Innovation sparks
Intelligenza Artificiale e IoT al servizio della Smart Mobility
Articolo di Luca Barbanotti, Senior Customer Advisor SAS
Tempo di lettura: 5 min
La mobilità è un fattore abilitante della nostra vita economica e sociale. La transizione verso un futuro più intelligente e più sostenibile è sicuramente una delle sfide più ambiziose connesse al Green Deal europeo. Se gestita in modo virtuoso, migliorerà sensibilmente la qualità di vita di moltissime persone.
Come? Ad esempio, limitando fortemente la generazione di nuove esternalità negative derivanti dal consumo di combustibili fossili e, più in generale, dall’attuale sistema dei trasporti. I cittadini europei potranno usufruire di sistemi di mobilità più efficienti e più integrati, ma, al contempo, beneficeranno di una vita complessivamente più sana.
Leslie White, antropologo americano, ha definito la cultura proprio come: «l’insieme dei mezzi che contribuiscono a rendere la nostra vita più lunga e sicura». In questo senso, la transizione verso la smart mobility rappresenta una tappa fondamentale nello sviluppo della nostra cultura.
Il successo della transizione verso la smart mobility dipende principalmente dalla nostra capacità di sfruttare con maggiore efficienza le fonti rinnovabili di cui già disponiamo. Luca Barbanotti Senior Customer Advisor SAS
Ma quali sono, in concreto, obiettivi e strumenti della transizione verso la smart mobility?
Nel documento «Strategia per una mobilità sostenibile ed intelligente» è la stessa Comunità Europea a definire 10 diverse “iniziative faro”. Queste iniziative spaziano dal «promuovere la diffusione di veicoli ad emissioni zero», al «rafforzare la sicurezza nei trasporti». Ma qual è il piano d’azione che viene prescritto per il raggiungimento di ognuna? In altre parole, quali sono le leve da attuare per arrivarci con tempi e costi ragionevoli? Il documento ne identifica, in modo più o meno esplicito, almeno 3:
Incentivi o sussidi, finanziati mediante investimenti pubblici o partnership pubblico/private
Internalizzazione delle esternalità negative. In altre parole, il costo delle esternalità che si generano viene sommato al costo di produzione dei beni interessati. Ad esempio, parliamo di «carbon tax» o di sistemi «cap and trade» come il sistema ETS europeo. Ad ogni operatore industriale produttore di emissioni clima-alteranti viene assegnato un tetto massimo di emissioni (“cap”) e un conseguente numero di quote di emissione a titolo gratuito (una quota dà al suo titolare il diritto di emettere una tonnellata di CO2). Ogni anno, ciascun operatore deve restituire un numero di quote pari alle emissioni prodotte. Le quote in esubero, o viceversa mancanti, possono essere scambiate (“trade”) tra gli operatori stessi a titolo oneroso
Ricerca e innovazione. La ricerca produce nuova tecnologia. La tecnologia permette lo sfruttamento di nuovi fattori produttivi o l’efficientamento di quelli già in uso
A questi ovviamente si devono aggiungere le scelte virtuose dei singoli, magari a loro volta incoraggiate da politiche di nudging (da “Nudge, la spinta gentile" saggio di economia comportamentale). Scelte di consumo a parte, la bassa densità di potenza e l’intermittenza tipiche delle principali tecnologie di generazione rinnovabile sembrano rimanere i principali ostacoli al relativo impiego in tutti gli ambiti della mobilità. Se volete un esempio, basti pensare ad alcuni segmenti del trasporto merci.
Il successo della transizione dipende principalmente dalla nostra capacità di sfruttare con maggiore efficienza le fonti rinnovabili di cui già disponiamo
Non a caso, solo negli ultimi 2 anni, i soli fondi di Venture Capital hanno investito complessivamente più di 70 miliardi di dollari nello sviluppo di tecnologie di generazione o accumulo rinnovabile. L’International Energy Agency (IEA) ha prodotto un database consultabile pubblicamente, in cui sono elencate tutte le diverse tecnologie rinnovabili in via di sviluppo. Per ognuna viene anche indicato il relativo grado di maturità.
Sotto la voce Transportation sono elencati 85 diversi oggetti. Si spazia dalle celle a combustibile alle batterie allo stato solido. Di queste, però, solo 5 (cioè meno del 6%) sono indicate come mature. Per giunta tutte e 5 fanno capo alla voce Road Transportation. Le restanti 80 coprono Rail, Aviation e Shipping e non vanno oltre lo stato di «Early Adoption». Cosa possiamo fare quindi per efficientare questo processo?
Più concretamente, come possiamo efficientare lo sviluppo dei nostri prodotti e servizi verso gli obiettivi della transizione?
Pensiamo che la risposta passi anche, o soprattutto, per una maggiore diversificazione tecnologica. Ci riferiamo in modo specifico alla diversificazione del portfolio tecnologie impegnate nella progettazione di un particolare bene o servizio.
È proprio qui che cloud-computing, IoT e Intelligenza Artificiale entrano in gioco guidando, ad esempio, lo sviluppo dei Battery Management System di nuova generazione. La tecnologia base già tipica delle attuali batterie al litio viene diversificata mediante l’integrazione delle tecnologie cloud dedicate alla raccolta, gestione e valorizzazione del dato. I dispositivi risultanti prevedono il comportamento delle singole celle con accuratezza sensibilmente superiore ai BMS tradizionali.
Ciò che è meno scontato, e più interessante, è che il loro sviluppo è stato decisamente più rapido ed efficiente di quanto non sarebbe stato possibile sfruttando le sole tecnologie core di quell’ambito. In altre parole, ottenere un miglioramento simile mediante l’efficientamento progressivo delle sole tecnologie tipiche del mondo delle batterie al litio avrebbe richiesto molto più tempo.
Come l’integrazione di AI e IoT trova applicazioni immediate in altri ambiti della mobilità?
Come SAS offriamo al cliente la possibilità di incrementare la produttività degli investimenti in innovazione proprio grazie all’integrazione efficace di cloud-computing, IoT ed Intelligenza Artificiale. Negli ultimi anni abbiamo raccolto e realizzato una serie di esperienze che pensiamo rappresentino un patrimonio di grande valore. Eccone alcune:
-
Abbiamo supportato la città di Istanbul, una delle città più trafficate al mondo, nel ridefinire i processi di monitoraggio e governo della mobilità cittadina. Il Progetto aveva l’obiettivo di fornire ai decisori un “Technical Assistant Pilot” che li supportasse nel prevedere la domanda di mobilità e i flussi di traffico su base oraria, ridisegnare l’offerta pubblica in modo ottimizzato rispetto alla domanda e, infine, interagire direttamente con i viaggiatori. Ad esempio, suggerendo, in funzione del reale stato di congestione della città, alternative basate sull’uso di mezzi pubblici.
-
In una seconda esperienza, sempre dedicata alla mobilità urbana, abbiamo ricostruito i pattern di mobilità a partire da fonti dati passive. Il tema delle fonti dati passive è molto interessante. Una fonte dati è definita passiva quando viene generata per uno scopo originario diverso da quello dell’analisi che si sta svolgendo. Questi input sono generalmente molto economici e permettono, a parità di spesa, di ampliare sensibilmente il campione d’analisi. Nello specifico, abbiamo usato i dati di tracciamento delle sim mobili prodotti dagli operatori telefonici per finalità di gestione della rete. Questo approccio ci ha permesso di mappare milioni di flussi in modo dinamico e soprattutto di segmentarli su dimensioni socio-demografiche ad un costo molto più contenuto di quanto non sarebbe stato possibile mediante le classiche survey.
-
In ambito asset management, invece, ci siamo dedicati alla manutenzione predittiva di veicoli pesanti per diversi operatori del mondo automotive, tra cui Iveco e Volvo Trucks. Entrambe esperienze molto sfidanti, sia dal punto di vista della metodologia analitica che sul piano tecnologico. Siamo arrivati a processare centinaia di sensori su cui abbiamo istruito complessivamente decine di modelli analitici differenti.
In conclusione, la domanda di mobilità è al centro di una trasformazione radicale
Almeno per il momento, circa il 45% degli spostamenti avviene ancora grazie a mezzi privati. Questa tendenza, tuttavia, è in procinto di essere stravolta. Lo certifica, tra le altre fonti, anche un sondaggio del Center for Future Mobility di McKinsey da cui risulta che:
- circa il 30% degli intervistati pensa di incrementare l'uso futuro di micromobility e mobilità condivisa
- il 46% sta considerando di sostituire il proprio mezzo privato con altre modalità di trasporto
- infine, il 70% valuterebbe volentieri l'ipotesi di spostarsi mediante vettori a guida autonoma condivisi con altri viaggiatori
In altre parole, gli utilizzatori finali dei sistemi di mobilità (urbana e non) sono alla ricerca di un'esperienza utente door-to-door e che consenta loro di usare in modo più gratificante il tempo che spendono viaggiando.
In questo scenario Cloud, Intelligenza Artificiale ed IoT rappresentano il futuro della mobilità. Governarle al meglio è indispensabile per creare soluzioni innovative, sostenibili e di valore per l’utente finale.
20 novembre 2023
Articoli consigliati
-
Innovation sparksAI e innovazione dei dati: come l’intelligenza artificiale cambia i processi e protegge le informazioniNaica Tedesco, Senior Manager di Target Reply con anni di esperienza nella consulenza strategica dei dati, condivide una visione pragmatica sull’AI, in cui il potenziale innovativo si bilancia con la necessità di garantire sicurezza e privacy.
-
Innovation sparksDall'analisi predittiva all'etica dei dati: il futuro della Loss Prevention nel RetailNel settore retail, dove margini sempre più sottili e complesse catene di fornitura richiedono costanti sforzi di ottimizzazione, il tema della prevenzione delle perdite (Loss Prevention) emerge con forza.
-
Innovation sparksLe previsioni di SAS per il 2025: L'AI si specializza e abbraccia la sostenibilitàExecutive di SAS hanno esplorato il futuro per anticipare tendenze e sviluppi chiave nel business e nella tecnologia per il 2025. Ecco alcune delle loro previsioni.
-
Innovation SparksSAS Viya Workbench: il futuro dell’Intelligenza Artificiale è quiSAS Viya Workbench è l'ambiente di lavoro flessibile e adattabile che offre agli utenti la libertà di sviluppare modelli di AI e machine learning con una velocità e una coerenza senza rivali.