Apollo Tyres: l'AI che taglia gli scarti di produzione

Una finestra di instabilità a ogni cambio ricetta

Ogni cambio ricetta su una linea di estrusione apre una finestra di instabilità, e lì un'AI che taglia gli scarti di produzione trova il suo lavoro migliore.

Per qualche minuto la mescola esce fuori specifica e finisce in rilavorazione oppure a scarto. In una fabbrica ad alta varietà quella finestra si riapre decine di volte al giorno.

Apollo Tyres ha scelto di chiuderla con un sistema di controllo avanzato costruito in casa. Il gruppo indiano, sede a Gurgaon e stabilimenti fra India ed Europa, ha messo un modello predittivo sull'edge e un agente che corregge la linea mentre produce. Il caso è raccontato sul blog AWS for Industries insieme a Harsh Vardhan, Global Head del Digital Innovation Hub di Apollo Tyres.

La scelta interessante sta nel verbo: costruito, mai comprato.

L'idea originale: chiudere l'anello su una leva sicura

L'idea originale è quasi banale nella forma e rara nella pratica: chiudere l'anello.

I sistemi classici lavorano in feed forward: impostano i parametri all'avvio e sperano che il materiale segua. Apollo Tyres ha ribaltato la logica. Il controllore misura il profilo di battistrada e fianco a ogni ciclo di misura, confronta il valore con la specifica e corregge in automatico la velocità di linea appena vede una deriva.

Il modello predittivo stima la velocità di avvio ottimale nel momento del cambio ricetta. Lavora su oltre 40 variabili critiche dentro un insieme di oltre 200 feature di processo.

La finezza sta nella scelta dell'attuatore. Fra centinaia di grandezze osservate, il sistema ne muove una: la velocità di linea. Un anello stretto su una leva sicura rende il comportamento prevedibile, verificabile e accettabile per chi sta in reparto.

I numeri, e da dove arrivano

I numeri pubblicati sono quattro, e vale la pena separarli.

• Contesto di settore: 30-35 cambi setup al giorno in un impianto ad alta varietà
• Perdita strutturale: 5-6% del volume prodotto bruciato in rilavorazione di avvio
• Risultato: tempo di stabilizzazione giù di circa il 40%, rilavorazione di avvio giù di circa il 26%
• Maturità: circa il 44% delle iniziative AI e machine learning arriva in produzione

Le quattro cifre arrivano dalla stessa fonte, il post pubblicato da AWS for Industries e co-firmato dall'azienda^[1]: risultato dichiarato dal protagonista, con il meccanismo descritto per intero.

La metrica che conta per un direttore di stabilimento è la seconda, perché porta il denominatore. Il 5-6% di volume perso è la torta; il 26% è la fetta recuperata su una parte di quella torta. Un ritorno serio si calcola lì, mai sulla percentuale isolata.

C'è poi la distanza fra le due cifre di risultato. Il tempo di stabilizzazione scende più della rilavorazione (40% contro 26%), segnale che l'anello chiuso accorcia la fase critica più di quanto elimini il materiale fuori specifica. La partita resta aperta sull'ultimo tratto.

La frizione: l'uomo resta sopra l'anello

Qui arriva la parte che rende il caso davvero utile: la frizione.

Un anello chiuso su una linea di estrusione è un sistema che tocca il prodotto in autonomia. Apollo Tyres lo ha accettato con due vincoli espliciti: guardrail di sicurezza e supervisione Human on the Loop.

La persona resta sopra l'anello, vede le correzioni e può fermarle. È una riduzione volontaria dell'ambito, mai una marcia indietro. L'alternativa, un controllo pienamente autonomo su decine di parametri, avrebbe moltiplicato i modi di guasto e reso pesante la validazione qualità.

Chi pilota progetti simili conosce il punto di rottura tipico: il reparto spegne il sistema alla prima correzione strana. Un anello stretto con l'uomo sopra sopravvive al primo mese. Questa, più delle percentuali, è la decisione che spiega perché la soluzione risulta ancora accesa.

Il dato più onesto è quel 44%

Il numero più istruttivo del racconto è la quota di iniziative che arriva in produzione.

Circa il 44% significa che una parte rilevante dei progetti AI del gruppo resta a monte della linea: prototipi, prove, cose che girano in laboratorio e si fermano prima della fabbrica. Una comunicazione di marketing avrebbe tenuto quella cifra fuori dal testo.

Vederla scritta cambia la lettura dell'intero caso. L'anello chiuso sull'estrusione è il sopravvissuto di un portafoglio, mai un colpo isolato di fortuna.

Per chi decide, la lezione pratica sta nel rapporto. Serve una pipeline di tentativi per ottenere un successo industriale, e serve una piattaforma dati comune che renda economico il tentativo numero dieci. Apollo Tyres ha costruito prima la piattaforma dati cloud native, poi ha piazzato i modelli sopra: l'ordine delle due mosse spiega la percentuale.

In casa batte chiavi in mano

Il caso rafforza una tesi che ricorre nei deployment industriali riusciti: chi conosce il processo costruisce meglio di chi vende la soluzione.

L'APC di Apollo Tyres nasce dentro il Digital Innovation Hub del gruppo. Il fornitore cloud mette i mattoni (la pipeline MLOps gira su Amazon SageMaker e Amazon Bedrock), l'intelligenza di dominio resta dell'azienda.

La differenza pratica è il ciclo di correzione. Un team interno cambia la soglia di deviazione il giorno stesso in cui il capo reparto la mette in discussione; un fornitore esterno apre un ticket.

La stessa direzione emerge altrove. Forrester sostiene che l'AI privata batterà quella pubblica nei casi d'uso del marketing B2B^[2], per ragioni vicine: dato proprietario, contesto specifico, controllo del ciclo di vita del modello. Il pattern attraversa i settori.

Quanto vale davvero questo risultato

Serve una precisazione di metodo, per chiudere il cerchio con rigore.

Le due percentuali chiave arrivano da un testo co-firmato dall'azienda e dal suo fornitore cloud. È un risultato dichiarato dal protagonista, in attesa di riscontro indipendente.

Mancano inoltre tre informazioni che un lettore esigente vorrebbe: la finestra temporale del confronto prima e dopo, il numero di linee coperte e il valore economico assoluto del recupero. Le due cifre restano credibili per ordine di grandezza e per il meccanismo descritto, coerente con la fisica del processo. Vanno lette per quello che sono: risultati d'azienda, misurati in casa.

La distinzione vale per qualunque caso industriale. Un numero verificato da terzi pesa di più; un numero dichiarato con il meccanismo spiegato pesa comunque più di un aggettivo entusiasta.

Cosa puoi portarti via

Tre cose, trasferibili anche fuori dalla gomma.

La prima: cerca la perdita piccola e ricorrente, quella che il conto economico maschera. Cinque punti di volume bruciati in avvio valgono più di molti progetti di innovazione dal nome brillante.

La seconda: chiudi l'anello su una leva alla volta. Un attuatore, una misura, un guardrail, una persona che sorveglia dall'alto.

La terza: tieni il modello vicino a chi conosce il processo, e compra fuori soltanto l'infrastruttura.

Resta una domanda aperta, buona per qualunque organizzazione. Quale dei tuoi processi produce uno scarto sistematico a ogni transizione, e quale grandezza potresti misurare a ogni ciclo per correggerlo in automatico?