Dopo aver esplorato le sue applicazioni in ambito cosmetico e alimentare, oggi raccontiamo un caso concreto nell’ambito della formulazione di mescole in gomma, un settore in cui il reparto R&D svolge un ruolo chiave nel definire la combinazione ottimale di ingredienti e processi per ottenere le performance desiderate.
Ogni nuova formulazione richiede prove, sperimentazioni e affinamenti successivi, generando una mole rilevante di dati sperimentali. Tuttavia, spesso queste informazioni restano frammentate tra file Excel, appunti cartacei e software gestionali, rendendo complessa non solo la gestione quotidiana del lavoro, ma anche l’utilizzazione strutturata di questi dati come base per successive ottimizzazioni e, in prospettiva, per abilitare strumenti predittivi basati su intelligenza artificiale.
L’esigenza del cliente
Il cliente è una media impresa italiana con più di 80 dipendenti e un fatturato annuo superiore ai 50 milioni di euro, attiva da oltre cinquant’anni nella produzione di mescole in gomma per applicazioni industriali. L’azienda opera in un mercato tecnico e altamente specializzato, fornendo mescole personalizzate per settori come l’automotive, l’edilizia, il farmaceutico e altre applicazioni industriali.
Con una capacità produttiva di oltre 100.000 tonnellate all’anno e un team R&D dedicato, l’azienda gestisce un portafoglio di migliaia di formulazioni e investe in innovazione per restare competitiva su scala internazionale.
La sfida principale riguardava la trasformazione dei dati di formulazione — frammentati, non strutturati e poco accessibili — in un patrimonio informativo centralizzato e valorizzabile, per abilitare successivamente modelli predittivi in grado di ridurre significativamente il time to market e aumentare la competitività.
All’interno dell’azienda, il dipartimento R&D è composto da circa dieci persone, suddivise in team specializzati per area di applicazione finale della gomma. Sebbene i flussi di lavoro fossero in buona parte condivisi e definiti, nella pratica operativa erano presenti tre punti di attenzione principali:
- l’eterogeneità degli strumenti utilizzati: i dati venivano raccolti su diversi supporti — fogli Excel, documenti Word, software gestionali e appunti — alcuni dei quali poco adatti alla gestione strutturata e sistematica dell’informazione tecnica;
- la mancanza di completezza delle registrazioni: non sempre venivano annotate tutte le informazioni utili o contestuali alle prove, rendendo difficile ricostruire l’intero percorso di sviluppo;
- la variabilità nei contenuti inseriti: nomenclature non sempre uniformi, unità di misura diverse, formati di compilazione eterogenei tra operatori e reparti.
Questi fattori rendevano complicata la gestione ordinata dei dati di formulazione e limitavano fortemente la possibilità di sfruttare nel tempo lo storico per finalità analitiche e predittive.
Il cliente non cercava soltanto un sistema per digitalizzare lo stato attuale, ma una soluzione concreta che supportasse i formulatori nella raccolta quotidiana dei dati, assicurando coerenza, completezza e qualità già alla fonte, così da costruire progressivamente una base dati affidabile per alimentare in futuro algoritmi di AI e simulazione predittiva.
In un comparto in continua crescita, ogni settimana guadagnata nello sviluppo di una nuova mescola si traduce in vantaggio competitivo. Solo in Europa, il mercato dell’industrial rubber supera i 25 miliardi di dollari e continua a espandersi, con un tasso di crescita annuo previsto del +5,8 % fino al 20311, aumentando la pressione su lead-time, agilità operativa e time-to-market.
Studi recenti, come quello pubblicato su Polymers (MDPI)2, dimostrano che l’impiego di reti neurali consente di predire con un’elevata accuratezza (superiore al 93%) le proprietà meccaniche delle mescole — tra cui durezza, modulo ed elongazione — a partire dai dati di formulazione. Questo approccio permette di ottimizzare la progettazione, ridurre la dipendenza dai test fisici e anticipare l’efficacia delle nuove ricette già in fase di simulazione, con vantaggi concreti in termini di rapidità, efficienza e affidabilità dello sviluppo prodotto.
In sintesi, digitalizzare e strutturare i dati di formulazione non è solo un esercizio di ordine: è il prerequisito per competere in un mercato dove l’innovazione corre e il margine si gioca sui giorni, non sui mesi.
Soluzione implementata
Per rispondere a queste esigenze, il cliente ha scelto Matilde come piattaforma di riferimento.
Matilde infatti oltre ad offrire funzionalità di simulazione e predizione basate su AI, nasce proprio per accompagnare il lavoro quotidiano di raccolta, organizzazione e gestione dei dati sperimentali di formulazione, fin dalle prime fasi operative affinché il dato sia raccolto e tracciato già in ottica AI- driven.
La registrazione all’interno di Matilde, infatti, consente di raccogliere e organizzare i dati in modo dettagliato e coerente, creando fin da subito una base informativa solida e pronta per l’utilizzo nei modelli predittivi. La disponibilità di dati accurati e completi rappresenta infatti il prerequisito indispensabile per ogni applicazione di intelligenza artificiale.
Per adattare ulteriormente Matilde alle specificità operative del laboratorio, sono state estese le funzionalità dello strumento in modo da fornire:
- la possibilità di registrare le formulazioni sia in percentuali sia in parti di gomma, a seconda delle preferenze operative dei formulatori;
- la funzione per generare rapidamente nuove formulazioni a partire da mescole già esistenti, riducendo tempi e minimizzando il rischio di errore;
- la configurazione dei test da eseguire, impostabili già a livello di progetto per garantire coerenza e completezza nelle attività di prova.
Benefici attesi e sviluppi futuri
La digitalizzazione della raccolta dati tramite Matilde ha già portato miglioramenti concreti: una maggiore rapidità nelle attività quotidiane, una tracciabilità più precisa delle informazioni e una riduzione degli errori nella gestione delle formulazioni. Il valore di questi risultati diventa ancora più evidente nel medio-lungo termine, grazie alla possibilità di costruire progressivamente una base dati solida e ben strutturata.
Con la base dati finalmente ben strutturata, l’azienda è ora pronta per fare il passo successivo: attivare il modulo predittivo di simulazione di Matilde, che permette di:
- ridurre il numero di test fisici necessari, con conseguente contenimento di tempi e costi;
- simulare nuove formulazioni in ambiente virtuale, ottimizzando la composizione prima delle prove sperimentali;
- individuare correlazioni tra ingredienti, processi e prestazioni, grazie all’applicazione di modelli di intelligenza artificiale interpretabili.
È importante sottolineare come questi sviluppi siano possibili solo partendo da dati raccolti in modo completo, coerente e standardizzato. Questo rappresenta un passo fondante per qualsiasi progetto di AI di successo: è necessario accompagnare e preparare l’introduzione di strumenti predittivi avanzati, strutturando una base dati affidabile, che permetta di valorizzare al meglio il valore informativo che ciascuna azienda detiene.
Per le aziende che si trovano ad affrontare sfide simili nella gestione delle formulazioni, può essere utile valutare percorsi di digitalizzazione graduali, orientati fin da subito alla qualità e alla coerenza del dato.
Scopri come Matilde può aiutarti nel ripensare e potenziare le attività di sviluppo prodotto e ridurre il time to market fino al 60%: 🔗 https://intellico.matilde.ai/
Referenze:
1Rubber World, Global industrial rubber market forecast, 2024: https://rubberworld.com/global-industrial-rubber-market-forecast-at-37-5-billion-by-2031/
2Román, A.J.; Qin, S.; Rodríguez, J.C.; González, L.D.; Zavala, V.M.; Osswald, T.A. Natural Rubber Blend Optimization via Data-Driven Modeling: The Implementation for Reverse Engineering. Polymers 2022, 14, 2262. https://doi.org/10.3390/polym14112262
