Amii amplia la partnership per l’adozione dell’IA, sostenendo altre 25 imprese

Amii, l’Alberta Machine Intelligence Institute, amplia la propria partnership con PrairiesCan, l’agenzia canadese per lo sviluppo economico regionale, per aiutare altre 25 piccole e medie imprese a sviluppare competenze pratiche nel campo dell’IA. L’annuncio del 27 ottobre aggiunge 2,5 milioni di dollari canadesi di sostegno federale, portando a 5,6 milioni di dollari canadesi l’investimento federale complessivo nell’iniziativa.

L’espansione riguarda Alberta, Saskatchewan e Manitoba, dove sono già state avviate le prime collaborazioni nei settori dell’energia, dell’agricoltura e della manifattura. Amii afferma che, dal lancio del programma nel 2024, ha collaborato con 30 imprese della regione. Il suo approccio affianca alle aziende specialisti di apprendimento automatico, che sviluppano sistemi basati sui dati operativi delle imprese stesse e trasmettono loro le competenze necessarie per mantenerli.

Una partnership di ricerca incentrata sull’attuazione

Con sede a Edmonton, Amii è un’organizzazione non profit indipendente e uno dei tre istituti nazionali canadesi di IA previsti dalla Pan-Canadian AI Strategy. La sua storia risale all’Alberta Ingenuity Centre for Machine Learning, fondato nel 2002; nel 2017 è diventata un’organizzazione non profit indipendente con il nome Amii. Le sue attività collegano ricerca, sviluppo dei talenti e applicazioni commerciali.

Prairies Economic Development Canada, nota come PrairiesCan, è l’agenzia federale che sostiene lo sviluppo economico nelle tre province partecipanti. Per i lettori internazionali, questa partnership è un esempio di come gli investimenti pubblici possano aiutare le imprese più piccole ad accedere a competenze tecniche specialistiche che sarebbe difficile acquisire autonomamente.

Il modello di sviluppo dell’IA di Amii prevede l’assegnazione di un ricercatore residente a tempo pieno specializzato in apprendimento automatico al progetto di un’azienda, sotto la supervisione dei ricercatori dell’istituto. Il ricercatore collabora con il team aziendale allo sviluppo e alla verifica del modello; al termine, l’azienda può assumerlo. L’offerta generale prevede un impegno da 12 a 15 mesi, sebbene l’ambito e il costo dei singoli progetti varino.

Le aziende mantengono la proprietà intellettuale sviluppata durante la collaborazione e ricevono documentazione e trasferimento di competenze. L’obiettivo della partnership è quindi diverso dalla semplice consegna di un prototipo realizzato da un fornitore esterno: l’impresa dovrebbe essere in grado di adattare il sistema una volta concluso il lavoro del team di ricerca esterno.

Croptimistic: visione artificiale adatta ai campi reali

Croptimistic Technology sviluppa l’ecosistema per l’agricoltura di precisione SWAT MAPS, che combina informazioni su suolo, acqua e topografia per orientare la gestione dei campi. Il suo prodotto SWAT CAM acquisisce immagini durante le normali operazioni di irrorazione e usa l’apprendimento automatico per analizzare colture e infestanti.

La collaborazione con Amii ha riguardato colture cerealicole nelle prime fasi della stagione, come grano e avena. Le loro foglie strette e sovrapposte rendono difficile distinguere le singole piante. Il team ha sviluppato modelli specializzati di visione artificiale per operare in chiome fitte e in condizioni di acquisizione delle immagini difficili, caratterizzate anche da polvere, riflessi e vento.

Le informazioni sul prodotto di Croptimistic spiegano come le telecamere montate sulle irroratrici colleghino le immagini dettagliate dei campi alle zone di gestione. Il vantaggio pratico di una migliore identificazione delle colture consiste nella disponibilità di informazioni spaziali più dettagliate: gli agricoltori possono esaminare la disomogeneità dell’insediamento delle colture e la pressione delle infestanti in tutto il campo, anziché affidarsi soltanto a poche osservazioni manuali.

Carson Integrated: trasformare i dati ambientali in previsioni

Carson Integrated è una società di consulenza ambientale e forestale, che fornisce anche informazioni geospaziali per progetti legati alle risorse naturali. La sfida consisteva nel classificare i corsi d’acqua, un’attività utile a determinare le fasce di protezione attorno ai corsi d’acqua.

Il caso di studio di Carson di Amii descrive un modello costruito utilizzando circa vent’anni di dati raccolti, comprese misurazioni sul campo e informazioni ottenute con il telerilevamento. Per sviluppare le variabili del modello sono state esaminate le caratteristiche del terreno e quelle ambientali; la dimensione della sezione di chiusura del bacino si è rivelata particolarmente utile. Lo studio riporta una precisione media di classificazione di circa il 75% quando erano disponibili i dati appropriati.

Questa applicazione mostra come le competenze specifiche del settore contribuiscano a rendere utile l’apprendimento automatico. Identificare un corso d’acqua nelle immagini è un compito diverso dal prevederne la classificazione normativa. Le previsioni possono aiutare a dare priorità alle attività di valutazione in aree remote, ma la loro precisione e idoneità devono comunque essere valutate in relazione alle decisioni che contribuiscono a prendere.

Visionstate: pianificare come problema di ottimizzazione vincolata

Visionstate sviluppa software per la gestione delle strutture, le ispezioni e la verifica degli interventi. Il suo sito attuale mette in evidenza MIRA, una piattaforma che collega segnalazioni, ispezioni, ordini di lavoro e supervisione. La collaborazione con Amii si è concentrata sulla piattaforma di gestione delle strutture WANDA dell’azienda.

Il caso di studio dettagliato spiega che i percorsi e i turni di pulizia sono stati formulati come un problema di ottimizzazione vincolata. Il sistema deve assegnare una forza lavoro fissa rispettando la disposizione degli spazi, i requisiti del servizio e le norme di conformità, bilanciando efficienza ed equità.

Il lavoro ha inoltre fornito supporto a TidyLogic, un prodotto per la pianificazione delle risorse, e a uno strumento per stimare i costi di pulizia in ambito sanitario. Il caso di studio descriveva TidyLogic come prodotto in versione beta e il modello come prossimo all’integrazione al momento della stesura. Queste distinzioni sono importanti: lo sviluppo di un prodotto commerciale e la realizzazione di un sistema di ottimizzazione pienamente implementato sono traguardi distinti.

Ambyint: sviluppare competenze nell’apprendimento per rinforzo

Ambyint fornisce software per ottimizzare la produzione destinato agli operatori del settore petrolifero e del gas. La sua piattaforma esistente combina modelli basati sulla fisica con il controllo automatizzato, comprese le regolazioni dei valori di riferimento delle apparecchiature tramite infrastrutture di monitoraggio industriale.

Il progetto Amii ha esplorato l’apprendimento per rinforzo applicato ai pozzi con sistema di sollevamento a pistone, nei quali la modifica delle soglie di pressione influisce sulla rimozione dei liquidi accumulati. La scarsità di informazioni sulle condizioni in profondità rende difficili la simulazione e il controllo. Il team ha sperimentato approcci basati sui dati storici e metodi basati sulla fisica per migliorare il processo decisionale.

Il caso di studio è esplicito sul risultato: i modelli sperimentali non hanno migliorato l’efficienza rispetto ai sistemi di automazione esistenti di Ambyint e non erano ancora abbastanza affidabili o reattivi per l’impiego in produzione. Il beneficio è consistito in un team interno meglio preparato e in una comprensione più chiara degli ambiti in cui occorreva approfondire la ricerca. È un risultato utile in termini di adozione, anche quando non porta subito a un modello pronto per l’implementazione.

Riva: rendere i dati aziendali utili per l’IA

Amii indica inoltre Riva, con sede a Edmonton, come uno dei primi beneficiari, citando i progressi verso soluzioni pronte per la produzione senza divulgare l’architettura specifica del modello.

La piattaforma di Riva integra le informazioni provenienti da email, calendari, contatti e riunioni con i sistemi di gestione delle relazioni con i clienti. Tra le sue funzionalità figurano riepiloghi delle conversazioni generati dall’IA e resoconti strutturati delle riunioni, che i team possono esaminare e collegare ai record CRM. Si tratta di un contesto di adozione diverso rispetto all’imaging sul campo o al controllo industriale: la sfida consiste nel rendere utilizzabili le interazioni aziendali, preservando al contempo la governance e la revisione umana.

Perché il modello è importante anche fuori dal Canada

Le aziende partecipanti dimostrano che l’adozione dell’IA interessa la visione artificiale, la modellazione predittiva, l’ottimizzazione vincolata, l’apprendimento per rinforzo e i flussi di lavoro informativi aziendali. Ciascun ambito richiede dati, metodi di valutazione e competenze operative differenti.

La portata più ampia della partnership risiede nell’enfasi posta sulla titolarità e sulle competenze tecniche. Un’azienda acquisisce più di un modello quando il proprio personale impara come è stato sviluppato, come testarlo e in quali circostanze fidarsi delle sue previsioni. Per le imprese più piccole, trasferire queste capacità può avere un impatto tanto significativo quanto la fornitura iniziale del software.