Parigi: oltre 2.200.00 abitanti che diventano 10.700.000 se si conta l’Unité urbaine de Paris e ben oltre 12.500.000 abitanti se si prende in considerazione l’intera area metropolitana. Si tratta di un bacino di utenza servito da un sistema di trasporti pubblici costituito da 16 linee di metropolitana a cui si aggiunge la linea RER di treni regionali, la rete di tram e autobus. È un servizio al cittadino capillare, ben organizzato, fondamentale per la vita quotidiana all’ombra della Tour Eiffel.

Come contribuire al buon funzionamento del trasporto pubblico parigino? A questa domanda NetValue ha risposto con il progetto di intelligenza artificiale – nello specifico di AI Machine learning – in grado di provvedere alla manutenzione predittiva dei pannelli di segnalazione visiva dei mezzi pubblici in superficie, integrati alla rete di illuminazione cittadina.

Il punto di partenza è quel patrimonio prezioso rappresentato dai dati e la possibilità di una minuziosa analisi attraverso l’AI Machine learning. Da quest’analisi – soprattutto se condotta su una grande quantità di informazioni – è possibile identificare correlazioni e informazioni fino ad ora difficilmente riconoscibili attraverso le tecnologie tradizionali. Un esempio di applicazione di queste nuove potenzialità è rappresentato dalla manutenzione predittiva con l’obiettivo di prevedere futuri malfunzionamenti di sistemi o macchinari a causa di componenti difettosi, difetti di progettazione o fattori ambientali problematici.

La prova di fattibilità di questo progetto di NetValue ha fornito esiti positivi. L’applicazione messa in campo analizza i dati relativi al funzionamento dei componenti del sistema (tensione, caricabatterie, temperatura, scheda video, scheda di comunicazione, etc.). La rete di informazioni proveniente dal singolo pannello è campionata minuto per minuto pannello (e memorizzata in data lake, un archivio di grandi dimensioni. È importante sottolineare che quest’operazione è effettuata secondo queste tempistiche su tutti i 600 pannelli visivi sottoposti ai test. Grazie agli algoritmi di AI Machine learning di può venire a capo di situazioni anomale prima che il sistema si guasti. Insomma, prevenire è meglio che curare: una volta identificata l’anomalia si predispongono piani operativi, anche automatizzati, volti a recuperare la situazione di criticità.

Risultano evidenti i vantaggi della manutenzione predittiva rispetto a quella tradizionale reattiva. Ne consegue una possibile riduzione dei costi operativi ed un incremento dell’efficienza. A tutto vantaggio dei ritmi della città e della soddisfazione dei cittadini.

Schema riassuntivo del progetto: