Individua, valuta e sviluppa applicazioni di Intelligenza Artificiale nei processi di Manufacturing e Supply Chain
L’Open Program “AI and Operations” in modalità hybrid, sviluppato in collaborazione con Bologna Business School – BBS, fornisce un metodo concreto per trasformare le esigenze aziendali in progetti di AI realizzabili, misurabili e adottabili nei processi produttivi, logistici e di supply chain.
Il percorso combina una preparazione online su dati, sicurezza, aspetti contrattuali e principali famiglie di soluzioni AI con tre giornate in presenza organizzate come un laboratorio, dedicate alla costruzione di casi aziendali. I partecipanti lavorano in gruppo con il supporto della faculty su problemi reali e sviluppano un Project Work con criteri di validazione e roadmap di adozione.
Impari a trasformare un’esigenza aziendale in un problema analitico, con obiettivi, KPI e requisiti verificabili.
Acquisisci i criteri per valutare la qualità dei dati e scegliere l’approccio AI più coerente con il caso d’uso.
Sviluppi un caso aziendale completo, dalla definizione del problema alla roadmap di adozione.
Individui le applicazioni di AI e i benefici misurabili su produzione, logistica e supply chain.
Rafforzi competitività, agilità e capacità di innovare i modelli operativi.
Costruisci una base condivisa tra Operations, IT, Digital e Innovation per guidare l’adozione dell’AI.
Il programma è pensato per manager e professionisti di Operations, Produzione, Qualità, Manutenzione, Logistica e Supply Chain. È rivolto anche a responsabili IT, Digital e Innovation che vogliono sviluppare casi d’uso di AI concreti nella propria azienda
Il percorso è caratterizzato da un approccio pratico e applicativo, con un mix bilanciato di lezioni frontali, discussione di case study, testimonianze di esperti industriali, team work, attività individuali e visite aziendali. La faculty è composta da accademici, consulenti e professionisti con esperienza diretta nei temi della trasformazione digitale e delle Operations.
I materiali didattici e le esercitazioni sono disponibili sulla piattaforma e-learning di Bologna Business School per lo studio e l’approfondimento tra le sessioni.
Alberto Regattieri — Professore Ordinario di Operations e Sistemi Manifatturieri, Università di Bologna; Direttore Didattico del programma.
Massimiliano Ghini — Direttore, European Center for Team Emotional Intelligence.
Michele Bonfiglioli — CEO, Bonfiglioli Consulting; Direttore Esecutivo del programma.
Umberto Mirani — Direttore Business Unit, Italia, Bonfiglioli Consulting.
Marco Brandalesi — Principal Supply Chain, Manufacturing & Operational Excellence, Bonfiglioli Consulting.
Stefano Alpi — Chief Transformation & Marketing Officer Advisory, Innovation, Marketing, ICONSULTING.
Durata: 7 giornate | Formato: Hybrid Learning online e on campus | Lingua: Italiano
Al termine del percorso viene rilasciato un diploma di partecipazione, previo il raggiungimento dell’80% delle ore d’aula.
Al termine dell’Open Program i partecipanti sapranno:
Comprendere dove l’AI può generare benefici misurabili nei processi produttivi, logistici e di supply chain.
Trasformare un’esigenza aziendale in un problema analitico con obiettivi, indicatori e requisiti verificabili.
Preparare una base dati adeguata, riconoscendone limiti, rischi e vincoli di utilizzo.
Confrontare approcci AI diversi e scegliere quello più coerente con il caso d’uso e il contesto operativo.
Sviluppare e presentare un caso aziendale completo, con criteri di validazione e piano di adozione.
Introduzione all’intelligenza artificiale nel manufacturing
Costruzione di un quadro comune sul ruolo dell’AI nelle Operations e riconoscimento dei casi d’uso con potenziale aziendale concreto.
Contenuti principali:
Concetti essenziali di AI, machine learning e AI generativa.
Dalla digitalizzazione dei processi all’impiego dell’AI nei sistemi produttivi.
Digital AI vs Physical AI.
Casi d’uso in produzione, qualità, manutenzione, logistica, pianificazione e supply chain.
Benefici attesi, limiti, rischi e condizioni organizzative per l’adozione.
Prima selezione dei problemi aziendali da approfondire nel project work.
Strutturazione e preparazione della base dati
Strumenti per passare dal problema aziendale a una base dati utilizzabile per l’analisi e lo sviluppo di una soluzione AI.
Contenuti principali:
Fonti tipiche: ERP, MES, WMS, PLM, sistemi di qualità e manutenzione, sensori e IIoT.
Unità di analisi, variabili, etichette, granularità temporale e chiavi di collegamento.
Qualità del dato: completezza, coerenza, accuratezza, tempestività, duplicati e valori anomali.
Pulizia, normalizzazione, integrazione e documentazione del dataset.
Separazione dei dati per sviluppo e verifica; prevenzione di errori e data leakage.
Costruzione di un data dictionary e di una scheda di valutazione della data readiness.
Sicurezza del dato e contrattualistica
Definizione delle condizioni tecniche, organizzative e contrattuali per utilizzare dati e strumenti AI in modo controllato.
Contenuti principali:
Classificazione dei dati e principi di minimizzazione, segregazione e controllo degli accessi.
Anonimizzazione o pseudonimizzazione, trasferimento, conservazione e cancellazione dei dati.
Rischi legati a piattaforme cloud, modelli esterni, API e strumenti di AI generativa.
Riservatezza, titolarità dei dati, proprietà intellettuale, diritti sugli output e limiti di riuso.
Ruoli e responsabilità tra azienda, fornitori e partecipanti al progetto.
Clausole e verifiche essenziali per accordi di riservatezza, licenze, servizi AI e sperimentazioni.
Approcci AI e criteri di scelta
Confronto tra le principali famiglie di approcci e selezione della soluzione più coerente con obiettivi, dati disponibili e vincoli operativi.
Contenuti principali:
Analisi descrittiva, predittiva e prescrittiva.
Machine learning supervisionato e non supervisionato; forecasting e anomaly detection.
Computer vision, elaborazione del linguaggio e AI generativa.
Ottimizzazione, simulazione e soluzioni ibride integrate con i sistemi aziendali.
Criteri di scelta: valore atteso, disponibilità dei dati, accuratezza richiesta, spiegabilità, tempi, costi, scalabilità e manutenzione.
Definizione di baseline, metriche di valutazione e criteri di accettazione.
Definizione dei casi e verifica dei dati
Definizione precisa del problema, della misura del risultato e del perimetro tecnico del project work.
Contenuti principali:
Presentazione e selezione dei casi aziendali.
Mappatura del processo, degli utenti e delle decisioni da supportare.
Definizione di obiettivo, baseline, KPI e criteri di successo.
Esplorazione dei dati e verifica di qualità, copertura e rappresentatività.
Individuazione dei gap informativi e delle azioni correttive realistiche.
Piano di lavoro del gruppo e scelta dell’approccio da sperimentare.
Risultato della sessione: problem statement condiviso, dataset valutato e piano di sviluppo del caso.
Sviluppo e validazione delle soluzioni
Costruzione di una prima soluzione e valutazione dei risultati rispetto alla baseline e alle esigenze del processo.
Contenuti principali:
Preparazione finale dei dati e costruzione delle variabili rilevanti.
Sviluppo del modello, del prompt o del workflow coerente con il caso.
Impostazione delle prove e separazione tra sviluppo, validazione e test.
Analisi dei risultati, degli errori e dei casi limite.
Confronto con gli esperti di processo e revisione delle ipotesi.
Iterazione sulla soluzione e documentazione delle scelte.
Risultato della sessione: prototipo o disegno di soluzione con primi risultati, limiti e criteri di validazione.
