MACHINE LEARNING
Machine Learning per le Utility: 8 soluzioni innovative
Il Machine Learning ottimizza i processi delle Utility per rispondere meglio ai bisogni dei cittadini.
MACHINE LEARNING
Il Machine Learning ottimizza i processi delle Utility per rispondere meglio ai bisogni dei cittadini.
Le Utility e le Multiutility che gestiscono servizi sul territorio rivestono un ruolo di grande centralità sociale. Allo stesso tempo, però, le aziende di questo settore sono esposte ad alcuni rischi: inconvenienti, malfunzionamenti o interruzioni nell’erogazione delle forniture possono infatti provocare conseguenze significative sulla cittadinanza, sulla reputazione e sui ricavi. In questo contesto, le tecnologie di Machine Learning vengono in aiuto alle utility per efficientare la gestione degli asset e dei processi e permettere una migliore erogazione dei servizi ai cittadini, anche migliorando la personalizzazione dei servizi.
Le principali Multiutility in Italia hanno già iniziato a integrare il Machine Learning nei propri progetti. Adesso anche le realtà locali si stanno interessando a questa soluzione, spinte dai numerosi vantaggi che ne possono derivare. Questo articolo analizza quali sono questi vantaggi presentando 8 casi concreti di applicazione.
Le aziende che hanno già investito a livello strategico nel Machine Learning hanno riscontrato numerosi vantaggi operativi tra i quali:
gestione efficace di asset e facility;
risparmio in termini di tempo e risorse nella manutenzione;
migliore produttività delle persone;
migliori standard qualitativi e una riduzione della possibilità di errore umano;
capacità di estrarre automaticamente insight e dati utili dai patrimonio informativo aziendale.
A livello di business, questi vantaggi hanno un forte impatto sulla riduzione dei costi. Inoltre le possibilità offerte dal Machine Learning permettono alle aziende di conoscere meglio la propria utenza e, di conseguenza, migliorare l’erogazione dei servizi per i cittadini e ottimizzare le strategie di up-selling e cross-selling tramite una più ampia offerta di prodotti.
Un digital twin, ossia un gemello digitale, è una copia virtuale di un asset fisico che permette alle Utility di gestire e formulare ipotesi, in tutta sicurezza, sull’influenza di particolari condizioni sugli impianti.
Secondo Gartner, entro il 2023 un terzo delle medio-grandi aziende integreranno un digital twin nei propri progetti.
Un trend questo già ben visibile oggi: gli investimenti nei digital twin sono infatti aumentati esponenzialmente su progettualità che vanno dal monitoraggio dello stato di salute degli impianti alla fornitura di supporto e servizi tempestivi.
Un progetto concreto che Injenia ha sviluppato riguarda l’integrazione di una dashboard digital twin per supportare gli operatori sul campo nella gestione delle operazioni di contenimento e smaltimento delle acque nere e meteoriche. Il digital twin in questo caso è programmato sulla base dello storico dati estrapolato dalle serie temporali ed è capace di restituire agli operatori una previsione di quello che accadrà in futuro a partire da una serie di dati storici, messi in relazione anche con altri dati di contesto, come per esempio l’andamento meteorologico.
L’utilizzo del Machine Learning comporta numerosi vantaggi nelle modalità stesse di gestione dei processi, favorendo un risparmio di tempo e risorse spesso impiegate in attività a scarso valore aggiunto o ripetitive.
Il progetto di HERAtech si è mosso in questa direzione: l’azienda era alla ricerca di una soluzione da applicare alla rete idrica che riuscisse a distinguere gli allarmi che necessitano di intervento da quelli non attendibili, così da ottimizzare l’impiego delle squadre operative tenute a verificare eventuali anomalie.
La soluzione, realizzata in collaborazione con Injenia, ha portato a una riduzione dell’85% dei falsi allarmi grazie a un algoritmo che ha compreso tutte le situazioni sospette. L’adozione del Machine Learning ha dunque avuto ripercussioni positive sul business permettendo un risparmio nei costi di gestione della manutenzione e delle emergenze. Grazie alla consapevolezza acquisita, HERAtech ha anche impostato un processo decisionale data-driven, che ha consentito di ottimizzare i servizi di erogazione dell’acqua potabile.
L’integrazione di un Virtual Assistant nei processi di manutenzione e gestione degli asset garantisce un’assistenza sempre attiva e in tempo reale agli operatori sul territorio. L’assistente virtuale è inoltre capace di tracciare tutte le interazioni e di utilizzare quelle non corrette per irrobustire le sue capacità e offrire risposte sempre più puntuali e precise. La stessa tecnologia è risultata utile se applicata all’ambiente delle sale di telecontrollo Multiutility per ottimizzare le operation interne di supporto di tecnico.
L’esperienza di Injenia in tal senso è documentata da numerosi progetti di successo: grazie alle possibilità offerte da text mining e speech recognition, sono stati infatti sviluppati sistemi di real-time dashboarding a supporto degli operatori, che hanno così a disposizione una knowledge base consultabile H24, 365 giorni l’anno.
Un call center basato sull’Intelligenza Artificiale aiuta le Utility a gestire e monitorare le comunicazioni interne ed esterne all’azienda in modo intelligente. Infatti, integrare l’AI nelle attività di customer support e service permette di rispondere alle esigenze dei clienti con le corrette informazioni in modo automatizzato e tempestivo.
La stessa soluzione può essere usata per automatizzare i processi comunicativi di assistenza alle persone in azienda, come i team manutentivi sul territorio. Per esempio, Injenia ha realizzato un sistema capace di verificare in modo intelligente la corretta esposizione delle istruzioni di sicurezza impartite da parte degli operatori sul territorio per meglio gestire i casi di emergenza e non incorrere in sanzioni.
Le Utility possono affidarsi ad algoritmi di image recognition per il presidio continuo delle infrastrutture open-air e per intercettare potenziali criticità sulle stesse. Per esempio, individuare il prima possibile potenziali problematiche sui componenti di trasporto dell’energia elettrica permette di ottimizzare i processi manutentivi al fine di scongiurare l’outage.
La vision artificiale legata a più reti neurali, sviluppate da Injenia per un’azienda Multiutility attiva su tutto il territorio italiano, è stato possibile avviare un processo di indagine e classificazione capace di monitorare migliaia di chilometri di rete infrastrutturale. I vantaggi legati all’impiego del Machine Learning riguardano anche la possibilità di automatizzare parte della gestione della manutenzione. Il sistema è capace di individuare le anomalie nella rete, riconoscerne le tipologie e avvisare in tempo reale la squadra manutentiva dedicata per favorire interventi veloci e mirati.
Nella gestione delle attività di back office, sta diventando sempre più una realtà l’utilizzo del Machine Learning applicato al perfezionamento della Robotic Process Automation (RPA). Questa tecnologia libera le persone da task manuali e ripetitivi mediante l’uso di software intelligenti. Grazie al ML, è possibile potenziare la RPA e addestrare le macchine a seguire percorsi decisionali complessi, basati sulla grande quantità di dati raccolti dalle Utility.
La combinazione di RPA e Machine Learning dà vita alla Intelligent Process Automation (IPA), che rende possibile analizzare ed elaborare i dati, migliorare l'operatività e fornire informazioni utili al decision making. Grazie a queste tecnologie Injenia è riuscita a ottimizzare le attività di lettura, verifica e controllo dei documenti legati ai contratti e ai consumi dell’utenza. Tutte attività time-consuming che spesso vengono svolte manualmente o sono solo parzialmente automatizzate. Inoltre, ha reso automatica la categorizzazione e controllo di questi documenti permettendo di inviare input da un sistema all’altro per la gestione di procedure. Il risultato è una riduzione drastica di tempi e costi dei processi documentali e una migliore gestione dei servizi rivolti al cliente che riceve risposte più rapide alle sue istanze.
Nell’ambito delle Utility la conoscenza tecnica è un bene che va gestito e amministrato al meglio, con squadre manutentive e operatori distribuiti su un vasto territorio. Soluzioni di Cognitive Search di Injenia hanno l’obiettivo di migliorare i processi di ricerca documentale con un conseguente risparmio di tempo e una più agile operatività. Permettono infatti di cercare e trovare il documento corretto anche tra un enorme volume di possibili risultati, andando a ricostruire l’intento di ricerca.
Le tecniche di Natural Language Processing (NLP) applicate al riconoscimento del testo sono capaci di effettuare una ricerca cognitiva individuando l’intento della richiesta che viene fatta grazie all’utilizzo di modelli e regole di apprendimento automatico. Questo ha consentito a una realtà Utility di ottenere una velocità 4 volte maggiore per il reperimento delle informazioni rispetto ai tradizionali strumenti di ricerca documentale, un risparmio del -66% sui costi per attività a basso valore aggiunto e una migliore organizzazione e analisi dei dati, utili per estrarre insight fondamentali al decision making.
La piena liberalizzazione dell’energia che si completerà nel 2023 richiede alle Utility un cambio di passo. La principale conseguenza sarà un nuovo mercato molto più frammentato in termini di numero di offerte e competitor. Il governo dei propri dati rappresenta la vera opportunità di business per le aziende che non vogliono farsi trovare impreparate. I dati, applicati alle strategie sales e marketing, permettono di modellare il customer journey e la customer experience e finalizzare al meglio gli obiettivi in termini di acquisizione, fidelizzazione e servizio clienti.
Il Machine Learning consente un nuovo approccio marketing grazie alle analisi approfondite di dati più strutturati, presenti nella bollettazione, uniti a quelli estrapolati da tutti i touchpoint dell’azienda online, come il call center commerciale, le interazioni con il chatbot sul sito web e quelle sui social. Il risultato è un CRM enrichment e una clusterizzazione migliore della propria utenza, utile a individuare occasioni per massimizzare i margini e lavorare su nuove modalità di ingaggio degli utenti, tramite up-selling e cross-selling.
Un efficace utilizzo dei dati e del Machine Learning porta Utility e Multiutility a un miglioramento della produttività, derivato da un’ottimizzazione del lavoro e dei consumi, anche a favore dell’ambiente. Il fattore chiave del successo in questo settore è sfruttare al meglio la doppia valenza human-tech, per fornire soluzioni sempre più efficaci e improntate al benessere dei lavoratori e degli utenti. Injenia è attiva da anni nella realizzazione di questa visione. Ha creato numerosi progetti innovativi per Multiutility e Utility, usando le opportunità offerte da Machine Learning e Intelligenza Artificiale per migliorare i servizi rivolti alle persone e, così, migliorare il business.
Per ulteriori informazioni visita ora il sito dinova.one