A cura di Massimo Dino Ceresoli, Head of Innovation and Consulting – Southern Europe di Orange Business Services
Nel precedente articolo sulla distribuzione dei vaccini contro il COVID-19 a livello globale, mi sono soffermato sull’entità del problema. Citerò Albert Einstein per descrivere il nostro approccio: “Se avessi un’ora a disposizione per salvare il mondo, passerei 55 minuti a definire il problema e 5 minuti a trovare la soluzione.”
Come può essere d’aiuto l’IT?
Per fortuna, abbiamo più di un’ora di tempo per salvare il mondo. Oggi abbiamo una migliore comprensione del problema, quindi diamo un’occhiata al ruolo dell’IT e le potenziali applicazioni basate su analytics, intelligenza artificiale (IA), machine learning (ML) e Internet of Things (IoT).
L’IT ha il compito di ridurre i costi e i rischi, e la sua applicazione può portare a vantaggi significativi.
- Previsione dell’offerta
Creando un archivio dati comune che fornisce visibilità sulla domanda, possiamo garantire che le forniture di vaccini vengano consegnate senza sprechi, consentendo ai produttori di farmaci e alle società di logistica di tenere sotto controllo tutti gli aspetti del processo per garantire che venga spedito il giusto carico di farmaci, nei tempi corretti. Anche l’uso di applicazioni analytics, insieme a data point aggiuntivi, potrebbero aiutare a prevedere con precisione la domanda. Un aspetto chiave è la sicurezza dei dati: servono controlli di sicurezza adeguati, ad esempio misure – come crittografia e hashing – per garantire il rispetto della privacy e delle altre regolamentazioni, e per proteggere l’integrità della catena di approvvigionamento.
Combinare l’analytics e l’intelligenza artificiale offre ulteriori vantaggi da applicare alla logistica dei vaccini contro il COVID-19, nonostante la peculiarità della catena di approvvigionamento criogenica. In questa crisi, è urgente garantire che le sfide legate all’impiego di IA e analytics siano affrontate per tempo, in modo che l’IA consenta una distribuzione ottimale dei vaccini.
- Impiegare IoT e ML, includendo embedded ML, visione artificiale e deep learning, e fornire al contempo connettività remota a tutti i dispositivi di alimentazione
L’idea di utilizzare sensori per tenere sotto controllo aspetti come la temperatura, la posizione GPS, il numero di aperture di una confezione, le scorte rimanenti, ecc. è probabilmente ovvia. Tuttavia, ci sono alcune considerazioni da fare, come la selezione del set di sensori con le caratteristiche giuste, tra cui fattore di forma, consumo energetico e capacità di operare in condizioni climatiche difficili. Selezionare e testare questi sensori per verificare la loro idoneità negli ambienti più ostili è fondamentale, perché sono responsabili della fornitura dei dati: se questi dati fossero errati o incompleti, altre fasi della catena potrebbero risentirne.
Una volta risolta la scelta dei sensori, la questione successiva è la connettività: cioè garantire la trasmissione dei dati dai dispositivi. Questa è una sfida complessa a causa dei modelli di consumo energetico e dei vari scenari, inclusa copertura cellulare negli ambienti indoor, outdoor o con scarso segnale. Ogni soluzione necessita di più opzioni di connettività, come cellulare, UWB, LoRA, BLE e RFID, a seconda dell’ambiente in cui opera e della necessità di ridondanza. Ad esempio, le tecnologie UWB/BLE sono più adatte negli spazi chiusi, come l’interno di magazzini, mentre il cellulare è più adatto per il trasporto su strada. L’obiettivo è il minor consumo di energia possibile, consentendo alle unità di energia portatili di concentrarsi sul loro scopo principale: alimentare la refrigerazione.
I dati dei sensori assumono valore solo se utilizzati per ottenere previsioni utilizzabili. L’esperienza ci ha insegnato che le cattive notizie devono essere trasmesse tre volte più velocemente di quelle buone, per consentire una reazione tempestiva. Possiamo applicare questo principio utilizzando l’apprendimento automatico per prevedere i guasti prima che si verifichino.
Le sfide poste dal mix tra scarsa connettività, costi e il fatto che ogni vaccinazione richiede un diverso ambiente/contesto dalla produzione all’inoculazione, rendono ragionevole incorporare l’apprendimento in un ambiente distribuito (edge). L’apprendimento automatico in genere invia tutti i dati dai sensori al cloud, che vengono quindi utilizzati per addestrare il modello nel cloud. La maggior parte degli usi di ML in ambito edge utilizza fondamentalmente questo modello addestrato e lo distribuisce all’edge per prendere decisioni sui dati in tempo reale. Il modello, tuttavia, viene addestrato centralmente con i dati distribuiti su più dispositivi. Incorporando la componente di apprendimento su ogni dispositivo, permettiamo che ogni dispositivo venga addestrato in base ai suoi dati univoci.
Questo modello di machine learning è complesso e richiede di essere “federato” per poter essere addestrato in ambito edge, tenendo conto delle condizioni ambientali di ogni singola scatola. La temperatura di un contenitore di vaccini potrebbe cambiare più drasticamente in un deserto che nelle pianure ghiacciate di una steppa. Quindi, ogni dispositivo addestra il proprio modello e, una volta che il grado di precisione è accettabile, lo esegue: una forma di apprendimento senza supervisione. Possiamo anche consolidare tutti i modelli e i dati di addestramento nel cloud per estrarre gli elementi comuni, elaborando questi dati in aree in cui la connettività è buona ed economica.
L’embedded ML è abilitato tramite un’applicazione software appositamente creata per schede di elaborazione e viene eseguito su dispositivi edge: in genere su embedded computer, consentendo quindi di consumare meno risorse rispetto a un’implementazione cloud.
L’embedded ML completa l’edge e il cloud computing, che lavorano insieme per migliorare le prestazioni. Il machine learning eseguito da un’applicazione software incorporata ha lo scopo di consentire l’apprendimento direttamente sui dispositivi per ricavare dati più preziosi prima di condividerli con il modello di dati centrale.
Il machine learning integrato sfrutta un concetto chiamato apprendimento incrementale, al contrario del batch learning, utilizzato per la maggior parte dei modelli di machine learning tradizionali.
I vantaggi dell’embedded ML includono:
- Quantità di dati ridotta: produrre dati di valore superiore prima di inviarli al cloud consente di ottenere risparmi di costo sulla larghezza di banda o sulle risorse di cloud computing
- Miglior tempo di risposta per applicazioni sensibili alla latenza ed esigenze di ML cognitivo
- Funzionamento autonomo, ridotta dipendenza dalle connessioni cloud/di rete
- Personalizzazione a livello dell’utente finale o del dispositivo, inclusi i parametri ambientali locali
Non è necessario che tutti i sensori siano collocati sui dispositivi: attraverso una combinazione di telecamere intelligenti distribuite strategicamente e analisi dei flussi video, possiamo implementare la visione artificiale e il deep learning su ciascun sito, fornendo la possibilità di monitorare l’inventario così come l’accesso dei lavoratori.
- Sicurezza dei lavoratori a contatto con prodotti congelati criogenicamente
È necessario prendere in considerazione i rischi e le misure di sicurezza connessi alla manipolazione di prodotti congelati criogenicamente. I vaccini sviluppati utilizzando la tecnologia mRNA attualmente richiedono lo stoccaggio e il trasporto a <-20 ° C (fino a -75 ° C), una tecnologia che sarà rilevante anche per molti altri vaccini in futuro. Per garantire la sicurezza del sito e dei lavoratori, è necessario mettere in atto misure adeguate per monitorare l’esposizione del personale che lavora con i vaccini.
Secondo il NCNR (NIST Center for Neutron Research), i tre principali rischi sono:
- Ustioni da freddo, congelamento e ipotermia
Secondo questo studio sui dispositivi indossabili per la valutazione dello stress da freddo sul lavoro, la tolleranza al freddo è molto soggettiva e progettare un sensore indossabile personalizzato, utilizzato in combinazione con ML, può richiedere molto tempo e costi proibitivi.
Un punto di partenza più semplice sarebbe disporre di sensori di temperatura che possono essere rapidamente inseriti nei dispositivi indossabili, per ottenere informazioni sulla temperatura della pelle. Ci sono stati alcuni progetti fai-da-te molto interessanti in questo ambito, che potrebbero sfociare in una produzione più professionale di queste funzionalità incorporate nei Dispositivi di Protezione Individuale (DPI). Se questi avvisi, da aggiungere ai segnali acustici per l’utente, potessero essere trasmessi anche a un server centrale, saremmo in grado di garantire segnali di allarme appropriati e la modellazione predittiva: fondamentali per rilevare le esposizioni e reagire tempestivamente così da prevenire incidenti e lesioni.
- Asfissia causata dallo spostamento dell’ossigeno
Il raffreddamento criogenico in genere prevede l’uso di liquidi super-raffreddati, come anidride carbonica, elio e azoto. In caso di fuoriuscita accidentale, questi liquidi tornano immediatamente alla forma gassosa e in questo modo spostano l’ossigeno: un fenomeno particolarmente pericoloso in spazi ristretti come stanze chiuse, magazzini e frigoriferi walk-in. I sensori di ossigeno esistono dagli anni ’60, grazie alla Robert Bosch Gmbh e al Dr. Günter Bauman: una combinazione di sensori ambientali, collegati ai sistemi di monitoraggio, può garantire un adeguato preallarme in caso di fughe di gas.
- Esplosione di contenitori sigillati
L’ebollizione di liquidi criogenici crea un rischio maggiore per i contenitori sigillati, per il fenomeno della dilatazione termica. L’utilizzo di sensori connessi che misurino non solo le temperature ma anche la pressione sarebbe fondamentale per analizzare e prevenire l’esplosione dei contenitori.
