Innovazione

Ridurre i rifiuti in discarica grazie all’Intelligenza artificiale: la nuova frontiera della circular economy

La case history di Hera, che grazie alla collaborazione con IBM ha sperimentato una soluzione di automazione basata sull’AI per efficientare il processo di recupero. La formula? Installare videocamere sui camion che raccolgono la differenziata e “insegnare” ai computer a selezionare gli elementi che si prestano al riciclo

09 Set 2021

Veronica Balocco

L’economia circolare, con il suo carico di indubbi benefici, ha un limite pratico: il processo di recupero dipende dalla rapida ricerca e separazione di materiale riutilizzabile da grandi quantità di rifiuti. È a questa criticità che Hera, fornitore di energia elettrica, gestione del ciclo idrico e servizi di riscaldamento e più grande azienda italiana di gestione e riciclaggio dei rifiuti, lavora da tempo. E la soluzione pare risiedere proprio nell’innovazione tecnologica. Andrea Bonetti, Responsabile Architettura Informatica di Hera, e Alessandro Collina, Head of IT Innovation, hanno deciso di esplorare come l’automazione basata sull’intelligenza artificiale potesse migliorare l’efficienza e aiutare a incanalare più materiale per un nuovo utilizzo.

La sfida è duplice. La valutazione del potenziale dell’IA per la raccolta differenziata è una parte. L’altra parte è avere la flessibilità necessaria per incorporare questo tipo di innovazione e scalarla dalle dimensioni di laboratorio a quelle aziendali. Per entrambe le parti della sfida, Hera ha deciso di collaborare con IBM. L’azienda ha utilizzato IBM Garage, un framework per la trasformazione digitale, per aiutare a progettare, costruire e scalare una soluzione AI. E Hera ha collaborato con IBM Global Business Services e ha applicato IBM Cloud Paks per modernizzare la propria infrastruttura applicativa per una maggiore apertura all’innovazione.

“Riconoscere” i rifiuti con l’AI: il percorso con IBM

Garbage truck with worker indoors

Attualmente il personale Hera analizza i rifiuti manualmente. Mentre i camion scaricano all’ingresso degli impianti e la spazzatura viene spinta verso i nastri trasportatori, gli osservatori osservano i materiali recuperabili, tra cui plastica, vetro, alluminio e materiale organico, e aiutano a dirigere lo smistamento a valle. È un lavoro oneroso di per sé, ancor più se considerato su larga scala: 1.400 osservatori su 89 piante, 6,3 milioni di tonnellate di rifiuti trattati ogni anno. Facile intuire che c’è il potenziale per un’efficienza ben maggiore.

WEBINAR
28 Ottobre 2021 - 11:00
Guida pratica alla trasformazione digitale: le esperienze dei manager italiani ai posti di comando
Big Data
Cloud

L’idea è quella di catturare video dei rifiuti in arrivo e far riconoscere all’intelligenza artificiale le caratteristiche di oggetti e materiali che li qualificherebbero per il recupero e il riutilizzo. “Questo potrebbe avere un impatto decisivo sui costi delle attività di recupero e smaltimento, che è il fulcro dell’economia circolare”, spiega Bonetti.

Per realizzare questa visione, spiega, “avevamo bisogno di un partner che potesse davvero andare oltre un proof of concept e facilitare il progetto sia con metodologie di lavoro che con strumenti efficaci”. Per il team IBM Garage incentrato sull’utente e collaborativo, il primo passo verso una soluzione è stato un workshop di design thinking che implicava l’acquisizione di un’esperienza diretta dell’ambiente di lavoro. “I ragazzi del Garage hanno dovuto ‘sporcarsi le mani’, una metafora particolarmente adatta in questo caso”, afferma Bonetti. “Abbiamo imparato dall’esperienza ad immergere gli specialisti del machine learning nella realtà, che è sempre molto più complessa del laboratorio. Quindi il team di Garage è venuto a vedere una pianta. I rifiuti sono, per definizione, deformati e affollati e le condizioni di illuminazione sono variabili. Non è come riconoscere i gattini nelle foto di Facebook”.

Una soluzione innovativa

In effetti, i team di Hera e IBM Garage hanno subito capito che gli impianti non erano il posto giusto per acquisire video. C’era troppo materiale in giro in troppo poco tempo. Invece, hanno identificato un punto di osservazione migliore a monte.
Montando le telecamere sui camion della spazzatura, potrebbero registrare le quantità minori di materiale che cadono dai cassonetti. “È ancora un passaggio di immagini estremamente rapido”, dice Bonetti. “Ma lo studio di queste immagini ci ha permesso di identificare pattern significativi per la valutazione qualitativa dei rifiuti durante il processo di raccolta, non all’interno dell’impianto, che potrebbero migliorare i tempi e i costi del processo di trasformazione”.
Inoltre, il team di Hera spera di correlare i dati sulla qualità dei rifiuti con i luoghi di raccolta, aiutando l’azienda a sviluppare campagne informative mirate per aiutare le persone a distinguere meglio i rifiuti.

Uno strumento specifico per lo use case

Seguendo l’agile metodologia IBM Garage, in otto settimane Hera e il team IBM Garage hanno co-creato e rilasciato un prodotto minimo praticabile (MVP) che incorpora la tecnologia IBM Watson Studio e IBM Watson Machine Learning per generare uno strumento specifico per il caso d’uso, incluso un modello di apprendimento automatico per riconoscere i principali modelli di spreco.
“Ora la sfida più urgente è capire come si possa industrializzare questo – spiega Collina -. Come possiamo realizzare un prototipo, ad esempio, su un singolo camion per forse un anno, con tutte le variazioni di illuminazione e condizioni atmosferiche, e continuare a ottenere la giusta visione durante tutto l’anno”.

Nel frattempo, per garantire che la sua infrastruttura applicativa potesse ospitare l’IA della raccolta differenziata, Hera ha applicato il concetto di economia circolare al suo IT interno. Alcuni anni fa, Hera aveva collaborato con IBM per sviluppare un’applicazione personalizzata denominata “Beam”, che supporta l’attività del gas di Hera raccogliendo dati quasi in tempo reale dagli smart meter del gas. Il lavoro sull’AI ha rivelato il potenziale per riciclare le funzionalità di Beam per altre aree aziendali, come i servizi ambientali e la raccolta dei rifiuti, estraendo altri tipi di informazioni da una gamma più ampia di dispositivi, comprese le riprese video delle telecamere montate su camion.
Prima, tuttavia, è stato necessario modernizzare l’app. Utilizzando IBM Cloud Paks, Hera si è liberata dai vincoli del monolite e ha creato Beam IoT, una soluzione flessibile e aperta che può essere riutilizzata per supportare i casi d’uso nell’azienda multi-utility.

@RIPRODUZIONE RISERVATA

Articolo 1 di 5