Statistical learning methods for decision-making, with applications in Industry 4.0

Decision-making under uncertainty is one of the building blocks of organizational behaviour, and informing it at best can make a difference. To this end, predictions play a critical role. In this context, the increasing availability of data is progressively stimulating the creation of computational tools enabling predictions at high frequency and low cost at scale, complementing (not replacing) heuristics. However, even when statistical models show to outperform the predictive performance of heuristics thanks to their inherent ability to exploit the structure of complex data beyond human abilities, their introduction may be far from straightforward. More specifically, for a successful integration into the decision-making process, predictive models learned from data need to gain the trust of decision-makers, ensuring them that the value of machine predictions can be worth the risk of their adoption. In this frame of reference, our specific focus goes on applications of statistical models in the context of industrial organizations, investigating ways to improve the value of their predictions by leveraging two complementary and independent approaches: reducing error and improving actionability. More in-depth, we leverage the theory and methods of Statistical Learning in two real-world Industry 4.0 applications, combining model design with the analysis of the dynamic environment in which model predictions deploy. Precisely, we present two solutions based on probabilistic binary classifiers implementing ensemble learning, whose predictive performance is measured and optimized to be dynamically adaptable to the changing needs of the organization, thus contributing to increasing prediction value. In the first case, we implement models based on binary regression and k-nearest neighbors for the prediction of handedness in the context of a service platform for digital training and remote coaching in Olympic Trap. In a second application, developed in the context of predictive maintenance of a highly-automated industrial workshop, we design and refine a failure prediction model based on a neural network implementing convolutional and transformer architectures to combine low predictive error and sufficient anticipation with the possibility to dynamically optimize the Precision-Recall trade-off using cost/benefit analysis. With our explorations, we hope to show examples of how Statistical Learning methods can help leverage the potential of existing data, and give a practical contribution to improve the return of Industry 4.0 investments. Nonetheless, we hope that our efforts may be seen in the light of promoting an even closer collaboration between industry and research, to foster the growth of the necessary mindset and skills to make Data Science a driving force of innovation with high economic impact for organizations of all sizes.

Il processo decisionale è uno degli elementi centrali del comportamento organizzativo, e supportarlo nel migliore dei modi può fare la differenza. In questo senso, in presenza d’incertezza, le previsioni possono svolgere un ruolo determinante. In particolare, quando siano disponibili modelli e risorse computazionali in grado di estrarre informazione da grandi quantità di dati complessi, con modalità spesso precluse alla mente umana, le previsioni possono essere formulate su ampia scala, ad elevata frequenza e basso costo, con conseguente effetto trasformativo sui processi decisionali, affiancando (non sostituendo) l’essere umano. Tuttavia, anche quando i modelli statistici mostrano prestazioni in grado di superare le capacità predittive dei modelli mentali, la loro introduzione può essere tutt’altro che semplice. Su questo aspetto, per ottenere un’efficace integrazione nel processo decisionale, i modelli statistici devono guadagnare la fiducia dei decisori, esplicitando il proprio valore. A tal fine, la nostra attenzione si concentra sulla massimizzazione del valore delle previsioni ottenute grazie a modelli statistici in ambito industriale, attraverso due approcci complementari e indipendenti: la riduzione degli errori predittivi ed il miglioramento dell’azionabilità delle previsioni. Più nello specifico, il nostro studio esplora applicazioni di teoria e metodi di Statistical Learning in casi reali riconducibili al paradigma dell’Industria 4.0, combinando la progettazione di modelli predittivi con l’analisi dell’ambiente dinamico in cui essi sono chiamati ad integrarsi. In dettaglio, presentiamo due soluzioni basate su classificatori binari probabilistici che implementano tecniche di ensemble learning, le cui performance predittive sono misurate e ottimizzate per essere adattabili alle esigenze dinamiche dell’organizzazione, contribuendo così all’aumento del valore economico delle previsioni. In un primo caso applicativo, implementiamo modelli basati su regressione binaria e KNN per la previsione della manulateralità di tiratori di Olympic Trap basata unicamente sull’utilizzo di dati, nel contesto di una piattaforma digitale orientata a sviluppare servizi di training personalizzato e coaching remoto. In una seconda applicazione, sviluppata nel contesto di un processo di manutenzione predittiva di impianti ad elevata automazione, presenti amo un prototipo di modello predittivo basato su rete neurale dotata di moduli Convolutional e Transformer, combinando strategie di riduzione dell’errore predittivo e ottenimento di sufficiente anticipo del guasto con la possibilità di ottimizzare dinamicamente il modello in termini di Sensibilità e Precisione, sulla base delle necessità del sistema produttivo, in tempo reale. Attraverso i casi applicativi, speriamo di fornire esempi originali ed attuali di come i modelli statistici possono contribuire a supportare le decisioni, anche al fine di massimizzare il ritorno sugli investimenti in progetti di Industria 4.0. Inoltre, l’auspicio è che i nostri sforzi possano essere visti alla luce di una sempre più intensa collaborazione tra industria e ricerca, favorendo lo sviluppo di mentalità e competenze evolute nell’ambito dell’analisi dei dati, sia dal punto di vista analitico che predittivo, a beneficio di organizzazioni di ogni dimensione.