AI e machine learningERT

L’utilizzo dei dati da parte dell’AI porta ulteriori novità a livello produttivo: a differenza dell’automazione tradizionale, che svolge compiti precostituiti, l’AI è in grado di apprendere costantemente dai nuovi dati in arrivo e di adattarsi alle condizioni emergenti, imparando dagli errori ed evolvendo. L’analisi di grandi volumi di dati permette di rendere più efficiente il processo di auto-apprendimento delle macchine (machine learning).

Qual è l’impatto dell’AI sul machine learning?

Fabio Pascali, regional vice president Italy, Greece, Cyprus di Cloudera:

“L’impatto è realmente trasformativo. Se il machine learning (ML) è il motore, l’AI generativa sta diventando l’acceleratore che lo rende più potente e accessibile. La GenAI non sostituisce il ML, ma ne potenzia l’intero ciclo di vita. Innanzitutto, sta democratizzando l’accesso ai dati. Come accade con Cloudera Data Visualization, la capacità di interrogare i dati tramite linguaggio naturale permette anche a figure non specializzate di ottenere insight complessi, accelerando la fase di esplorazione dei dati, che è fondamentale per il ML.

In secondo luogo, la GenAI accelera lo sviluppo di applicazioni di ML. Strumenti come Cloudera AI Studios, con modelli low-code, permettono ai team di creare e distribuire applicazioni e agenti intelligenti più velocemente e con meno competenze di programmazione specialistiche. Infine, la GenAI rende il ML più sicuro e applicabile su larga scala. Attraverso un approccio di ‘private AI’, ovvero portando l’intelligenza artificiale direttamente dove risiedono i dati sensibili, all’interno dell’ambiente controllato del cliente, possiamo addestrare modelli di machine learning su dati proprietari e riservati senza mai esporli a rischi esterni”.

Francesco Tieghi, responsabile marketing e comunicazione di ServiTecno:

“Nel nostro contesto l’AI non ‘impatta’ né sostituisce il machine learning industriale: sono tecnologie diverse, con obiettivi e ruoli distinti. Il machine learning è già ampiamente applicabile nei processi industriali, perché, pur basandosi su modelli matematici complessi, mantiene caratteristiche fondamentali: è spiegabile, controllabile e, soprattutto, integrabile senza alterare i processi certificati.

L’AI, almeno oggi, rimane principalmente un supporto esterno: non interviene nell’addestramento dei modelli ML, né nel loro funzionamento operativo. In questo momento convivono, ma non si sovrappongono”.

Claudio Stamile, manager of Artificial Intelligence R&D & Market Solutions di Fastweb+Vodafone:

“Se il machine learning classico è il motore che apprende dai dati, la GenAI (intelligenza artificiale generativa) è il carburante che ne sta potenziando le prestazioni in modi prima inimmaginabili, specialmente in ambito industriale. L’impatto non è solo un’ottimizzazione, ma una vera e propria evoluzione delle sue capacità.
Il primo impatto, e forse il più rivoluzionario, è sulla materia prima del machine learning: i dati.

La GenAI può aiutare a risolvere uno dei più grandi limiti dell’ML tradizionale, ovvero la dipendenza da enormi dataset storici. Oggi possiamo usare la GenAI per creare dati sintetici di altissima qualità. Pensiamo alla necessità di addestrare un modello a riconoscere un guasto molto raro in un macchinario: anziché attendere anni per raccogliere dati sufficienti, possiamo generarli in modo artificiale, creando scenari realistici e completi. Questo accelera drasticamente i tempi di addestramento e rende i modelli di ML incredibilmente più robusti e affidabili, anche in assenza di dati storici.

In secondo luogo, la GenAI sta trasformando la simulazione. Il machine learning tradizionale è eccellente nel fare previsioni puntuali, ma la GenAI va oltre: è in grado di generare intere simulazioni di processi complessi. Invece di chiederci ‘quale sarà la produzione tra un’ora?’, possiamo chiedere ‘simula cosa accadrebbe all’intera linea produttiva se aumentassimo la velocità di questo nastro del 5%’.

Si passa dalla previsione alla creazione di gemelli digitali dinamici e intelligenti, che permettono di testare ipotesi e ottimizzare i processi in un ambiente virtuale senza rischi. In sintesi, la GenAI non si limita a rendere più efficiente il machine learning: lo sta trasformando da strumento di analisi a partner creativo. Non si impara più solo dal passato, ma si generano attivamente nuove soluzioni, nuovi dati e nuove strategie, accelerando in modo esponenziale il ciclo di innovazione”.

Stefano Gandolfi, regional marketing manager di Omron Italia:

“L’AI ha introdotto una nuova dimensione nel machine learning industriale, rendendo il processo di auto-apprendimento delle macchine più dinamico, adattivo e affidabile. Il vero salto di qualità deriva dalla capacità dell’AI di gestire dati complessi e non strutturati, provenienti da sensori, sistemi di visione, log di produzione e ambienti operativi eterogenei.

Nel contesto industriale, il machine learning tradizionale si basava su dataset limitati e regole statiche. Oggi, grazie all’AI, le macchine possono apprendere da flussi continui di dati, aggiornando i propri modelli in tempo reale e adattandosi a condizioni variabili. Questo significa che le linee produttive possono riconoscere anomalie, prevedere guasti e ottimizzare i parametri di funzionamento senza intervento umano diretto.

L’AI consente, per esempio, di correlare vibrazioni, assorbimenti di corrente e micro-variazioni di temperatura per anticipare un guasto prima che si traduca in fermo macchina, superando i limiti della manutenzione calendarizzata. Inoltre, facilita la convergenza tra IT e OT: le informazioni raccolte non sono più isolate, ma vengono integrate e analizzate in modo sinergico, favorendo la collaborazione tra reparti e la diffusione delle best practice.

I dati storicizzati alimentano modelli predittivi sempre più precisi, che possono essere condivisi tra stabilimenti e linee diverse, accelerando la diffusione dell’innovazione”.

Marco Marella, general manager di FasThink:

“Occorre tenere presente che AI e machine learning non sono concetti distinti, il machine learning è parte dell’AI, ma oggi l’AI sta trasformando rapidamente anche come il machine learning viene impiegato nei processi produttivi.

Per capirsi, l’AI non è solo ‘fruitore’ del machine learning, ma anche uno straordinario acceleratore del suo stesso processo di apprendimento. Tra gli impatti più significativi e più ‘immediati’, potremmo ricordare il miglioramento della qualità dell’apprendimento grazie a una disponibilità massiva di dati provenienti da molte più fonti, quali sensori IIoT, PLC, sistemi cloud.

Parliamo di dati qualitativi, perché pre-processati automaticamente, filtrati dai rumori e normalizzati in tempo reale. Il che conduce a dataset più puliti e rappresentativi, che abilitano pattern di machine learning più accurati e performanti. E, ancora, una velocità accelerata di auto-apprendimento, grazie a modelli più evoluti. L’AI incorpora tra le sue specificità, tecniche di deep learning e sistemi di reinforcement learning, che consentono l’apprendimento ‘al volo’ dalle azioni stesse.

Le macchine non si limitano più a ‘imitare’ i dati che vengono loro trasmessi, ma apprendono strategie ottimali e anticipano, anzi, il comportamento del sistema. In conclusione, L’AI impatta il machine learning rendendolo molto più performante, più veloce, accurato, autonomo, adattivo e più facile da integrare nel ciclo produttivo”.

Giovanni Mandelli, product solution manager Control, Scada and Visualization di Mitsubishi Electric . Factory Automation:

“L’AI sta rendendo l’auto-apprendimento delle macchine molto più veloce e meno costoso. Finora, il machine learning industriale era prevalentemente ‘supervisionato’: dovevamo etichettare manualmente tutto per insegnare all’AI a riconoscere le difettosità. Oggi, l’AI generativa sta cambiando lo scenario grazie ai dati sintetici. Nel manifatturiero, i dati di guasto sono fortunatamente rari, ma oggi possiamo generare migliaia di immagini realistiche di difetti o scenari di guasto, che non sono mai avvenuti realmente, per addestrare i modelli in modo robusto e veloce. Questo risolve il problema della scarsità dei dati.

Mitsubishi Electric ha recentemente presentato una soluzione di visual inspection basata sull’AI chiamata Melsoft Vixio, in grado di lavorare, per esempio, solo con immagini di prodotti ‘buoni’ per creare modelli di AI che riconoscano difettosità anche mai viste in precedenza.

La visione futura, invece, è quella di sistemi che si auto-ottimizzano in tempo reale (reinforcement learning) senza intervento umano, adattando i parametri di processo alle variazioni delle condizioni, in un ciclo continuo di auto-perfezionamento”.

Stefano Azzoni, sales engineer di B&R Automazione Industriale:

“Il machine learning è il cuore dell’evoluzione verso macchine intelligenti. L’AI consente: algoritmi adattivi, ossia grazie alla potenza di calcolo oggi disponibile anche a livello edge, è possibile implementare modelli complessi direttamente sulle macchine; produzione adattiva, ovvero in linee con sistemi di trasporto planare e gradi di libertà multipli l’AI permette di ottimizzare flussi e configurazioni non predefinite, creando macchine ‘adattive’, che rispondono in tempo reale alle esigenze operative; riduzione dei tempi di set-up, poiché l’autoapprendimento accelera la messa in servizio e la riconfigurazione delle linee, aumentando la competitività in mercati dinamici”.

 

LEGGI LE RISPOSTE ALLE DOMANDE

Tavola rotonda: “I dati, petrolio del terzo millennio” – introduzione

I benefici dell’AI nella gestione dei dati

1 – Le applicazioni di intelligenza artificiale stanno rivoluzionando il modo di gestire i dati nell’automazione industriale. Quali sono, secondo il suo punto di vista, i principali benefici?

 Le criticità da affrontare nella gestione dati

2 – In un modello in costante trasformazione, quali sono le maggiori criticità da affrontare nella gestione dei dati con l’AI?

Normative e linee guida

4 – L’approccio governativo all’AI combina le strategie nazionali a un quadro normativo globale (per esempio l’AI Act dell’UE) e alla promozione dell’innovazione smart nel rispetto dei principi etici e di sicurezza. Come sarà l’impatto sulla sua azienda e sul settore dove operate?

Strumenti e servizi

5 – Quali strumenti e servizi offrite al mercato e ai clienti per la gestione dei dati in un’ottica di AI?

 

Fonte apertura Foto Pixabay_Mohamed_hassan