AO_437

Tavola rotonda AUTOMAZIONE OGGI 86 | APRILE 2022 AUTOMAZIONE OGGI 437 bilità, un tema di grande attualità e al centro dell’edizione 2022. A.O.: Machine learning è la capacità da parte di sistemi informatici di migliorare le proprie prestazioni attraverso l’analisi dei dati, senza l’esigenza di seguire istruzioni specificatamente programmate. Applicazioni attuali e future. Massari: ll machine learning è un settore dell’intelligenza artificiale, che offre la possi- bilità di automatizzare in modo efficiente il processo di costruzione di modelli analitici e consente alle macchine di adattarsi a nuovi sce- nari inmodo autonomo. Applicazioni si trovano nella gestione intelligente dei Big Data; nei di- spositivi intelligenti come quelli indossabili per il fitness e la salute, alle automobili a guida au- tonoma, alle smart city dove è possibile gestire l’infrastruttura che riduce automaticamente gli sprechi di tempo ed energia, all’Internet of Things (IoT). Altre applicazioni si trovano nella gestione dei motori di ricerca, alle applica- zioni web e in altre dove si possono persona- lizzare i risultati e le raccomandazioni in base alle preferenze degli utenti. Le applicazioni si adattano anche al settore dei servizi finanziari, dove le banche utilizzano modelli predittivi di machine learning, al fine di analizzare l’enorme quantità di dati presenti nei loro Big Data, con l’obiettivo di identificare e soddisfare al meglio le esigenze dei clienti. Oppure analizzare e li- mitare i rischi, le minacce informatiche, i com- portamenti fraudolenti e analizzare i dati per anticipare con maggiore precisione i rischi per i nuovi prodotti. Altro settore interessante è il manifatturiero, dove l’applicazione del ML ha consentito di applicare nuova strumentazione alle apparecchiature e ai processi. Grazie al ML si possono: gestire la riorganizzazione, ottimiz- zare la produzione in modo reattivo per ade- guarsi alla domanda di mercato e analizzare futuri scenari. Il machine learning consente di avere un processo produttivo agile e resiliente al tempo stesso. Marella: È un grande cambiamento. Abbiamo di fronte un nuovo modello di fabbrica. La possiamo chiamare Fabbrica 4.0, oppure 5.0, non è questo il punto. Il punto vero è il grande challenge che l’imprenditore ha nelle sue mani. Quale è la sua capacità di vedere lontano oltre la richiesta stretta del mercato. Siamo in una fase in cui delineare un modello di fabbrica piuttosto che un altro, non solo è possibile ma è stimolato e incentivato dai finanziamenti messi a disposizione dall’Europa e dai singoli Stati sulla trasformazione digitale e la soste- nibilità. Occorre che il mondo dell’industria, delle PMI, accolga la sfida di rivedere modelli di business e di fabbrica sorpassati, ripensandoli con una ottica più ampia e capace. È una fase di decisiva trasformazione che difficilmente a questa generazione ricapiterà, ma essa ha la responsabilità e l’occasione di consegnare alla prossima generazione, un modello di fabbrica pienamente corrispondente agli scenari futuri. Nell’Internet of Things (IoT) il dato diviene vi- tale per raggiungere gli obiettivi di processo e la nuova fabbrica vede nella raccolta quantita- tiva e gestione qualitativa delle informazioni la piattaforma su cui costruire una performance di qualità armonica nel suo insieme, sostenibile in termini di risorse impiegate e con un elevatis- simo livello di efficienza. Farruggio: Il machine learning è indubbia- mente una delle aree che ha avuto unmaggiore impatto sull’automazione industriale, confe- rendo ai sistemi produttivi maggiore adattabi- lità e autonomia. L’adattabilità rappresenta la capacità di migliorare le prestazioni imparando dall’esperienza e dal mondo della robotica: un esempio applicativo attuale è offerto dal sen- sore di forza che integra funzioni di AI. Grazie all’intelligenza artificiale è possibile ottimizzare il controllo della velocità di un robot attraverso una serie di test automatici e digitali che rap- presentano l’esperienza, minimizzando così il tempo di sviluppo della macchina. La pro- grammazione si evolve e diventa sempre più semplice e minimale, lasciando spazio a nuovi metodi e strumenti che consentono di inserire pochi parametri e di affidare l’apprendimento del ciclo ai dati in arrivo dai sensori. Autono- mia significa invece permettere al sistema di eseguire attività in ambienti complessi senza una guida costante da parte dell’operatore. Tale concetto si concretizza grazie alle nuove frontiere della robotica con il motion planning, un sistema che consente al robot di lavorare in un ambiente completamente destrutturato, introducendo un nuovo tipo di collaborazione tra uomo e robot. Grazie a dei sensori di visione è possibile definire lo spazio in cui avviene la collaborazione e digitalizzare l’area di lavoro. Il software genera quindi una rappresentazione 3D del sistema, dando vita a una soluzione in grado di calcolare e determinare, in tempo reale, il percorso ottimale per raggiungere la posizione desiderata, evitando qualsiasi osta- colo all’interno dello spazio di lavoro. Grazie a tali funzioni è possibile immaginare di eseguire cicli dinamici come un pick&place in cui le po- sizioni di presa e prelievo cambiano, in questo caso il robot sarà in grado di adattarsi in tempo reale e in completa autonomia alle condizioni dell’ambiente. De Paola: La nostra azienda opera in diversi settori e posso confermare con esattezza che il machine learning ha completamente permeato ogni ambito industriale. Se quindi spostassimo il focus sulla tipologia di problema più che sul settore in sé, ci accorgeremmo che il machine learning è ormai utilizzato in tutti quei casi ap- plicativi in cui il deterioramento delle presta- zioni della macchina condiziona la qualità del prodotto finale, a tal punto da poter ricono- scere lo stato di salute della macchina analiz- zando i dati da essa prodotti. Rapportandoci a clienti di settori distinti e diversificati abbiamo risolto problemi come manutenzione predittiva su taglierine, predizione di indice di qualità di processi per industrie nel settore plastico, ano- maly detection e monitoraggio della qualità produttiva per servo presse, identificazione e segmentazione lastre di marmo per sorting au- tomatico. Considerando i casi appena mostrati, è evidente che già da tempo abbiamo sposato la causa tecnologica del machine learning che ha trovato il giusto compromesso tra l’automa- zione classica, fatta di controllori, azionamenti, HMI ecc. e le moderne tecnologie degli acce- Marco Cellamare, Ivanti