno storico di data model ERP di una azienda tipo oltrechè con gli eventi generati da un simulatore della stessa. ​
➤Potrà interagire con operatori e utenti di alto livello utilizzando e traducendo le analytics derivanti dalla mole di dati su cui è addestrata.
➤Integrazione di grandi Language Learning Models (LLM), denominati “Foundation Models”, all’interno di un sistema Cyber-Physical (CPS). Questi modelli saranno addestrati su enormi quantità di dati.
➤Il CPS sarà collegato a un sistema di IIoT (Industrial Internet of Things), che genererà e integrerà dati di campo in tempo reale all’interno dei modelli di simulazione. ​
➤Il modello potrá essere cucito sulle esigenze specifiche dell’azienda tramite fine-tuning su dati privati dell’azienda e documenti con cui conversare e integrare nei modelli.​
➤Fine-Tuning: modello pre-addestrato, come un LLM, viene ulteriormente addestrato su un dataset specifico o su un task specifico grazie alla mole di dati generati attraverso il sistema IIOT aziendale. Il fine tuning modifica i pesi del modello originale e ottimizza le prestazioni.
➤Retrieval-Augmented Generation (RAG): Questo è un metodo che combina le tecniche di “retrieval” (recupero) e generazione per produrre risposte più informate. In un modello RAG, quando viene data una domanda o un contesto, il modello prima esegue una ricerca in un grande corpus di documenti per trovare informazioni rilevanti. Questi documenti recuperati vengono poi utilizzati come contesto supplementare per generare una risposta​
➤Modelli di Simulazione: I modelli di simulazione aumentano l’affidabilità del sistema integrando i Digital Twin dell’Impianto e si occupano di gestire tutti quei compiti e processi che hanno un Modus Operandi ben definito ​

Ci aspettiamo che il chat bot migliori l’efficienza dei processi produttivi attraverso una migliore gestione e monitoraggio.​
Che riduca gli errori e i ritardi attraverso l’assistenza in tempo reale e la risoluzione dei problemi, migliori la formazione e l’apprendimento continuo dei dipendenti attraverso l’accesso immediato a informazioni rilevanti.​
Infine i nostri propositi ci portano a pensare che il chat bot possa arrivare a fornire la possibilitá a chiunque di interagire con i dati e i modelli aziendali​.