Computer Vision
Estrarre informazione dalle immagini
Offerta
Il modello si costruisce sul problema, non il problema sullo strumento.
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Ci sono problemi che non entrano in nessuna soluzione già pronta, e forzarli dentro una piattaforma significa perdere proprio ciò che li rende interessanti. In questi casi non adattiamo il problema allo strumento, ma costruiamo il modello a partire dal sistema reale, con i suoi dati, i suoi vincoli e le persone che dovranno usarlo.
I progetti di matematica applicata rappresentano l’ambito nel quale Prometeo ha maturato la propria esperienza più ampia, affrontando problemi industriali, organizzativi e commerciali attraverso modelli matematici verificabili. Dalla previsione della domanda alla manutenzione predittiva, dall’ottimizzazione delle risorse al controllo dei processi, trasferiamo competenze e metodologie tra settori differenti, costruendo soluzioni che rispondono alle caratteristiche concrete dei sistemi e delle organizzazioni.
Le aziende affrontano quotidianamente problemi che, pur appartenendo ad ambiti operativi differenti, condividono una caratteristica fondamentale: le decisioni devono essere prese all’interno di sistemi nei quali molte variabili interagiscono e le conseguenze di una scelta non sono sempre immediatamente riconoscibili. La quantità di materiale da acquistare, il momento nel quale effettuare una manutenzione, la regolazione di un processo industriale o la probabilità che un cliente interrompa una relazione commerciale sono questioni che richiedono conoscenze specifiche, ma che possono essere affrontate anche attraverso strumenti matematici capaci di rappresentare le relazioni che ne determinano il comportamento.
La matematica applicata interviene precisamente in questo spazio, trasformando problemi descritti attraverso l’esperienza, le osservazioni e le esigenze delle persone in strutture nelle quali sia possibile individuare variabili, vincoli, relazioni e condizioni di validità. Il suo contributo non consiste nel sostituire la conoscenza di chi lavora quotidianamente all’interno di un’organizzazione, ma nel renderla utilizzabile attraverso strumenti che permettano di verificare ipotesi, confrontare scenari e comprendere le conseguenze delle alternative disponibili.
Per Prometeo questo approccio costituisce il fondamento di un’attività sviluppata nel corso di progetti appartenenti a settori industriali, commerciali e organizzativi molto differenti. La nostra esperienza non si esaurisce nella conoscenza di singole tecnologie, ma comprende la capacità di riconoscere quali strutture matematiche possano rappresentare problemi apparentemente lontani tra loro, adattando i modelli alle caratteristiche del contesto e verificando ogni volta che le condizioni necessarie alla loro applicazione siano effettivamente presenti.
Questo patrimonio permette di affrontare problemi nuovi senza dover necessariamente ricostruire da zero tutte le conoscenze metodologiche, ma richiede anche di riconoscere che una somiglianza matematica non implica automaticamente l’identità dei fenomeni. Una previsione sulla domanda commerciale e una stima della vita utile di un componente industriale possono utilizzare strumenti statistici e matematici affini, ma rispondono a dinamiche fisiche, economiche e organizzative profondamente differenti, che devono trovare una rappresentazione appropriata all’interno del modello.
Una delle caratteristiche più interessanti della matematica applicata è la possibilità di riconoscere relazioni comuni tra fenomeni che appartengono a domini differenti. Un impianto industriale che manifesta segnali di deterioramento, una rete di distribuzione che accumula inefficienze e una popolazione di clienti che modifica progressivamente il proprio comportamento possono essere studiati attraverso strumenti di analisi delle serie temporali, individuazione delle anomalie, classificazione e previsione, pur richiedendo conoscenze specifiche per interpretarne correttamente i risultati.
Questa trasversalità ha un valore concreto, perché permette di trasferire metodologie, procedure di validazione e strutture di calcolo da un’applicazione all’altra, costruendo un patrimonio di conoscenza che cresce attraverso l’esperienza. I modelli non vengono semplicemente replicati, ma adattati alle relazioni e ai vincoli del nuovo sistema, conservando gli elementi metodologici che hanno già dimostrato la propria utilità.
Nel corso della propria attività, Prometeo ha affrontato problemi riconducibili a differenti famiglie matematiche, sviluppando applicazioni che possono essere organizzate secondo le esigenze alle quali rispondono.
La gestione delle scorte rappresenta uno dei problemi più ricorrenti nelle organizzazioni che devono garantire la disponibilità di prodotti e materiali senza immobilizzare risorse economiche superiori a quelle necessarie. La difficoltà consiste nel conciliare grandezze che possono evolvere in direzioni differenti: la domanda cambia nel tempo, i fornitori operano secondo tempi di consegna variabili, i costi di approvvigionamento e conservazione incidono sulla redditività e alcuni prodotti possono perdere valore o diventare inutilizzabili prima di essere venduti.
Prometeo ha affrontato queste problematiche attraverso modelli di previsione della domanda e di ottimizzazione delle scorte, applicati anche alla gestione dei magazzini nel settore retail e alla riduzione degli sprechi alimentari.
La previsione della domanda richiede di analizzare il comportamento storico delle vendite e di individuare le relazioni che possono contribuire a spiegarne l’evoluzione. Stagionalità, ciclicità, variazioni dei prezzi, iniziative commerciali e disponibilità dei prodotti possono influenzare le quantità richieste, ma la loro importanza dipende dalle caratteristiche del mercato e dalle informazioni effettivamente disponibili.
I modelli matematici permettono di costruire stime accompagnate da misure dell’incertezza, distinguendo gli andamenti sufficientemente riconoscibili dai fenomeni che presentano una variabilità più elevata. L’obiettivo non consiste nell’attribuire alle previsioni una precisione assoluta, ma nel mettere a disposizione informazioni che permettano di valutare differenti scenari e comprendere quali conseguenze potrebbero derivare da una domanda superiore o inferiore alle attese.
La conoscenza della domanda costituisce soltanto una delle componenti necessarie per gestire correttamente le scorte. Occorre anche considerare i costi di ordinazione, i tempi di approvvigionamento, lo spazio disponibile, la frequenza dei reintegri e le eventuali caratteristiche di deperibilità dei prodotti.
Attraverso modelli di ottimizzazione, comprese formulazioni basate sull’Economic Order Quantity (EOQ) quando appropriate, è possibile valutare configurazioni differenti della politica di approvvigionamento, ricercando un equilibrio tra la disponibilità dei prodotti e le risorse necessarie per mantenerla.
Nel settore alimentare questa valutazione assume una dimensione ulteriore, perché un eccesso di scorte può trasformarsi in spreco materiale oltre che economico. La modellazione permette di affrontare congiuntamente la continuità delle vendite, i costi di gestione e il rischio di deterioramento dei prodotti, evitando di considerare ciascuna grandezza come un obiettivo indipendente dalle altre.
Un secondo ambito applicativo riguarda la manutenzione degli impianti industriali, nei quali la continuità operativa dipende dalla capacità di riconoscere condizioni di deterioramento e programmare gli interventi prima che un malfunzionamento produca interruzioni significative.
Le strategie tradizionali di manutenzione possono basarsi su intervalli temporali prestabiliti oppure sulla rilevazione di guasti già manifesti. Entrambe le modalità presentano vantaggi e limiti: intervenire troppo frequentemente può generare costi non necessari, mentre attendere il manifestarsi di un’anomalia evidente può esporre l’organizzazione a fermate improvvise, perdite di produzione e ulteriori conseguenze sui componenti collegati.
Prometeo ha sviluppato applicazioni di manutenzione predittiva, anche in ambito chimico, utilizzando modelli per la stima della Remaining Useful Life (RUL), ossia della vita utile residua di componenti e sistemi.
La stima della vita utile residua richiede di comprendere quali grandezze siano rappresentative dello stato del componente e come queste cambino durante il funzionamento. Temperature, pressioni, vibrazioni, cicli operativi e altri parametri possono fornire informazioni utili, ma la loro interpretazione dipende dalle caratteristiche fisiche del sistema e dalle modalità attraverso le quali i dati vengono raccolti.
I modelli possono essere utilizzati per riconoscere segnali di deterioramento, individuare anomalie e formulare stime sull’evoluzione delle condizioni operative. Queste stime devono essere accompagnate da una valutazione dell’incertezza, perché la vita utile effettiva dipende anche da condizioni future che non sempre possono essere previste integralmente.
Il risultato atteso è una migliore capacità di programmare la manutenzione in relazione allo stato osservato dell’impianto, contribuendo a distinguere le situazioni che richiedono un intervento prioritario da quelle nelle quali il componente può continuare a operare secondo condizioni compatibili con i vincoli di sicurezza e affidabilità.
La gestione di un processo industriale complesso richiede spesso di coordinare variabili che interagiscono tra loro e che non possono essere modificate indipendentemente senza produrre conseguenze sul comportamento complessivo del sistema. Una regolazione apparentemente vantaggiosa per un determinato parametro può aumentare i consumi energetici, compromettere la stabilità del processo oppure modificare la qualità del risultato finale.
In questi contesti la modellazione matematica permette di rappresentare le relazioni dinamiche tra le grandezze operative e di valutare il comportamento del sistema al variare delle condizioni. Prometeo ha affrontato questa famiglia di problemi anche attraverso applicazioni di controllo predittivo dei processi di depurazione, riconducibili alle metodologie i-SWAT e MACS.
Un modello dinamico può essere utilizzato per stimare come un sistema evolverà in risposta a determinate condizioni o azioni di controllo, tenendo conto dei vincoli fisici e operativi che ne limitano il funzionamento. Questa capacità permette di confrontare strategie differenti prima della loro applicazione, valutando non soltanto l’effetto immediato di una regolazione, ma anche le conseguenze che potrebbe produrre nel corso del tempo.
L’impiego di tecniche di controllo predittivo consente, quando il modello e i dati lo permettono, di aggiornare progressivamente le valutazioni in funzione delle condizioni osservate, mantenendo un collegamento tra la rappresentazione matematica e il comportamento effettivo dell’impianto.
Nel caso dei processi di depurazione, le esigenze possono riguardare la stabilità delle condizioni operative, il rispetto dei parametri di trattamento e la gestione efficiente delle risorse necessarie al funzionamento del sistema. La definizione degli obiettivi richiede quindi una valutazione congiunta delle grandezze coinvolte, senza ridurre il problema alla semplice ottimizzazione di un indicatore isolato.
La matematica applicata trova un campo di utilizzo significativo anche nella gestione delle relazioni commerciali, soprattutto quando un’organizzazione opera attraverso servizi ricorrenti, abbonamenti o rapporti continuativi con la propria clientela.
La perdita di un cliente raramente dipende da un unico evento immediatamente riconoscibile. Può essere preceduta da cambiamenti nella frequenza di utilizzo, nella tipologia delle interazioni, nella risposta alle comunicazioni o nella continuità dei comportamenti che avevano caratterizzato la relazione nelle fasi precedenti.
Prometeo ha affrontato problemi di customer retention attraverso modelli destinati a studiare l’evoluzione delle relazioni e a riconoscere condizioni associate a una maggiore probabilità di interruzione del rapporto.
L’analisi può partire dalle informazioni storiche disponibili e dalle caratteristiche osservabili delle relazioni, individuando eventuali comportamenti che si associano a una maggiore frequenza di abbandono. Il modello permette di formulare valutazioni probabilistiche, che devono essere interpretate nel contesto delle condizioni commerciali, delle caratteristiche del servizio e delle modalità attraverso le quali i dati vengono raccolti.
Queste informazioni possono contribuire a orientare le attività di fidelizzazione, individuando gruppi di clienti per i quali determinate iniziative potrebbero risultare più pertinenti. La qualità delle decisioni dipende tuttavia anche dalla capacità di comprendere quali interventi producano effettivamente un miglioramento, distinguendo una semplice correlazione statistica dall’effetto attribuibile a una specifica azione.
Per questo la modellazione può essere affiancata da strumenti di valutazione delle iniziative, attraverso i quali confrontare i risultati osservati e migliorare progressivamente le strategie adottate.
Un ulteriore ambito applicativo riguarda l’analisi delle opportunità commerciali all’interno di organizzazioni che dispongono di una gamma articolata di prodotti e servizi. La difficoltà consiste nel comprendere quali proposte possano risultare pertinenti per differenti categorie di clienti, evitando di considerare l’intera popolazione come un insieme uniforme.
Prometeo ha sviluppato applicazioni di classificazione e analisi della propensione commerciale, anche nel settore bancario, attraverso modelli destinati a sostenere le attività di cross-selling.
Le metodologie di classificazione permettono di studiare le relazioni tra informazioni disponibili e comportamenti osservati, costruendo modelli probabilistici che possono contribuire a valutare la pertinenza di una proposta rispetto alle caratteristiche di un determinato contesto commerciale.
Queste applicazioni richiedono particolare attenzione alla qualità dei dati, alla rappresentatività delle popolazioni osservate e alle condizioni giuridiche che disciplinano l’utilizzo delle informazioni personali. La possibilità matematica di individuare una relazione non costituisce automaticamente una ragione sufficiente per utilizzarla in un processo commerciale, soprattutto quando le valutazioni possono incidere sulle persone o riguardano settori regolamentati.
Il modello deve quindi essere inserito in un sistema di gestione nel quale finalità, condizioni di utilizzo, controlli e responsabilità risultino chiaramente definiti.
Molti sistemi producono quantità significative di informazioni durante il normale funzionamento, ma non sempre dispongono di strumenti capaci di riconoscere tempestivamente comportamenti che si discostano dalle condizioni attese. La difficoltà aumenta quando i dati provengono da numerosi dispositivi, sedi o unità operative e presentano variazioni legate alle caratteristiche dei singoli contesti.
Prometeo ha affrontato questa problematica anche attraverso applicazioni di Anomaly Detection dedicate all’individuazione di comportamenti anomali nei consumi di carburante delle flotte.
Un consumo superiore a quello atteso può dipendere da numerosi fattori, tra cui la tipologia del mezzo, le condizioni operative, il percorso, il carico e le caratteristiche dell’utilizzo. Per questo il riconoscimento di un’anomalia richiede di costruire una rappresentazione sufficientemente articolata del comportamento normale, distinguendo le variazioni compatibili con il contesto da quelle che meritano un approfondimento.
Il modello può contribuire a individuare situazioni nelle quali i dati osservati non risultano coerenti con le condizioni attese, rendendo possibile una verifica più mirata. Un’anomalia statistica, tuttavia, non identifica automaticamente la causa del comportamento e non può essere considerata, da sola, una prova di errore operativo o di utilizzo improprio delle risorse.
Il valore dell’applicazione consiste nel permettere all’organizzazione di concentrare l’attenzione sulle situazioni che presentano elementi effettivamente meritevoli di verifica, riducendo la necessità di esaminare indistintamente tutte le registrazioni disponibili.
Le applicazioni descritte mostrano quanto la matematica possa intervenire in problemi differenti, ma anche quanto sia importante evitare di considerare i modelli come soluzioni universali, indipendenti dal contesto nel quale vengono utilizzati. La previsione di una domanda commerciale, il controllo di un processo industriale e la classificazione di un comportamento possono condividere strumenti matematici, ma richiedono differenti modalità di validazione e una conoscenza specifica dei fenomeni rappresentati.
Prometeo affronta questa varietà attraverso un metodo che parte dalla comprensione del sistema reale, dalla definizione delle variabili e dei vincoli e dall’individuazione dei dati necessari per costruire una rappresentazione verificabile.
Quando il problema lo consente, privilegiamo modelli white-box, o a scatola aperta, fondati sulla conoscenza delle leggi, delle equazioni e delle relazioni che governano il sistema. In altri contesti, nei quali il fenomeno non può essere descritto integralmente attraverso una struttura deterministica conosciuta, possono essere utilizzate metodologie statistiche, probabilistiche o di apprendimento automatico, mantenendo attenzione alla possibilità di spiegare e verificare i risultati.
La scelta dello strumento dipende quindi dalle caratteristiche del problema e dalle condizioni conoscitive disponibili, anziché dalla volontà di applicare una tecnologia prestabilita. Il nostro obiettivo è costruire la rappresentazione più appropriata per sostenere la decisione, utilizzando la complessità matematica necessaria senza introdurne altra che non produca un beneficio verificabile.
Ogni progetto prende avvio da una valutazione preliminare attraverso la quale cerchiamo di comprendere quale problema l’organizzazione intenda risolvere, quali risultati si aspetti e quali condizioni possano influenzare la possibilità di raggiungerli.
Le richieste che arrivano da un’azienda nascono spesso dall’osservazione di una difficoltà concreta: un livello di scorte considerato eccessivo, un processo che manifesta instabilità, una frequenza di guasti difficile da gestire oppure un numero crescente di clienti che interrompe il rapporto commerciale. Queste manifestazioni rappresentano un punto di partenza importante, ma non sempre identificano direttamente le cause del problema.
L’assessment permette di approfondire il contesto, ricostruire le relazioni tra le variabili, verificare quali informazioni siano disponibili e stabilire se gli obiettivi dichiarati possano essere tradotti in criteri di valutazione misurabili.
La definizione iniziale del problema richiede un confronto con le persone che conoscono il sistema e ne gestiscono quotidianamente il funzionamento. Le informazioni tecniche devono essere integrate con l’esperienza operativa, perché alcuni vincoli decisivi possono non emergere direttamente dai dati disponibili.
Una procedura apparentemente inefficiente può esistere per compensare una difficoltà in un’altra parte dell’organizzazione, così come una scelta che sembra economicamente svantaggiosa può rispondere a esigenze di sicurezza, qualità o continuità che non erano state considerate nella formulazione iniziale della richiesta.
Comprendere queste relazioni permette di evitare che il modello venga costruito su una rappresentazione incompleta del sistema, con il rischio di ottimizzare una grandezza senza considerare le conseguenze sulle altre.
Un progetto matematico richiede informazioni adeguate alla natura del problema, ma non necessariamente grandi quantità di dati in ogni circostanza. Quando esistono leggi fisiche, relazioni strutturali o vincoli sufficientemente conosciuti, la costruzione del modello può partire da queste conoscenze e utilizzare le osservazioni disponibili per verificare e calibrare la rappresentazione.
In altri casi, soprattutto quando il problema riguarda comportamenti difficilmente descrivibili attraverso relazioni deterministiche, la qualità e la rappresentatività delle informazioni storiche assumono un’importanza maggiore.
La valutazione preliminare permette di riconoscere queste differenze e individuare eventuali lacune informative, stabilendo se sia possibile procedere con i dati disponibili oppure se sia necessario organizzare una fase di acquisizione, normalizzazione o miglioramento delle procedure di raccolta.
Una volta chiariti il problema, le condizioni iniziali e gli obiettivi, viene definito il percorso progettuale più appropriato. La scelta può riguardare uno studio di fattibilità, lo sviluppo di un prototipo, la realizzazione di un progetto pilota o un intervento più articolato, secondo il livello di conoscenza disponibile e la complessità delle attività necessarie.
Lo studio di fattibilità permette di verificare se esistano condizioni sufficienti per costruire un modello affidabile e se le metodologie individuate siano compatibili con il problema. In questa fase possono essere elaborate rappresentazioni preliminari, effettuate analisi sui dati e confrontate differenti ipotesi, con l’obiettivo di ridurre le incertezze prima di impegnare risorse in uno sviluppo più esteso.
Il progetto pilota introduce una dimensione operativa, permettendo di verificare il comportamento della soluzione in un contesto sufficientemente rappresentativo e di confrontarne i risultati con indicatori definiti preliminarmente. Questa fase è particolarmente importante quando la qualità del modello dipende da condizioni che non possono essere riprodotte integralmente attraverso simulazioni o analisi retrospettive.
Quando i risultati vengono confermati e l’organizzazione dispone delle condizioni necessarie, la soluzione può essere integrata nei processi e nei sistemi esistenti, definendo le responsabilità relative alla gestione dei dati, all’interpretazione dei risultati e alla manutenzione del modello.
La validazione non riguarda soltanto la correttezza del calcolo, ma anche la capacità della soluzione di produrre informazioni utilizzabili nelle condizioni operative per le quali è stata progettata.
Ogni progetto contribuisce a sviluppare conoscenze che possono conservare valore anche oltre l’applicazione iniziale. Le metodologie di analisi, le procedure di verifica, le strutture matematiche e determinati componenti software possono essere organizzati in modo da permetterne il riutilizzo in contesti differenti, riducendo la necessità di ripetere attività già affrontate e concentrate sulle caratteristiche specifiche del nuovo problema.
Questo patrimonio non deve essere confuso con una raccolta di soluzioni standard da applicare indistintamente a qualsiasi organizzazione. La riutilizzabilità riguarda soprattutto gli elementi metodologici e tecnologici che mantengono la propria validità al cambiare del contesto, mentre le ipotesi, i parametri e le condizioni operative devono essere nuovamente verificati.
Prometeo considera questo processo di accumulazione e affinamento una componente importante della propria capacità di sviluppo. Un modello realizzato per analizzare il comportamento di un sistema può fornire strumenti utili per affrontare un problema appartenente a un settore differente, purché le analogie individuate siano sufficientemente fondate e la nuova applicazione venga sottoposta a una validazione appropriata.
Il trasferimento delle conoscenze avviene nel rispetto della riservatezza, della proprietà intellettuale e degli accordi definiti con i clienti. Le informazioni proprietarie, i dati riservati e i risultati soggetti a specifiche condizioni contrattuali non diventano automaticamente risorse utilizzabili in progetti successivi.
Il vantaggio per il cliente consiste nella possibilità di beneficiare di un patrimonio metodologico già sviluppato e progressivamente perfezionato, concentrando il lavoro sulle caratteristiche realmente nuove del problema e sulle attività necessarie per verificarne l’applicabilità.
Un modello matematico può essere scientificamente corretto e non produrre alcun beneficio concreto se l’organizzazione non dispone delle condizioni necessarie per utilizzarlo. La disponibilità dei dati, la chiarezza delle responsabilità e la capacità delle persone di interpretare i risultati sono elementi che influenzano direttamente il valore operativo di una soluzione.
Per questo l’attività di Prometeo comprende anche la definizione delle modalità attraverso le quali il modello viene inserito nei processi esistenti, evitando che rimanga uno strumento isolato, consultato occasionalmente o utilizzato soltanto dalle persone che hanno partecipato alla sua realizzazione.
Le soluzioni possono essere integrate all’interno dei sistemi informativi dell’organizzazione oppure essere incorporate in prodotti e piattaforme sviluppati da system integrator e partner tecnologici, secondo le caratteristiche del progetto e le responsabilità concordate.
Questa possibilità permette di mantenere distinti il livello della modellazione matematica e quello delle applicazioni attraverso le quali i risultati vengono presentati e utilizzati. Il modello conserva la propria funzione scientifica, mentre l’interfaccia e i processi operativi vengono organizzati in modo da rispondere alle esigenze delle persone chiamate a prendere decisioni.
Particolare attenzione viene dedicata alla comprensibilità delle informazioni prodotte, affinché gli indicatori non vengano interpretati come risposte automatiche prive di contesto. Chi utilizza il sistema deve poter conoscere il significato delle misure, le condizioni di validità delle previsioni e le circostanze nelle quali un risultato richiede ulteriori verifiche.
I sistemi nei quali vengono applicati i modelli matematici possono modificarsi nel corso del tempo. Cambiano le condizioni operative, le caratteristiche dei processi, le abitudini dei clienti e le informazioni disponibili, mentre nuove situazioni possono mettere in evidenza relazioni che non erano state osservate durante le fasi iniziali del progetto.
Per questa ragione, la manutenzione e la revisione dei modelli rappresentano attività da considerare già durante la progettazione. La continuità delle prestazioni richiede che siano definiti i criteri attraverso i quali verificare periodicamente i risultati, riconoscere eventuali deviazioni e stabilire quando sia opportuno aggiornare le ipotesi o modificare la rappresentazione del sistema.
Queste attività possono essere svolte secondo modalità differenti, in funzione della criticità della soluzione e delle esigenze dell’organizzazione. Alcuni modelli possono richiedere controlli frequenti, mentre altri possono mantenere la propria validità per periodi più lunghi, purché le condizioni sulle quali sono stati costruiti non subiscano modifiche significative.
Il nostro obiettivo è contribuire a costruire sistemi che rimangano comprensibili e governabili anche dopo la conclusione dello sviluppo iniziale, attraverso una distribuzione chiara delle responsabilità e procedure adeguate alla natura del progetto.
La diffusione degli strumenti di analisi dei dati e delle tecnologie di intelligenza artificiale ha reso accessibili capacità di calcolo e di elaborazione che fino a pochi anni fa richiedevano infrastrutture e competenze specialistiche particolarmente onerose. Questa evoluzione amplia le possibilità di intervento, ma non elimina la necessità di comprendere i fenomeni che si intendono rappresentare e le condizioni attraverso le quali i risultati possono essere considerati affidabili.
La differenza tra disporre di uno strumento tecnologico e possedere una reale capacità di modellazione risiede soprattutto nella possibilità di formulare correttamente il problema, riconoscere le relazioni significative e verificare la rappresentazione costruita. La potenza di calcolo può accelerare molte attività, ma non determina autonomamente quali domande sia opportuno porre o quali vincoli debbano essere rispettati.
Prometeo sviluppa progetti di matematica applicata con l’obiettivo di mettere queste capacità al servizio delle organizzazioni, attraverso soluzioni che possano essere comprese, utilizzate e sottoposte a verifica nel tempo.
Il valore di un progetto si manifesta nei risultati che permette di raggiungere, ma anche nella conoscenza che contribuisce a costruire. Un’organizzazione che comprende meglio il comportamento dei propri processi, riconosce l’incertezza delle proprie previsioni e dispone di criteri più solidi per valutare le alternative acquisisce una capacità che può continuare a produrre benefici anche oltre il problema iniziale.
È questa continuità tra conoscenza matematica, esperienza operativa e capacità decisionale che intendiamo sviluppare attraverso i nostri progetti, mantenendo il metodo come riferimento comune e adattando ogni soluzione alla realtà nella quale dovrà essere utilizzata.
Esiste una decisione concreta da migliorare. I dati esistono, o c'è la volontà di raccoglierli. C'è qualcuno, dentro l'organizzazione, disposto a sostenere un pilota e a rivedere i processi.
A volte la cosa più utile che possiamo fare è dire di no. Succede quando i dati non ci sono e nessuno intende costruirli, quando il problema è definito in modo contraddittorio, quando si chiede una certezza dove esistono soltanto scenari, oppure quando il modello servirebbe a giustificare una decisione già presa. In questi casi un progetto deluderebbe tutti, e preferiamo dirlo subito.
Estrarre informazione dalle immagini
Riconoscere ciò che si discosta dal normale
Prevedere il valore futuro di una grandezza
Simulare l'evoluzione di un sistema, in avanti e a ritroso
Produzione, impianti, manutenzione
Infrastrutture, reti, asset distribuiti
Vigneto, maturazione, raccolta
Domanda, scorte, clienti
Flotte, flussi, approvvigionamento
Club, tifosi, sponsor
Un connettore in fabbrica e un portale cloud leggono un centro di lavoro CNC, misurano la salute dei sottosistemi e segnalano le derive prima che diventino guasti.
Una software house porta nel proprio MES la manutenzione predittiva e la schedulazione con previsione della domanda, leggendo le macchine con lo standard aperto MTConnect.
Ogni progetto lascia qualcosa oltre al risultato: un modello validato, che torna utile per il problema successivo. È così che il lavoro su misura smette di ricominciare ogni volta da capo.