Whitepapers

Con l’edge AI è possibile portare la capacità di calcolo direttamente alla sorgente riducendo latenza ed energia spesa per spostare le elaborazioni in cloud.

La sensoristica IoT trasforma un distributore automatico in una macchina smart, che dialoga con il cliente per offrigli la migliore esperienza d’acquisto possibile.

Con la data monetization – la monetizzazione dei dati, ovvero il processo di analisi strategica e di implementazione pratica che consente di utilizzare i dati come fonte di ricavo – le aziende possono trasformare i dati raccolti in valore monetizzabile esattamente come per gli altri beni. Di fatto, la data monetization diventa una strategia che permette alle imprese di recuperare in modo virtuoso gli investimenti effettuati su infrastrutture, sistemi e piattaforme IoT e IIoT, accelerando il loro percorso evolutivo e disegnando nuovi scenari di business.  

La big data monetization – letteralmente, la monetizzazione dei dati, ovvero il processo di analisi strategica e di implementazione pratica che consente di utilizzare i dati come fonte di ricavo – è uno degli obiettivi più premianti per ogni azienda che voglia intraprendere il virtuoso percorso di impresa data-driven. Ma il suo raggiungimento può essere ostacolato non solo da una errata interpretazione dei dati già a disposizione ma, soprattutto, dalla mancanza di investimenti corretti nelle tecnologie emergenti.

L’edge computing potenziato dall’AI ha innumerevoli applicazioni. Approfondiamo l’impatto positivo per l’analisi dei dati e la loro valorizzazione in azienda.

Perché un’impresa manifatturiera oggi, così come qualsiasi altra organizzazione, dovrebbe intraprendere un percorso di trasformazione data-driven? Nel 2020, una ricerca condotta da Statista ha misurato un aumento del 12%, rispetto al 2018, nell’adozione del data-driven approach a livello globale nel processo decisionale. Ecco che cosa spinge questo cambiamento.

In this paper we propose a retrofitting methodology based on Design Thinking in a steel mill plant, and highlight how the retrofitting activity is important to allow even more companies to migrate to Industry 4.0, reducing the gap between SMEs and Large Industries for participation in the 4th Industrial Revolution.

In the paper we present the design and development of the Machine Learning (ML) modules for two case studies. In both cases we developed a ML model to learn the system’s normal behavior so to identify whichever abnormal condition may arise. Such a framework is usually referred to as Anomaly Detection (also known as Fault Detection or Novelty Detection). Our models succeeded at identifying the injected anomalies. In addition, no anomalies were observed when the model was fed with normal data. The results are discussed considering the trade-off between type of sensors, learning algorithm, training effort, computational demands.

Maximum degree of automation, more flexibility in production, significantly lower personnel resources: innovative industrial companies hope for a prosperous future through Artificial Intelligence and Machine Learning.
And that is not all: PwC‘s consultants have
found out that such technologies are an
obligatory exercise in staying competitive.

ATMs are an easy target for fraud attacks, like card skimming/trapping, cash trapping, malware and physical attacks. Attacks based on explosives are a rising problem in Europe and many other parts of the world. A report from the EAST association shows a rise of 80% of such attacks between the first six months of 2015 and 2016. This trend is particularly worrying, not only for the stolen cash, but also for the significant collateral damages to buildings and equipment.