L’Intelligenza Artificiale non si misura soltanto nei chatbot, negli assistenti virtuali o negli strumenti generativi entrati nel dibattito pubblico negli ultimi anni. Una parte meno visibile, ma sempre più rilevante, della sua applicazione riguarda gli impianti industriali, dove algoritmi e sensori vengono utilizzati per leggere il comportamento delle macchine, individuare segnali anomali e ridurre il rischio di interruzioni nei processi produttivi. È in questa direzione che si inserisce SAFE, finanziato attraverso gli Innovation Funds del Centro Nazionale di Ricerca in High Performance Computing Big Data e Quantum Computing (ICSC), iniziativa finanziata dall’Unione Europea – NextGenerationEU – e dal Piano Nazionale Ripresa e Resilienza (PNRR) – Missione 4 Componente 2 che punta a portare capacità di analisi e previsione direttamente vicino agli asset industriali.SAFE, acronimo di Secure anomaly detection edge AI system for critical environments è promosso dalla Fondazione IFAB e coinvolge partner industriali e accademici quali Bonfiglioli. Il progetto lavora su un tema preciso: verificare come i modelli di Intelligenza Artificiale possano essere impiegati per rilevare e prevedere anomalie nei processi produttivi, elaborando i dati raccolti dai macchinari non solo in cloud, ma anche a livello locale, in prossimità di sensori e dispositivi installati sull’impianto.Indice degli argomenti
SAFE, l’AI industriale che legge i segnali degli impianti prima del guasto - Agenda Digitale
Il progetto SAFE sperimenta modelli di Intelligenza Artificiale applicati agli impianti industriali, con elaborazione dei dati anche in prossimità delle macchine. Il caso studio su un silo di biomassa punta a rilevare anomalie, migliorare la manutenzione predittiva e ridurre il rischio di fermi produttivi
SAFE (progetto ICSC-PNRR) applica edge AI per anomaly detection nei macchinari industriali, elaborando dati localmente anziché in cloud. Abilita manutenzione predittiva riducendo downtime; sfida è scalare modelli su microcontrollori e garantire qualità dati per replicabilità.






