Con il machine learning, il gigante della produzione 3M innova prodotti vecchi e nuovi

 

Nel 1916 la Minnesota Mining and Manufacturing Company, o 3M, aprì il suo primo laboratorio di ricerca, uno spazio dalle dimensioni di un armadio situato nella fabbrica di carta vetrata di St. Paul dell'azienda. Una serie di eventi avvenuti nei primi 14 anni di esistenza dell'azienda, uno dei quali riguardava una spedizione di carta vetrata danneggiata durante il trasporto a causa di una cassa di olio d'oliva che si era rovesciata, rivelarono la scarsa qualità della carta. Questo e altri avvenimenti ispirarono l'allora direttore generale, William McKnight, a creare uno spazio per testare i prodotti al fine di migliorare il controllo della qualità.

Man mano che l'influenza di McKnight cresceva (sarebbe diventato presidente del consiglio di amministrazione della 3M nel 1949), cresceva anche l'entusiasmo per la qualità. Nel corso degli anni alla 3M l’animo imprenditoriale degli scienziati ha trasformato tutto. Si sono susseguite idee stravaganti e incidenti come la spedizione della carta vetrata, fino ad arrivare a esperimenti falliti in prodotti che oggi sono punti fermi per la casa, come il nastro adesivo Scotch e le note Post-it.

3M Wired Story image

Per gentile concessione di Wired 

La qualità rimane una sfaccettatura intrinseca della cultura a 3M. Spronata dal successo del laboratorio, 3M ha ampliato significativamente le strutture di ricerca. Quasi il sei per cento dei ricavi dell'azienda viene oggi incanalato nella R&S. A St. Paul, mentre quasi 12.000 dipendenti collaborano per creare e lanciare nuovi prodotti e migliorare quelli esistenti, nei laboratori aziendali migliaia di ricercatori e scienziati si sforzano di apportare contributi alla pipeline dell'innovazione.

Uno degli argomenti più importanti nel campus 3M è il machine learning. Usando il machine learning su Amazon Web Services (AWS), 3M sta migliorando prodotti provati e testati, come la carta vetrata, e favorendo l'innovazione in nuovi campi, come quello dei servizi sanitari. Forse a testimonianza dell'efficacia dei programmi, i prodotti più recenti di cinque anni contribuiscono costantemente a circa il 30% dei ricavi dell'azienda: ogni anno 3M lancia circa 1.000 nuovi prodotti.

"Non sono molte le aziende che possono combinare ciò di cui disponiamo, come ricche fondamenta materiali, con la capacità digitale di realizzare qualcosa di davvero nuovo", ha dichiarato Hung Brown Ton, Chief Architect del St. Paul Corporate Research Systems Lab. "Ciò che è entusiasmante per noi è sfruttare le nuove funzionalità del cloud, come il machine learning".

Revisionare un prodotto di 100 anni con il machine learning

Da quando ha superato innumerevoli ostacoli legati alla carta vetrata nei primi giorni dell'azienda, 3M ha continuato a migliorare la capacità abrasiva del suo prodotto ormai consolidato. Fino alla recente introduzione delle tecniche di machine learning nel flusso di lavoro dello sviluppo dei prodotti, tuttavia, il processo risultava estremamente dispendioso in termini di tempo.

La grana ideale della carta (che è in realtà un materiale sintetico detto Cubitron) funziona meglio e dura più a lungo. Per arrivare a questo ideale generalmente un tecnico della 3M ispezionava ogni foglio di carta tramite una TAC per valutare il numero di grani su un foglio. Poi il tecnico testava ogni campione su una superficie ruvida per misurarne l'efficacia e cercare di correlare tale efficacia con la percentuale di grani.

"Questo comporta un lungo processo di sviluppo che richiede settimane", ha affermato Brown Ton, mentre lui e il suo team collaborano con i ricercatori che stanno sviluppando i nuovi campioni e prodotti abrasivi (compreso il prodotto ancora colloquialmente chiamato "carta vetrata").

Con il machine learning su AWS, che i team di Brown Ton hanno iniziato a implementare poco meno di un anno fa, il processo è ora molto più veloce e preciso. Il team di 3M sta attualmente testando i modelli che utilizzano l'addestramento tradizionale per immagini, sfruttando anche le reti neurali su Amazon SageMaker. Mentre il tecnico continua a testare i campioni, i modelli rendono le analisi per immagini significativamente più veloci, aiutando a restringere il campo delle opzioni migliori. Questi modelli di machine learning permettono ai ricercatori di analizzare il modo in cui lievi cambiamenti di forma, dimensione e orientamento possono migliorare l'abrasività e la durata. Questi suggerimenti influenzano a loro volta il processo di produzione.

Data la quantità di dati generati da queste scansioni e test (circa 750 GB per foglio di dimensioni di un palmo), il team stava inizialmente consumando i computer portatili per ingegneria pesante che aveva comprato per eseguire le analisi. "Quindi ci è sembrato perfettamente sensato spostare questa capacità nel cloud", ha dichiarato Brown Ton, "perché eravamo enormemente ostacolati dalla potenza di calcolo di qualsiasi laptop o desktop convenzionale che potevamo acquistare. Il processo di oggi in AWS è più efficiente di molti ordini di grandezza ed è un piacere dedicare il nostro tempo alla comprensione degli abrasivi invece di aspettare la raccolta dei dati e il completamento dei test".

Conversione di una moltitudine di testo non strutturato in codici fatturabili

Se la carta vetrata è un punto fermo della 3M, man mano che l'azienda manifatturiera è cresciuta si è espansa anche in nuove aree, compresi i servizi sanitari. 3M ha fondato la sua filiale Health Information Systems (HIS) nel 1983, non molto tempo dopo lo sviluppo del primo grande sistema di cartelle cliniche elettroniche (EHR). Oggi il 96% degli ospedali utilizza le EHR, rispetto a dieci anni fa quando era solo una minima parte a farlo, e in tutti quei dati, HIS ha visto un'opportunità per costruire qualcosa di nuovo: una serie di prodotti di codifica medica basati sul machine learning.

Per far pagare i suoi servizi ai fornitori di assicurazioni, un fornitore di servizi sanitari deve tradurre le EHR nei codici di fatturazione appropriati. Gli errori di processo sono comuni e possono comportare un ritardo dei pagamenti oppure casi di sovrafatturazione, il che rappresenta una frode. Negli Stati Uniti la maggior parte degli ospedali adotta una gestione basata sul supporto degli strumenti di Natural Language Processing (NLP) di HIS, alimentati dal machine learning su AWS.

David Frazee, il direttore del laboratorio di ricerca e veterano da 14 anni della 3M, è stato precedentemente CTO di HIS. Ha raccontato che il processo tradizionale di determinazione dei codici di fatturazione richiedeva che gli individui conosciuti come codificatori esaminassero ogni cartella e, sulla base della conoscenza e dell'esperienza, scegliessero il codice giusto da una delle 141.000 opzioni. "Tre settimane dopo si potrebbero dare allo stesso codificatore le stesse identiche cartelle, e potrebbe derivarne una determinazione dei codici diversa", ha detto Frazee.

Da aprile 2016 HIS ha combinato la competenza umana imperfetta con modelli di machine learning per ridurre l'errore nel processo. Gran parte di una EHR non è strutturata e, come dice Frazee, qualsiasi cosa al di là dello scarabocchio di un medico su un tovagliolo probabilmente può essere considerata una cartella, quindi anche solo far capire ai modelli cosa si intende per cartella è un'impresa.

A tal fine, i linguisti insegnano al modello di NLP ad analizzare cartelle confusionarie: ad esempio capire che una nota del medico che descrive una parte del corpo come "fredda" non comporta che il paziente abbia un raffreddore. I codificatori approvano (o non approvano) la decisione del modello. La loro valutazione viene restituita al modello in modo che possa migliorare il turno successivo. Il modello, che elabora tre milioni di documenti al giorno, sta imparando rapidamente, e in molte procedure seleziona il codice giusto circa il 98% delle volte. Il modello stesso viene eseguito su istanze Amazon EC2 e S3 ad alta potenza.

Sia Frazee che Brown Ton prevedono che il machine learning su AWS prolifererà in tutta l'azienda nei prossimi anni.

"Ritengo che il progetto di R&S sugli abrasivi sia molto rappresentativo del futuro della collisione tra la scienza dei materiali e la data science di 3M", afferma Frazee. "Siamo una delle migliori aziende di produzione di materiali al mondo, ma non abbiamo approfittato del fatto che disponiamo di molti dati sui nostri materiali".

"E se si pensa ai dati aggregati nel cloud, raccolti attraverso l'IoT, elaborati attraverso il machine learning, sfruttando al contempo anche la modellazione, la simulazione e la capacità di visualizzare grandi quantità di dati, tutti questi fattori convergono a nostro vantaggio", aggiunge Brown Ton. "Continuare a sfruttare queste nuove funzionalità del cloud in rapida evoluzione è molto entusiasmante sia per noi che per i nostri clienti".

 

Coinbase utilizza il machine learning per garantire la sicurezza nello scambio di criptovalute

Ulteriori informazioni »

Capital One utilizza il ML per proteggere meglio i propri clienti dalle frodi

Ulteriori informazioni »

Zendesk aiuta le compagnie a fornire un servizio clienti più veloce utilizzando il ML

Ulteriori informazioni »

Il servizio clienti di T-Mobile acquisisce una dimensione umana grazie al ML

Scopri di più »