AO_416

SETTEMBRE 2019 AUTOMAZIONE OGGI 416 114 AO TRASFORMAZIONE DIGITALE Machine learning e deep learning si spostano dal cloud all’edge: gli impatti sul settoremanifatturiero Sebastiano Ridolfi no dei mantra che da sempre contraddistinguono i manager delle aziendemanifatturiere è ‘produrre di più con meno’, o meglio: fornire prodotti di qualità sempre più elevata a costi sempre più ridotti, riducendo anche il time-to-market. La cosiddetta quarta rivoluzione industriale ha portato molte imprese ad abbracciare le nuove tecno- logie dell’Internet of Things (IoT) e per abilitare la cosiddetta Fabbrica 4.0, ossia una fabbrica digitalizzata che, partendo dai dati, sfrutta le tecnologie dell’Industria 4.0 per migliorare i processi produttivi e ot- tenere benefici in termini di costi e riduzione delle inefficienze. Con l’avvento del modello dell’Industria 4.0, i dati che erano già rilevanti hanno assunto un’importanza fondamentale per il valore aggiunto che questi possono portare al business. Applicazioni con algoritmi e concetti di intelligenza artificiale sfruttano i dati e portano innumere- voli benefici alla produzione. L’automazione industriale rappresenta il fulcro di questa nuova ondata tecnologica: gli algoritmi, sempre più complessi, insegnano alle macchine a operare in modo autonomo, partendo da una base di dati e creando delle mappe logiche che le- gano gli input agli output. Quanto più la base di dati affidata agli algoritmi è estesa e precisa, tanto più sarà alto il livello di automa- zione. Ad oggi, l’utilizzo e l’applicazione di questi algoritmi avviene tipicamente nei data center, che possiedono l’infrastruttura di rete, di archiviazione e di calcolo necessarie all’elaborazione degli algoritmi di intelligenza artificiale (AI, Artificial Intelligence) che fornisce le basi per l’apprendimento autonomo delle macchine, che si distingue in machine learning (ML) e deep learning (DL). Machine e deep learning: come funzionano? Il machine learning è il processo mediante il quale i dati vengono forniti alle macchine per formare dei modelli e automatizzarne l’attività, consentendo di effettuare operazioni o di gestire interi processi in autonomia. Esistono diversi modi in cui una macchina può apprendere attingendo dai dati, e ognuno utilizza algoritmi diversi per raggiungere diversi obiettivi. Il machine learning su- pervisionato è la tipologia più semplice. Alla macchina vengono forniti dati relativi a input e output, e all’algoritmo è assegnato il compito di mappare le diverse connessioni logiche per formare dei modelli. L’obiettivo è consentire agli operatori di predire un determinato output in base ai dati in entrata: il ruolo dell’opera- tore umano è rilevante, poiché deve selezionare i dati in entrata, i dati in uscita, deve decidere quale algoritmo applicare e deve valutare quando una macchina è pronta per agire in autonomia. Il ML supervisionato utilizza due principali modelli per la map- patura dei dati e il training della macchina: la regressione e la classificazione. Il primo è un modello basato su dati che vengono registrati dai sensori entro un determinato intervallo (tempera- tura, peso ecc.), e viene di solito utilizzato per stimare la durata del ciclo di vita di un asset o di un ciclo produttivo. Ad esempio, la regressione può essere utilizzata per prevedere la sostituzione di un componente. La classificazione, come suggerisce il nome, pre- vede invece l’assegnazione di categorie specifiche a determinati tipi di dati, in modo tale che la macchina possa prendere deter- minate decisioni in base alla presenza o meno di una categoria di dati. Ad esempio, certi avvenimenti possono essere categorizzati come ‘guasto macchina’, in modo tale che si possano impostare degli alert nel momento in cui si ripresentano. Il machine learning non supervisionato prevede che i dati forniti alla macchina non siano codificati, ossia non abbiano ancora una correla- zione con un determinato output: in questo caso, si parte da un risul- tato previsto e se effettivamente si verifica in presenza di determinati dati. La macchina, in questo caso, impara da sola a categorizzare i dati in base agli output registrati, creando dei cluster di dati utiliz- zabili dagli algoritmi per scoprire correlazioni tra gli stessi. L’intelli- genza artificiale si basa sulla creazione di reti neurali che connettono le varie informazioni, organizzate in diversi strati, per definire i per- corsi che da un input portano a un determinato output. Queste reti U Dati, oro nero Foto tratta da www.pixabay.com Una rete neurale artificiale è formata da più livelli di informazioni che costituiscono il percorso logico che porta un dato in entrata a generare un determinato output