Il team Luna Rossa sosterrà la sfida rappresentato da Francesco Mongelli, il navigatore, che si occuperà della parte tecnologica e dell’interazione tra i velisti a bordo e la parte progettuale. Suo preciso compito aiutare la parte velica ad entrare nel mondo nuovo.

Nel tempo poi l’azienda è evoluta e oggi  fornisce centrali elettriche chiavi in mano alimentate da motori con i più diversi combustibili e integrate con altre forme di generazione di energia, in parte anche immagazzinabile in batterie ed erogabile poi in un altro momento. L’azienda conta 18mila dipendenti in 70 Paesi con 200 siti.

In Italia lavorano 1300 persone tra le sedi di Trieste, Genova, Napoli e Taranto (alcune navi della Marina Militare Italiana navigano con la tecnologia Wärtsilä).

Primo obiettivo di questa squadra sarà sviluppare soluzioni e modelli da applicare alla realizzazione della barca in vista di Prada Cup e poi della Coppa America del 2021.

Una competizione che nelle diverse edizioni ha visto crescere sempre di più la componente tecnologica, a volte a scapito delle capacità umane. Insomma: senza barca top non è possibile vincere, nemmeno se si è Poseidone.

Ora, il progetto di Data Analytics e Machine Learning sviluppato da Wärtsilä con Teorema dovrebbe aiutare la costruzione dello scafo e la gestione di numerosi processi decisionali. Wärtsilä da anni sta puntando su Industry 4.0, digitalizzazione dei processi, stampa 3D, AI, collegamenti neurali dei sistemi navi con i sistemi portuali e altro ancora. Da qui il contatto con gli altri team.

I tecnici hanno iniziato a lavorare con Luna Rossa dal varo del TP52, la ‘lepre’ con il quale il team dell’imbarcazione sta effettuando regate e allenamenti acquisendo grandi quantità di dati. A partire dal 2019 in due anni di regate si deciderà chi potrà sfidare il team di New Zealand.

Ad oggi il progetto sta crescendo sulla scorta appunto della grande quantità di dati raccolti, monitorati, ma soprattutto da interpretare.
L’aiuto di cui ha bisogno Luna Rossa, infatti, è proprio quello di riuscire a vedere al di là delle ‘evidenze’, ma potendosi anche ‘fidare‘.  Il fine non sarà solo il successo di Luna Rossa, ma lo studio di metodi, modelli, e tecnologie declinabili poi su uno spettro di casi più ampio.

Il metodo principe è l’analisi, bisogna poi però riuscire a tracciare correlazioni valide, circoscrivere parametri e variabili che possano definire con affidabilità i margini di performance dello scafo, secondo le modalità di navigazione. L’ultima istanza sarà la definizione dell’algoritmo per approdare al Training Model.

Luna Rossa chiede ai team partner di trovare indicazioni oltre l’esperienza sul campo. Significa, come dice bene Robert Vrcon, Direttore Generale di Teorema, “…rompere gli schemi e trovare correlazioni tra dati che fino a ieri non si prendevano in considerazione… Puntare l’attenzione anche su un insieme di dati sconosciuti per trovarne nuovi significati”.

Un interessante metodo di training per i suoi partner Luna Rossa l’ha trovato somministrando loro dati da elaborare di cui conoscono già il risultato per verificare la bontà dei sistemi di analisi. Parlare di Machine Learning e AI senza rimanere saldamente legati ad obiettivi certi e a riscontri concreti sarebbe infatti molto pericoloso.

Tra l’altro conoscenze valide nella vela tradizionale volontariamente non sono state condivise con i partner da Luna Rossa per testare sul campo il valore degli approcci Machine Learning e AI.

Non fa sconti anche Giuseppe Saragò, GM Wärtsilä  Smart Manufacturing and innovation: “Machine Learning oggi è una buzz word, e con l’AI c’entra relativamente, siamo solo agli inizi. Oggi è davvero difficile dare senso alla mole di analisi e identificare path logici validi”. 

Luna Rossa dall’analisi dei dati tradizionale, per la soluzione dei problemi, ha capito che , tre anni prima di una sfida importante, sarebbe stata una follìa chiudere la porta alle tecnologie che sicuramente rappresentano il futuro e ha chiesto aiuto.
Non c’è nulla da perdere, anche perché il contributo di Teorema e Wärtsilä apporterà valore su un canale parallelo. Un’analisi di qualità delle informazioni che sia in grado di mettere in evidenza alcuni dettagli mai emersi è già un valore importante.

E’ il valore del reinforcement learning. Il bello è che oggi nessuno può dire quale sarà il punto di arrivo, e nessuno vuole nemmeno svelare nei dettagli a che punto è (sempre di una gara si tratta). Un atteggiamento che accomuna chi va a caccia di cose nuove pronto ai grandi risultati, come alla scoperta anche solo di piccoli dettagli che (speriamo) potranno fare la differenza