Fabbrica AI by Moneta · la fabbrica intelligente
Impara i vostri dati e vi costruisce il suo modello.
Un piccolo modello per ogni macchina, riaddestrato ogni notte sui suoi log. All'edge, senza GPU. Zero data scientist, zero prompt.
Il modello della vostra macchina
< 1 M parametri · PC industriale · riaddestrato ogni notte
Le storie animate
La fabbrica intelligente. Ogni macchina impara, la fabbrica ragiona.
Un LLM locale accanto a ogni PLC, addestrato ogni notte sui suoi log. Titanium, il cervello centrale, li interroga tutti.
Come funziona · esempio illustrativo
I piccoli cervelli parlano al grande.
- 01
I PLC scrivono
una riga di log ogni istante
- 02
Un LLM per macchina
riaddestrato ogni notte, senza GPU
- 03
Verso Titanium
stato, anomalie, sintesi del turno
- 04
Voi chiedete
Titanium interroga le 15 macchine
Il responsabile di produzione
«Perché la Linea 2 ha perso il 6% di resa questa settimana?»
2 macchine su 15 hanno un segnale
Flow-pack 3 · ganascia destra −4 °C da martedì: 140 pacchi scartati
Etichettatrice · offset +1,8 mm da giovedì: 60 ripassi a mano
Le altre 13: nessun segnale.
Titanium risponde
Due cause: la ganascia destra della Flow-pack 3, fredda da martedì (70%), e l'offset dell'etichettatrice (25%). Preriscalda la ganascia e ricalibra l'offset.
Chi vede la deriva, e quando · Flow-pack 3, ganascia destra, tre settimane
ML normale
giorno 18
Un sensore, una soglia. Vede il guasto quando è già lì.
AI generativa
mai
Sa tutto del mondo, niente di questa ganascia.
LLM locale
giorno 12
Conosce il normale della macchina, vede la deriva. E dice la causa.
Prima e dopo · a ogni cambio formato
Da due ore di prove a dieci minuti.
2 h
10 min
Tempo di cambio
300
20
Scarti al cambio
6
1
Prove in macchina
Prima il tecnico prova in macchina, a tentativi. Dopo, l'IA compila la ricetta a monte e il PLC la esegue.
Perché l'IA sta fuori dal loop
Il PLC in millisecondi, un LLM in secondi.
Un ritardo è uno sfasamento: l'anello oscilla. Quindi l'IA compila prima, e dentro il ciclo resta il PLC.
L'architettura
L'IA prepara la ricetta, il PLC la esegue.
Nell'esempio arriva un formato nuovo, il biscotto BISC150. L'IA lavora prima, con calma, lontano dalla macchina. In macchina resta il PLC, veloce e prevedibile come oggi.
1 · Prima, in ufficio · ore o giorni
Lo storico
le 40 ricette già fatte, gli scarti, i log
L'IA propone
tre ricette per il formato nuovo
Le prova al computer
1 milione di cicli simulati
Il tecnico
sceglie, approva o corregge
2 · Poi, in macchina · millisecondi, ogni ciclo uguale
Carica la ricetta
del formato in produzione
Controlla
che i valori siano nei limiti
Esegue
muove catena, film e ganasce
L'addestramento
Ultimi layer o prompt? Ognuno dove sbaglia di meno.
«Il prompt descrive la macchina a parole. I layer la imparano dai suoi numeri.»
Quanto si inventa, da solo
Ordini di grandezza · per distanza dallo storico
Dentro lo storico
Al bordo
Fuori
Fuori dallo storico vi manda alla prova fisica. Dentro, la verifica resta.
1Propone
3 candidate
2Simula
1 M cicli · 99,1%
3Il PLC verifica
170 °C · 130 ppm · 70 ms
4Il tecnico decide
approva, corregge, firma
Miglioriamo l'AI predittiva
Un ML generico o un'AI generale perdono i dettagli della macchina. Il suo modello no.
Conosciamo la macchina dai suoi numeri: gli ultimi strati imparano usura, regolazioni e materiali di quella linea. Quattro risultati pubblicati dicono perché funziona.
Addestramento giornaliero
Ogni notte riparte dai log del giorno.
La macchina cambia: usura, materiali nuovi, regolazioni. Un modello addestrato una volta resta fermo a com'era. Il suo modello si riaddestra ogni notte, all'edge, e la segue.
lun
riaddestra
mar
riaddestra
mer
riaddestra
gio
riaddestra
ven
riaddestra
sab
riaddestra
dom
riaddestra
Log del giorno → ultimi strati riaddestrati → modello aggiornato al mattino. Senza GPU, senza nessuno che lo riavvii.
Errore di previsione nel tempo
esempio illustrativo+10 punti
Piccolo e addestrato batte il generalista
310 modelli da 7 miliardi di parametri, affinati sui dati del compito, superano GPT-4 di 10 punti in media su 31 compiti.
LoRA Land, rapporto tecnico 2024
0
Vantaggio dell'LLM sulle serie temporali
Togliendo l'LLM dai sistemi di previsione su serie temporali la precisione non cala: i modelli preaddestrati non fanno meglio di quelli addestrati da zero.
NeurIPS 2024 · Tan et al.
+30%
Il modello che conosce la macchina
Sui dati di campo, il modello adattato alla macchina reale guadagna fino al 30% di precisione sul machine learning generico in condizioni di rumore.
Applied Sciences 2025
↑
I fatti nuovi nel prompt, i pattern nei layer
Addestrare un LLM su fatti che non conosce fa crescere le allucinazioni in modo lineare: per questo le schede e i manuali vanno nel contesto, i numeri della macchina negli ultimi strati.
EMNLP 2024 · Gekhman et al.
Parliamone
Che macchina è, e che log produce?
Zero data scientist, zero prompt. In una call gratuita di 30 minuti vi diciamo cosa può imparare il suo modello e in quanto tempo.