Dall’algoritmo al prodotto, tra accademia e industria

Quando un algoritmo di controllo smette di essere teoria e diventa componente di un veicolo, un impianto industriale o un sistema aerospaziale, il confine tra accademia e industria si fonde in una rinnovata visione dell’avanzamento tecnologico.

Mara Tanelli, professoressa ordinaria di Controlli Automatici al Politecnico di Milano, ha costruito la propria carriera in questo spazio di mezzo: dove i dati diventano decisioni, i sistemi generano meta-componenti virtuali e l’Intelligenza Artificiale si confronta con sfide di validazione e robustezza.

25 brevetti industriali, oltre 200 pubblicazioni scientifiche, ruoli istituzionali che spaziano dalla consulenza ministeriale alla Diversity & Inclusion: la pluralità di prospettive, nel suo pensiero, non è un’opzione ma una condizione strutturale dell’innovazione tecnologica.

Professoressa Tanelli, il suo ambito di ricerca combina controlli automatici e data analytics in settori connessi alla mobilità e all’industria. Quale percorso l’ha avvicinata a questi temi? 

Il mio percorso nasce nel controllo automatico applicato all’automotive, in particolare ai sistemi di frenatura e alla dinamica longitudinale dei veicoli. Fin dal dottorato mi sono occupata di progettazione di sistemi di controllo per applicazioni reali, collaborando strettamente con aziende del settore.

Questo percorso mi ha abituata a lavorare su problemi concreti, dove la teoria deve tradursi in soluzioni implementabili su componenti elettronici reali. Ho anche avuto l’opportunità di contribuire allo sviluppo di brevetti industriali e progetti con partner strategici per automotive, aeronautico e manifatturiero, spesso in contesti safety-critical.

Questo mi ha insegnato che innovazione significa portare l’algoritmo fino al componente, al prodotto, all’industrializzazione. Nel tempo, l’evoluzione tecnologica, ovvero sensorizzazione diffusa, disponibilità di grandi quantità di dati, maggiore potenza di calcolo a bordo, ha reso naturale l’integrazione tra controllo, data analytics e intelligenza artificiale. Oggi il controllo non può più essere solo model-based tradizionale: deve dialogare con algoritmi data-driven, machine learning e strumenti di analisi avanzata. La mia traiettoria scientifica riflette proprio questa evoluzione: dalla progettazione di sistemi di controllo “tradizionali” per sistemi meccatronici allo sviluppo di soluzioni data-driven, sempre con un forte orientamento al trasferimento tecnologico.

Vi sono, a suo avviso, evoluzioni e tendenze oggi riscontrabili a livello accademico pronte a concretizzarsi sul mercato prima di altre?

Credo che la tendenza più matura sia l’integrazione tra modelli fisici e Intelligenza Artificiale. Stiamo superando la contrapposizione tra approcci “black box” e modellistica tradizionale: oggi le soluzioni più promettenti sono ibride, combinano la conoscenza fisica del sistema con l’apprendimento dai dati.

Un’altra area pronta per il mercato è l’health monitoring predittivo: sistemi capaci di stimare in tempo reale il livello di salute di componenti meccanici ed elettronici. In questo ambito la componentistica intelligente, sensori avanzati, microcontrollori edge, connettività, è un abilitatore fondamentale. Infine, vedo un’accelerazione nell’ambito della decisione automatica “explainable e certificabile”. Nei settori industriali e della mobilità non basta che un algoritmo funzioni, deve essere comprensibile, validabile e robusto, anche per intraprendere gli iter certificativi necessari a farlo diventare un prodotto industriale.

Come le ultime frontiere della componentistica elettronica impattano sull’innovazione?

La componentistica intelligente non è solo hardware evoluto: è la condizione che rende possibile il controllo consapevole e adattativo dei sistemi complessi. Sensori Mems sempre più accurati, sistemi embedded con maggiore capacità di calcolo, connettività avanzata e architetture edge consentono di portare intelligenza sul campo.

Questo cambia radicalmente il modo in cui progettiamo i sistemi di controllo: non lavoriamo più solo con grandezze classiche, ma con dati multi-sorgente, ad alta frequenza e spesso rumorosi. Molto spesso creiamo anche dalle misure dei “sensori virtuali” per stimare quantità utili al controllo o alla diagnostica che non sono direttamente accessibili, per cui disponiamo di meta-componenti virtuali che generano nuovi dati insieme a quelli fisici.

In ambito industriale e aeronautico, la possibilità di fare monitoraggio continuo di componenti critici abilita strategie di manutenzione predittiva e riduzione dei costi operativi. È un passaggio chiave, con un impatto diretto sulla competitività delle imprese e sull’organizzazione del lavoro e della logistica, ad esempio, dei ricambi.

Smart Mobility significa veicoli elettrici, connessi e autonomi, ma anche infrastruttura, reti, analisi. Quali tecnologie stanno facendo la differenza in questo ecosistema? Quali le criticità?

Le tecnologie chiave sono elettrificazione, connettività e capacità di analisi dei dati su larga scala. Ma la mobilità intelligente non si gioca solo nel veicolo: si gioca nell’ecosistema dati che collega veicolo, infrastruttura e policy.

La vera leva strategica è la capacità di integrare dati di flotta, dati infrastrutturali e modelli previsionali per guidare decisioni pubbliche e industriali. Algoritmi di controllo avanzato per la gestione dell’energia, sistemi di monitoraggio in tempo reale e piattaforme digitali interoperabili stanno facendo la differenza.

In Italia la criticità principale non è tecnologica, poiché le competenze scientifiche e industriali sono di altissimo livello, bensì sistemica: frammentazione, lentezza nell’adozione e carenza di integrazione tra attori pubblici e privati. Servono visione coordinata e stabile nel tempo e creazione di canali di comunicazione attiva con il legislatore. Il quale, a sua volta, deve essere disponibile a comprendere la complessità degli scenari e a farsi supportare nelle decisioni anche da elementi quantitativi e tecnici.

Passando a Industrial Analytics e Smart Manufacturing, l’AI è ormai un dato di fatto o c’è ancora da fare per un’integrazione proficua e consapevole?

L’AI è già presente, ma non sempre in modo maturo. Spesso viene adottata come strato aggiuntivo, senza una reale integrazione nei processi decisionali. Perché ciò avvenga servono qualità e governance del dato, competenze interdisciplinari e cultura della validazione e della robustezza.

Nel manifatturiero, l’AI funziona davvero quando è inserita in un “ciclo chiuso”: misura, analisi, decisione, controllo, nuova misura. Il controllo automatico è l’elemento che collega l’intelligenza algoritmica all’azione fisica sul sistema nel ciclo classico di tutti i sistemi di controllo.

Si è occupata di numerosi brevetti industriali: quanto è strategico per la ricerca dialogare con l’industria? Quali gap e punti di incontro emergono più spesso da questi confronti?

È essenziale. La collaborazione con l’industria ha orientato profondamente la mia ricerca e ha portato allo sviluppo di numerosi brevetti e progetti congiunti. L’industria chiede soluzioni robuste, certificabili e implementabili.

L’accademia può offrire metodi innovativi, ma deve confrontarsi con vincoli reali di costo, tempo e integrazione. Il punto di incontro è la co-progettazione: non trasferimento unidirezionale di tecnologia, ma costruzione condivisa di soluzioni che arrivino all’industrializzazione.

Il settore dell’elettronica lamenta una carenza cronica di competenze specializzate. In che modo la formazione ingegneristica può rispondere alle esigenze dell’industria? Cosa può fare quest’ultima per colmare il gap?

La formazione deve diventare più interdisciplinare. Gli ingegneri oggi devono comprendere controllo, elettronica, dati e implicazioni etiche dell’AI. Allo stesso tempo, l’evoluzione verso strumenti di Generative AI richiede competenze sociolinguistiche, pensiero critico e capacità di dialogo tra discipline.

Questo sta progressivamente ampliando il profilo delle figure tecniche, rendendole meno rigidamente verticali. L’industria può intercettare questa trasformazione offrendo percorsi chiari e valorizzando il talento. I giovani cercano senso e impatto: comprendere questa dimensione è fondamentale per colmare il gap.

È anche Delegata del Rettore per Diversity & Inclusion. Esiste un legame tra diversità e potenziale di innovazione nel settore tech? Quali azioni state portando avanti per favorire l’accesso femminile alle carriere Stem?

Questo ruolo mi ha permesso di osservare quanto il tema sia strategico proprio nell’ambito tecnologico. La diversità non è un aspetto laterale nel tech: è una condizione di sicurezza e qualità dell’innovazione. Oggi molte decisioni passano attraverso algoritmi e sistemi di intelligenza artificiale. Se questi strumenti vengono progettati senza consapevolezza, i bias e gli stereotipi, anche inconsci, presenti nei dati o nei team di sviluppo rischiano di amplificare le disuguaglianze invece di ridurle.

Con il mio gruppo di ricerca studiamo attivamente i temi del progetto di tecnologie “diversity-aware”, in ambito mobilità e non solo. E quando parliamo di diversità non parliamo solo di genere, ma di età, cultura, background socioeconomico e formazione disciplinare. Chi progetta algoritmi di controllo o modelli di AI implicitamente progetta anche regole decisionali che impattano sulla società: la pluralità di prospettive non è accessoria, è strutturale.

L’evoluzione verso la Generative AI, inoltre, richiede competenze sempre più ibride, che combinano conoscenza tecnica e sensibilità sociolinguistica. Questo rappresenta un’opportunità straordinaria per attrarre più ragazze verso le carriere Stem e per coinvolgere studenti che avevano una visione troppo verticale delle discipline digitali. La tecnologia non è solo codice: è progettazione di sistemi che impattano, oggi più che mai, sulla società e sulla vita di ciascuno.