AI Case Study

Un top player italiano nell’industria dell’energia ci ha commissionato un’indagine data-driven sui propri stabilimenti di produzione. Il nostro committente, infatti, esercisce questi impianti per società terze, e questa Fair Value Estimation ha permesso di ottenere una stima più robusta del valore dei propri asset, oltre a una base più solida per condurre un’eventuale compravendita.

Siamo partiti dal registro di asset: una lista granulare degli elementi dello stabilimento, inclusi gli item più complessi, con tutte le informazioni correlate – anno di acquisto e di installazione, eventuale sostituzioni di pezzi, etc.

Combinando i dati proprietari con dati statistici, letteratura e opinione degli esperti, siamo riusciti a fornire una stima affidabile sull’orizzonte di vita dei componenti, deprezzandoli sulla base della loro Remaining Useful Life, ovvero prevedendo in maniera affidabilistica per quanto tempo ancora il componente potesse effettuare la propria funzione correttamente.

Si è scoperto che la vita utile degli elementi in vendita fosse molto più lunga di quanto prospettato dall’acquirente, che si basava solo su valori tabulati degli standard di riferimento.

Una società di gestione della rete ferroviaria ci ha commissionato un’analisi di rischio per la circolazione di un nuovo treno a idrogeno su una linea non elettrificata, in un tratto fortemente urbanizzato.

Per comprendere tutti i rischi di questo nuovo tipo di treni su una specifica ferrovia, abbiamo dovuto comprendere nel nostro modello di analisi del rischio tutti i possibili scenari catastrofici che potrebbero potenzialmente accadere, combinando i dati disponibili con molte altre variabili ancora sconosciute, per via della scarsissima letteratura in materia.

Per gestire l’allocazione dei budget di vendita dei ricambi ai suoi oltre 1000 concessionari, uno dei principali player automobilistici internazionali ci ha commissionato un progetto custom.

Abbiamo sviluppato un Decision Support System (DSS) per stimare il rischio di ogni concessionario di non raggiungere gli obiettivi di budget desiderati (basato su dati storici e scorte rimanenti) e fornire insight mirati per riallocare il budget a ciascun rivenditore, in una prospettiva centrata sull’efficienza.

La divisione credito al consumo di un importante istituto bancario italiano ci ha commissionato un progetto custom IDM per ottimizzare il proprio flusso di gestione documentale e l’onboarding di nuovi clienti.

Integrando la nostra tecnologia IDM nell’infrastruttura esistente, abbiamo consentito alla banca di gestire 90.000 file all’anno, per un totale di oltre 2,5 milioni di pagine da 33 diversi tipi di file (carte d’identità, moduli assicurativi, contratti, ecc.).

In questo modo è stato reso più efficiente l’intero processo, dal caricamento del documento fino alla compilazione automatica dei campi pertinenti, ottenendo dati precisi e immediatamente fruibili, oltre a un risparmio di oltre 460.000 euro all’anno.

Un top player nel settore dell’elettronica di consumo ha l’esigenza di minimizzare il rischio legato ai distributori terzi, monitorando notizie e recensioni, per aiutare i risk manager a identificare le criticità che coinvolgono specifici partner e punti vendita.

La nostra soluzione 3rdEye con il suo algoritmo proprietario è in grado di elaborare ogni giorno grandi volumi di dati alternativi e interpretare tempestivamente i segnali di rischio. Effettua un’accurata analisi del sentiment dei clienti e fornisce un punteggio per ogni rivenditore, evidenziando criticità e opportunità specifiche.

Il nostro cliente ora può basarsi su una classifica del rischio giornaliera per ciascun negozio che vende i suoi prodotti, con alert tempestivi sugli eventi critici rilevati in tempo reale.

Il nostro committente ha richiesto il nostro intervento per migliorare la prevenzione dei rischi nel proprio impianto di estrazione per diversi tipi di gas tecnici, come l’idrogeno e l’ossigeno.

I dati disponibili descrivevano le anomalie in corso con maggiori probabilità di trasformarsi in un incidente.

Attraverso la modellazione dei dati abbiamo sviluppato uno strumento per valutare automaticamente il rischio in base ai pattern di malfunzionamento, al fine di prevenire eventi critici.

Un importante player internazionale nel mondo dell’energia ha deciso di ottimizzare la manutenzione dei lampioni.

La probabilità di malfunzionamento degli asset dipende da fattori ambientali (vento, escursione termica, distanza dal mare) e dalle caratteristiche dei loro materiali.

Abbiamo sviluppato un Decision Support System (DSS) basato su un algoritmo AI e consultabile attraverso un’interfaccia interattiva. Inserendo le aree geografiche e i parametri relativi al tipo di asset, vengono individuati i punti luce che meritano un intervento più tempestivo.

Una società multiutility ci ha chiesto di prioritizzare la manutenzione della rete di media tensione a Milano. La distribuzione elettrica conta fino a 6.000 cabine di smistamento, collegate tra loro dalle diramazioni della rete.

Abbiamo sviluppato un modello per analizzare lo storico dei guasti per ogni ramo, considerando le loro caratteristiche specifiche (tipologie ed età dei materiali, numero di giunti, ecc.) e la disponibilità di diramazioni alternative nelle vicinanze, per garantire la continuità del servizio in caso di malfunzionamento.

In questo modo abbiamo evidenziato le cabine in cui la probabilità e la gravità del rischio di guasto erano più elevate, prioritizzando gli interventi di conseguenza.

Una società di gestione della rete ferroviaria ci ha commissionato un’analisi di rischio per la circolazione di un nuovo treno a idrogeno su una linea non elettrificata, in un tratto fortemente urbanizzato.

Per comprendere tutti i rischi di questo nuovo tipo di treni su una specifica ferrovia, abbiamo dovuto comprendere nel nostro modello di analisi del rischio tutti i possibili scenari catastrofici che potrebbero potenzialmente accadere, combinando i dati disponibili con molte altre variabili ancora sconosciute, per via della scarsissima letteratura in materia.

Un’affermata azienda farmaceutica ci ha chiesto di analizzare il proprio processo di incapsulamento dei farmaci, al fine di ridurre i tempi di rilavorazione e gli scarti di produzione.

Abbiamo rivoluzionato il loro approccio alla raccolta dei dati, insegnando loro come valutare correttamente tutti i segnali, invece di considerarne semplicemente la media.

Distinguendo tra segnali anomali e normali, abbiamo prontamente tracciato l’anomalia (un disallineamento dell’albero) e previsto i punti della produzione dove si sarebbe probabilmente verificata una discontinuità.

L’esigenza del nostro committente, che opera del trasporto ferroviario, era un sistema di pesatura dei treni più efficiente, per stimare i costi di trasporto e garantire infrastrutture sicure, come i ponti che ne sostengono il carico.

Il tradizionale sistema di pesatura statica su rotaie speciali richiede troppo tempo ed è costoso in termini di ore uomo.

Abbiamo sviluppato un sistema basato su sensori speciali, facilmente installabili su binari normali, per acquisire i segnali più rilevanti e trasformarli in risultati accurati.