RULEX e AI-MATTERS: validazione e benchmarking per un’intelligenza artificiale più trasparente e affidabile

All’interno del progetto AI-MATTERS, il Digital Industry Center (DI Center) di FBK ha collaborato, con Rulex, azienda italiana attiva nello sviluppo di soluzioni end-to-end per la gestione dei dati, la decision intelligence e l’automazione dei processi decisionali in diversi ambiti, tra i quali il manifatturiero, fornendo servizi di “Applicazione di metodi formali per sistemi industriali affidabili” e uno “Studio di fattibilità e valutazione della tecnologia IA”.

L’obiettivo del lavoro è stato quello di supportare Rulex nella validazione e nel benchmarking dei suoi algoritmi di intelligenza artificiale, con particolare attenzione per trasparenza, robustezza e tracciabilità. Il software Rulex utilizza algoritmi proprietari per estrarre regole decisionali dai dati, automatizzare processi aziendali e ottimizzare la pianificazione delle attività industriali. Come per ogni sistema basato su IA, si è reso necessario verificare che le decisioni automatizzate fossero coerenti, affidabili e comprensibili; da qui la richiesta a FBK dei servizi che sono stati realizzati combinando due diverse azioni.

Nel primo filone di attività, sono stati applicati metodi formali di verifica per validare le regole generate dal software di Rulex, definendo le condizioni in cui esse risultavano più solide e generalizzabili. Questo ha consentito di individuare eventuali anomalie o casi limite che avrebbero potuto compromettere l’affidabilità del sistema.

Parallelamente, nel secondo filone di attività, è stata condotta un’analisi di benchmarking quantitativo sugli algoritmi di ottimizzazione sviluppati da Rulex. L’obiettivo è stato quello di valutare in modo oggettivo l’efficacia e l’efficienza delle soluzioni proprietarie, confrontandole con una selezione di solver open-source e di riferimento accademico per problemi di ottimizzazione discreta e continua.

Il confronto ha riguardato indicatori misurabili di performance, come la qualità delle soluzioni ottenute rispetto all’ottimo noto, la rapidità di convergenza e la scalabilità computazionale rispetto alla dimensione del problema.
Questo approccio ha permesso di costruire un profilo comparativo dettagliato delle capacità degli algoritmi Rulex, evidenziando i punti di forza e le aree di possibile miglioramento in relazione a contesti applicativi reali, come la pianificazione della manutenzione o la schedulazione industriale.