Offrire un supporto intelligente, in grado di adattarsi a tutte le situazioni e di offrire agli imprenditori del mondo della birra la possibilità di ottenere le massime performance dagli impianti di produzione birra: è questo lo scopo del progetto Bridge.
Bridge nasce dalla collaborazione di Omnia Technologies – piattaforma globale che unisce gli specialisti Made in Italy nelle tecnologie per il settore del food, beverage e pharma –, l’Università Ca’ Foscari Venezia e l’Accademia delle Professioni di Padova, ed e ha ottenuto un cofinanziamento di 200 mila euro grazie al bando IRISS promosso da SMACT Competence Center.
Innovazione e sostenibilità: il progetto Bridge per l’efficienza produttiva nei birrifici
Il progetto, nato dalla necessità di offrire un supporto intelligente e che possa adattarsi a tutte le situazioni sfruttando la sua specifica caratteristica di Auto Learning, raccoglie, interpreta ed analizza una vasta gamma di dati per identificare pattern e fare previsioni.
In questo modo il modello è in grado di apprendere progressivamente le corrette soluzioni di processo, proponendole in via predittiva al birraio.
Il progetto, inoltre, pone l’attenzione sull’efficientamento del processo produttivo e sulla massimizzazione del risparmio energetico, per una riduzione dei costi di produzione per i birrifici, rendendoli così più competitivi nel mercato.
“Siamo solo all’inizio di un percorso di innovazione tecnologica, finalizzato ad ottenere grazie al supporto dell’Intelligenza Artificiale le massime performance dagli impianti di produzione birra”, sottolinea Ivan Pulina, Area Manager di Omnia Technologies.
“Aumento della qualità del prodotto, riduzione dei costi, efficienza del processo produttivo sono solo alcuni dei risultati che questo progetto si propone di conseguire, in linea con i valori che ispirano il nostro Gruppo: Tecnologia, Sostenibilità e Servizio”, aggiunge.
Il progetto Bridge è stato sviluppato in collaborazione con il Birrificio di Padova di Birra Peroni che, attraverso l’analisi di 117.000 parametri, ha consentito di arricchire e testare il modello predittivo.
L’elaborazione di questa vasta mole di dati ha permesso di migliorare la precisione del modello, grazie alla disponibilità di un numero elevato di informazioni.
