Andrei Kulik, cofondatore di XENOM – Serie di interviste

Andrei Kulik è cofondatore e CEO di XENOM e porta nelle attività industriali la sua esperienza nell’IA direttamente sui dispositivi, nei sistemi distribuiti e nell’apprendimento automatico. In precedenza ha cofondato AIMatter, acquisita da Google, e ha lavorato presso Google allo sviluppo di sistemi di IA per dispositivi consumer. La sua carriera si è concentrata sul rendere affidabile il funzionamento di sistemi di IA sofisticati, rispettando i vincoli pratici dell’hardware e degli ambienti reali.

XENOM sviluppa una piattaforma di IA industriale che integra software e dispositivi di protezione intelligenti per offrire agli operatori una visione in tempo reale dei luoghi di lavoro. Il sistema riunisce dati di localizzazione, comunicazioni del personale, rilevamento ambientale e sicurezza. In questa intervista, Kulik parla di IA all’edge, caschi intelligenti, supervisione umana, privacy dei lavoratori e del passaggio dal monitoraggio industriale al supporto predittivo alle decisioni.

In precedenza ha cofondato AIMatter, acquisita da Google, e ha trascorso anni a sviluppare sistemi di IA progettati per funzionare direttamente sui dispositivi consumer. Cosa l’ha spinta a cofondare XENOM e in che modo l’esperienza maturata in Google ha influenzato la sua visione di come portare l’IA negli ambienti industriali?

Dopo l’acquisizione, ho trascorso anni a lavorare su un problema specifico: come far funzionare in modo affidabile sistemi di IA sofisticati su un dispositivo che sta in tasca, con una batteria di capacità limitata, una connettività imprevedibile e condizioni reali che nessun laboratorio può simulare del tutto. Abbiamo distribuito il frutto di quel lavoro su telefoni, occhiali e auricolari: miliardi di dispositivi. A un certo punto ho iniziato a chiedermi in quali altri ambiti questa architettura avrebbe potuto fare la differenza. I dispositivi consumer sono comodi, ma negli stabilimenti industriali il costo di una decisione sbagliata — o della mancata decisione — si misura in vite umane e in milioni di unità di produttività perduta. Nella maggior parte degli stabilimenti industriali non esiste ancora una visione in tempo reale di ciò che accade. Quella lacuna mi è sembrata proprio il problema giusto da affrontare con la tecnologia che avevamo impiegato anni a sviluppare.

XENOM integra software basato sull’IA e dispositivi di protezione intelligenti per offrire visibilità in tempo reale sulle attività industriali. Quali sono i principali punti ciechi dei sistemi tradizionali di sicurezza industriale e in che modo la vostra piattaforma affronta le sfide che le tecnologie di monitoraggio convenzionali faticano a risolvere?

Il problema fondamentale è che la maggior parte dei sistemi è stata progettata per registrare ciò che è accaduto, non per impedirne l’accadimento. La posizione di un lavoratore viene aggiornata ogni pochi minuti. I fogli presenze vengono compilati alla fine del turno. Le violazioni delle norme di sicurezza vengono registrate dopo la presentazione di una segnalazione d’incidente. Quando un responsabile consulta i dati, il turno è finito oppure l’incidente si è già verificato. Il secondo punto cieco è la frammentazione: un’azienda potrebbe avere un sistema di monitoraggio dei gas, un sistema separato di controllo degli accessi, una lista di controllo cartacea dei DPI e una procedura manuale per la registrazione delle ore, senza che questi strumenti comunichino tra loro. XENOM sostituisce tutto questo con un flusso continuo di dati provenienti dal sito, elaborati in tempo reale, che offre ai responsabili un quadro coerente invece di cinque quadri scollegati.

Gran parte della sua carriera si è concentrata sull’ottimizzazione dell’apprendimento automatico e dell’inferenza dei modelli linguistici di grandi dimensioni per dispositivi con risorse limitate. Come applica questi principi agli ambienti industriali e quali vantaggi tecnici offre l’elaborazione dei carichi di lavoro dell’IA all’edge rispetto all’affidarsi all’infrastruttura cloud?

Lavorare con dispositivi dalle risorse limitate insegna una disciplina: ogni millisecondo, ogni milliwatt e ogni byte devono essere giustificati. È proprio questa la mentalità necessaria per un casco industriale, perché viene indossato per un intero turno e deve funzionare con la stessa costanza all’undicesima ora come alla prima. Suddividiamo deliberatamente il lavoro: le attività urgenti e ad alta intensità di dati, come elaborare il flusso vocale e i segnali dei sensori o rilevare cadute e urti, vengono eseguite sull’NPU integrata nel casco, con modelli compressi e ottimizzati per quell’hardware; la visione complessiva del sito e le analisi più approfondite vengono invece elaborate sulla piattaforma.

L’elaborazione all’edge offre quattro vantaggi pratici. Il primo è la velocità: il dispositivo reagisce immediatamente a un evento, senza dover inviare una richiesta a un server e attendere la risposta. Il secondo è l’affidabilità: un modello leggero eseguito sul dispositivo si comporta in modo prevedibile, mentre ogni passaggio aggiuntivo nella catena rappresenta un ulteriore punto di guasto. Il terzo è il carico sulla rete: centinaia di caschi non possono trasmettere continuamente flussi audio grezzi e dati dei sensori, quindi ciascuno invia il risultato dell’analisi. Il quarto è l’autonomia della batteria: la trasmissione è una delle attività che consumano più energia, perciò elaborare i dati localmente e trasmetterne meno prolunga il tempo di funzionamento.

XENOM ha sviluppato caschi intelligenti che integrano funzionalità di localizzazione, comunicazione, rilevamento ambientale e IA. Quali sono state le sfide ingegneristiche più difficili nell’integrare queste tecnologie, soprattutto in ambienti in cui connettività, autonomia della batteria e affidabilità possono essere imprevedibili?

La difficoltà maggiore non riguardava una singola tecnologia, ma il farle convivere tutte in modo affidabile in un unico dispositivo, in condizioni che metterebbero fuori uso la maggior parte dei dispositivi elettronici di consumo. I siti industriali sono sporchi, impegnativi dal punto di vista fisico e caratterizzati da temperature estreme. Il casco può cadere, essere esposto alla pioggia e venire indossato per turni di dodici ore. L’autonomia della batteria diventa un vero limite quando si utilizzano contemporaneamente il posizionamento, i sensori, le comunicazioni e l’inferenza dell’IA. C’è poi l’architettura di connettività: dovevamo garantire il passaggio senza interruzioni dal posizionamento satellitare RTK all’esterno alla nostra rete mesh UWB proprietaria all’interno, senza alcuna perdita di precisione quando un lavoratore si sposta dall’una all’altra. Fare in modo che questa transizione avvenisse automaticamente, in modo affidabile e in tempo reale, è stata una delle sfide tecniche più impegnative che abbiamo affrontato.

Il vostro team ha sviluppato un modello di IA vocale in grado di rilevare i segni di un’alterazione dovuta all’alcol attraverso il parlato, con prestazioni che, secondo quanto riferito, superano i precedenti parametri di riferimento accademici. Quali progressi tecnici lo hanno reso possibile e come verificate l’affidabilità del sistema in lingue, accenti e livelli di rumore di fondo diversi, nonché nelle reali condizioni di lavoro?

L’intuizione fondamentale è stata che l’intossicazione lascia una traccia rilevabile nei micro-pattern del parlato: non nelle parole, ma nelle caratteristiche acustiche, come il ritmo, le variazioni dell’intonazione e la precisione dell’articolazione. Abbiamo realizzato un modello che analizza questi schemi in background durante le normali comunicazioni vocali, senza richiedere un test specifico né alcuna azione da parte del lavoratore. Il dato di accuratezza dell’86,7% deriva da rigorosi test di confronto con set di dati accademici pubblicati. Per verificarne il funzionamento sul campo, lo testiamo in lingue e con accenti diversi e in condizioni di rumore di fondo rappresentative dei reali siti industriali: macchinari pesanti, vento e più persone che parlano contemporaneamente. Il modello doveva essere abbastanza robusto da funzionare in condizioni molto diverse da quelle di uno studio controllato. Per riuscirci sono stati necessari dati di addestramento molto diversificati e numerose iterazioni.

I sistemi di IA progettati per individuare alterazioni o affaticamento nei lavoratori sollevano questioni importanti riguardo ai falsi positivi e alle responsabilità. In che modo XENOM concilia il rilevamento tempestivo dei rischi con la necessità di una verifica umana e quali misure di tutela impediscono che una valutazione errata dell’IA penalizzi ingiustamente un lavoratore?

È un aspetto a cui abbiamo riflettuto con molta attenzione fin dall’inizio. Il sistema è progettato per segnalare un possibile problema a un supervisore, non per intervenire autonomamente. Una valutazione dell’IA che rileva una possibile alterazione dà avvio a una verifica umana: il supervisore può osservare direttamente il lavoratore, porgli delle domande o, se opportuno, richiedere un test fisico. L’IA non allontana nessuno dal sito. Fornisce a una persona le informazioni necessarie per prendere una decisione più rapidamente di quanto farebbe altrimenti. Monitoriamo inoltre i tassi di falsi positivi durante l’impiego sul campo e miglioriamo continuamente il modello. L’obiettivo è ridurre il numero di incidenti che si verificano perché nessuno si è accorto del problema, non creare un sistema che penalizzi i lavoratori sulla sola base di un algoritmo.

Prima di fondare XENOM, sei stato CTO di OneSoil, dove hai applicato la visione artificiale e l’apprendimento automatico al monitoraggio agricolo e all’analisi della produttività. Quali lezioni apprese dall’impiego dell’IA in agricoltura si sono rivelate più preziose nello sviluppo di sistemi intelligenti per cantieri edili, miniere, porti e impianti energetici?

Applicare l’IA al mondo fisico è una sfida fondamentalmente diversa rispetto a implementarla nel software. Ci si confronta con la variabilità, con attrezzature che non si comportano mai esattamente allo stesso modo e con operatori che svolgono il proprio lavoro da decenni e sono profondamente scettici nei confronti di qualsiasi cosa dica loro di cambiare metodo. Nei siti industriali si ritrova la stessa dinamica. La tecnologia deve conquistare la fiducia dimostrandosi affidabilmente corretta più spesso di quanto le persone si aspettino e deve essere abbastanza semplice da poter essere usata senza formazione da chi gestisce una squadra di cinquanta persone. Un’altra lezione: sul campo, la qualità dei dati è quasi sempre peggiore di quanto si fosse previsto. Bisogna creare sistemi capaci di resistere al rumore, alle lacune e ai casi limite che non si presentano mai in un set di dati pulito.

Le piattaforme di IA industriale possono generare informazioni dettagliate sulla posizione, sulle attività, sulle comunicazioni e sulla produttività dei lavoratori. Come affrontate la riservatezza dei dati, il consenso dei dipendenti e il rischio di sorveglianza sul posto di lavoro, assicurandovi al contempo che queste tecnologie migliorino davvero la sicurezza e l’efficienza operativa?

Affrontiamo la questione applicando il principio della limitazione delle finalità. I dati raccolti da XENOM servono alla sicurezza e alla visibilità operativa: non sono uno strumento per sorvegliare la produttività e non dovrebbero essere utilizzati a tale scopo. Prima dell’implementazione, collaboriamo con gli operatori per definire politiche chiare di governance dei dati: quali dati vengono raccolti, per quanto tempo vengono conservati, chi vi può accedere e in quali circostanze possono essere utilizzati per prendere decisioni riguardanti il personale. I dati sulla posizione dei lavoratori vengono aggregati e resi anonimi ai fini dell’analisi della produttività; i supervisori della sicurezza possono accedere alla localizzazione dei singoli lavoratori per intervenire in caso di emergenza, ma i responsabili di linea non possono usarla per valutare le prestazioni. Con l’estensione dell’AI Act dell’UE ai sistemi di IA industriale, prevediamo che i quadri normativi formalizzino molti di questi aspetti. Preferiamo anticipare questi sviluppi anziché affannarci per adeguarci.

Trasferire l’IA dagli ambienti di laboratorio controllati alle operazioni industriali critiche per la sicurezza comporta sfide che le aziende che sviluppano esclusivamente software basato sull’IA raramente incontrano. Quali sono state le sorprese maggiori durante le implementazioni di XENOM nel mondo reale e come valutate se la tecnologia sta apportando miglioramenti significativi nella prevenzione degli incidenti, nell’efficienza operativa e nella produttività della forza lavoro?

La sorpresa maggiore è quanto valore derivi semplicemente dall’avere un quadro preciso di dove si trovano le persone e di come viene impiegato il tempo. Ci aspettavamo che il tema principale nel dialogo con gli operatori fosse la sicurezza. Abbiamo invece constatato che la visibilità sulla produttività — capire dove i turni perdono tempo, perché alcune squadre ottengono risultati migliori di altre e dove si trovano i colli di bottiglia — spesso genera un ritorno sull’investimento più rapido e crea sostenitori interni della piattaforma molto più velocemente. La seconda sorpresa è l’entità delle differenze tra i vari settori e persino tra i siti dello stesso settore. Il settore edile in Germania funziona in modo molto diverso da quello degli Emirati Arabi Uniti. Non si può realizzare un unico prodotto e presumere che sia adatto ovunque senza apportare modifiche significative.

Guardando al futuro, XENOM immagina un copilota di IA industriale capace di andare oltre il monitoraggio, prevedendo i rischi e raccomandando decisioni operative. Come vede l’evoluzione dell’IA fisica nei prossimi cinque anni e quali innovazioni tecnologiche sono ancora necessarie affinché i sistemi di IA industriale possano operare con maggiore autonomia mantenendo la supervisione umana?

Nello stato attuale, l’IA industriale offre soprattutto visibilità: permette di sapere cosa sta accadendo. La fase successiva è la previsione: individuare gli schemi che precedono un incidente o un calo di produttività prima che si verifichi l’uno o l’altro. Per farlo occorre accumulare nel tempo dati strutturati ed etichettati su vasta scala: è esattamente ciò che XENOM sta facendo fin dal primo giorno. La fase successiva è la raccomandazione: il sistema non si limita a indicare cosa è probabile che accada, ma suggerisce come intervenire — come riassegnare le persone, quando sospendere un’attività e quale configurazione della squadra produce i risultati migliori per una determinata mansione. È a questa terza fase che puntiamo con il Copilota di IA industriale. L’innovazione tecnologica necessaria non riguarda principalmente i progressi nella modellazione: è un problema di dati. Servono dati operativi di alta qualità, raccolti in un numero sufficiente di siti diversi, per addestrare un modello capace di generalizzare in modo affidabile. Le aziende che inizieranno a raccogliere questi dati ora avranno un vantaggio molto difficile da replicare in seguito.

Grazie per la bella intervista. I lettori che desiderano approfondire l’IA edge, i dispositivi di protezione intelligenti e il monitoraggio della sicurezza industriale in tempo reale possono visitare XENOM.