Intelligenza artificiale per l'industria manifatturiera, dentro la tua azienda
Intelligenza artificiale per l'industria manifatturiera che gira sui tuoi server: i tecnici trovano la risposta nei manuali in pochi secondi, i ticket di assistenza arrivano già classificati con una prima risposta proposta. Manuali, schede tecniche e storico dei ticket non escono mai dall'azienda.
Il sapere c'è già, solo che è sepolto
In un'azienda manifatturiera la conoscenza che serve all'assistenza esiste: sta in decine di gigabyte di manuali delle macchine, schede tecniche, revisioni, e in anni di ticket chiusi in cui qualcuno ha già risolto lo stesso guasto. Il problema è ritrovarla. Il tecnico esperto sa dove guardare, quello nuovo no, e chi smista i ticket li legge uno per uno.
Non serve un chatbot generico collegato a un servizio cloud. Serve un sistema che conosca le tue macchine, che risponda citando la pagina del manuale da cui ha preso l'informazione, e che giri su hardware tuo, perché documentazione tecnica e storico clienti sono patrimonio aziendale.
Quattro pezzi, ognuno utile da solo
Assistente per i tecnici sui manuali (RAG)
I manuali, le schede tecniche e le note di servizio (10–100 GB tipici) vengono indicizzati in un motore di ricerca semantica. Il tecnico scrive la domanda come la farebbe a un collega e riceve una risposta con il riferimento al documento e alla pagina.
Dataset dai ticket chiusi
Lo storico dei ticket diventa un dataset pulito di coppie problema → soluzione: deduplicato, anonimizzato dove serve, con le categorie normalizzate. È il pezzo meno visibile e quello che decide la qualità di tutto il resto.
Classificazione dei ticket con fine-tuning
Un modello open source da 8–14 miliardi di parametri viene addestrato sul dataset per assegnare categoria, macchina e priorità a ogni ticket nuovo e proporre una prima risposta nello stile del tuo servizio assistenza.
Integrazione con il ticketing aziendale
Classificazione e bozza di risposta compaiono direttamente nel sistema di ticketing che usate già, tramite API o connettore. L'operatore conferma, corregge o scarta: l'ultima parola resta a una persona.
Dal primo caso d'uso al sistema integrato
Call conoscitiva gratuita (30 minuti)
Mi racconti quali macchine, quanti documenti, quanti ticket e che sistema di ticketing usate. Ti dico se il progetto ha senso e da dove partirei.
Prototipo sulla ricerca nei manuali
Si parte da un sottoinsieme di manuali e da un gruppo di tecnici che lo usano davvero. Se le risposte non sono utili, il progetto si chiude qui con un investimento contenuto.
Dataset e fine-tuning per la classificazione
Dai ticket chiusi si costruisce il dataset, si addestra il modello e lo si misura su ticket che non ha mai visto, confrontandolo con la classificazione fatta a mano.
Integrazione e messa in produzione
Collegamento al ticketing, permessi, log, aggiornamento periodico dell'indice quando escono nuovi manuali e nuovo addestramento quando lo storico cresce.
Ordini di grandezza
50.000 ticket corrispondono a circa 25–50 milioni di token di testo. Un fine-tuning con tecniche come LoRA su un modello da 8–14 miliardi di parametri, con un dataset di quelle dimensioni, richiede alcune ore su una GPU professionale, non settimane. L'hardware si dimensiona sul caso concreto: per l'uso quotidiano (ricerca nei manuali e classificazione) di norma basta un server con una o due GPU, non un data center.
RAG per i documenti, fine-tuning per stile e classificazione
| RAG (ricerca nei documenti) | Fine-tuning | |
|---|---|---|
| A cosa serve | Far rispondere il modello con il contenuto dei manuali | Insegnare un formato, uno stile, una classificazione |
| Dati di partenza | Manuali, schede tecniche, note di servizio | Ticket chiusi: problema → soluzione, categoria |
| Quando escono nuovi documenti | Si aggiornano l'indice e basta | Non serve riaddestrare |
| Cita la fonte | Sì, documento e pagina | No |
| Errore tipico da evitare | Indicizzare documenti duplicati o superati | Usarlo per far "imparare" i manuali: il modello inventa |
AI privata: i dati non escono dall'azienda
Tutto il sistema (modello, indice dei documenti, dataset dei ticket) gira su server dell'azienda o su un'infrastruttura dedicata che controlli tu. Nessun documento viene inviato a servizi esterni per essere elaborato, nessun ticket finisce ad addestrare il modello di qualcun altro. I modelli sono open source, quindi niente costi a token che crescono con l'uso e niente dipendenza da un fornitore che può cambiare prezzi o condizioni.
Chi sono
Sono Stefano Salvucci, ingegnere iscritto all'Albo degli Ingegneri di Roma, 12+ anni tra sviluppo, architettura e automazione, co-fondatore di BusinessinCloud. Lavoro come fractional CTO: decido con te cosa vale la pena costruire e poi lo costruisco. Di base a Roma, seguo progetti in tutta Italia; i sopralluoghi in azienda si fanno di persona, il resto da remoto.
Le domande più frequenti sull'AI nella produzione e nell'assistenza
Come si usa l'intelligenza artificiale nell'industria manifatturiera, in concreto?
Gli usi con ritorno più rapido sono quelli in cui c'è molto testo da leggere: ricerca nei manuali delle macchine per i tecnici, classificazione dei ticket di assistenza, bozze di risposta ai clienti. Sono progetti che lavorano sui documenti che l'azienda ha già, senza dover installare sensori o cambiare le linee di produzione.
Cosa vuol dire AI on-premise?
Che il modello di intelligenza artificiale gira su server dell'azienda (o su un'infrastruttura dedicata sotto il suo controllo) invece che su un servizio cloud di terzi. Manuali, schede tecniche e ticket restano dentro il perimetro aziendale.
Un LLM on-premise è all'altezza di ChatGPT?
Per compiti mirati sì: rispondere sui tuoi manuali con il RAG e classificare i tuoi ticket dopo un fine-tuning sono lavori in cui un modello open source da 8–14 miliardi di parametri fa bene il suo mestiere. Non è pensato per scrivere poesie o rispondere su qualunque argomento, e non deve farlo.
Perché non addestrare il modello direttamente sui manuali?
Perché il fine-tuning insegna uno stile e un formato, non memorizza in modo affidabile i contenuti: un modello addestrato sui manuali risponde con sicurezza anche quando sbaglia. Per far conoscere i documenti si usa il RAG, che recupera il passaggio giusto e lo cita. Il fine-tuning si riserva alla classificazione e al formato delle risposte.
Quanti ticket servono per il fine-tuning?
Dipende dal numero di categorie e da quanto sono pulite, ma con uno storico di decine di migliaia di ticket chiusi (50.000 ticket sono circa 25–50 milioni di token) si ha materiale più che sufficiente. Spesso il lavoro vero non è l'addestramento, che richiede alcune ore, ma la pulizia del dataset.
È la stessa cosa della manutenzione predittiva con l'AI?
No. La manutenzione predittiva lavora sui dati dei sensori delle macchine per prevedere i guasti. Questo progetto lavora sui documenti e sui ticket per aiutare chi i guasti li deve risolvere. Sono complementari, e il secondo di solito è più veloce da mettere in produzione.
Si integra con il nostro sistema di ticketing?
Sì, se il sistema espone API o permette integrazioni, come la maggior parte dei software di ticketing e help desk. Classificazione e bozza di risposta compaiono dove l'operatore lavora già, senza un'altra applicazione da aprire.
Come si comincia?
Con una call conoscitiva gratuita da 30 minuti. Mi racconti macchine, documenti, volumi di ticket e strumenti che usate, e ti dico se e da dove partirei.
Parliamo dei tuoi manuali e dei tuoi ticket
30 minuti, gratuiti: valutiamo se e come l'AI può servire al tuo caso.