AO_446

112 | MAGGIO 2023 AUTOMAZIONE OGGI 446 L’ approccio data-centric all’intelligenza artificiale è sempre più di interesse nei team ingegneristici, che hanno utilizzato fino ad ora un approccio model-centric. Con il fatto che la pre- stazione del modello è sempre più dipendente dalla qualità dei dati con cui viene addestrato, il focus sui dati consente di migliorare l’accura- tezza del modello senza il processo iterativo di calibrazione dei parametri. Migliorando la quali- tà dei dati e l’accuratezza del modello, l’AI data- centric apre la strada a nuove aree applicative: dalle comunicazioni 5G al LiDAR, all’imaging dei dispositivi medici, alla stima dello stato di cari- ca e molto altro ancora. La sfida attuale è com- prendere come far evolvere l’AI data-centric per risolvere problemi applicativi specifici e quali tecniche e strumenti sono disponibili per farlo. Best practice per l’AI data-centric Per ottenere risultati accurati, si enfatizza sem- pre di più la necessità di migliorare la qualità dei dati in input ai modelli. Ciò richiede un ap- proccio multiplo all’ottimizzazione dei dati per garantire un’elevata accuratezza. Dato il mag- giore uso dell’AI data-centric, ci sono diverse best practice che l’industria sta adottando. Queste includono la riduzione dell’ordine del modello, la sincronizzazione dei dati, la distor- sione digitale e l’image augmentation. L’approccio basato sulla riduzione dell’ordine del modello consente a un modello di funzio- nare più velocemente e occupare ‘meno spazio’ computazionale. La qualità dei dati viene man- tenuta, pur tenendo conto di una piccola perdita di fedeltà. Per le applicazioni basate su imma- gini, ad esempio rilevamento o classificazione di oggetti, si possono colmare eventuali lacune nei dati di addestramento con tecniche di image au- gmentation per garantire un volume ampio per addestrare sufficientemente i modelli. La sincro- nizzazione dei dati, a sua volta, garantisce che i dati utilizzati siano in linea con le esigenze spe- cifiche dell’applicazione. Se gli ingegneri costrui- scono unmodello di intelligenza artificiale che fa previsioni orarie, questo richiederà input di dati orari per addestrare e guidare le prestazioni. Con il miglioramento della qualità dei dati, aumen- terà anche la capacità di affrontarne i bias. Attra- verso i dati stessi sarà facilitato il riconoscimento dei bias, fornendo le informazioni necessarie per garantire un’adeguata raccolta di dati rappre- sentativi in campi vitali come la sanità. Nuove aree per l’innovazione Questa maggiore attenzione ai dati e alla qualità dei risultati che ne derivano, hanno portato la natura dinamica dell’AI data-centric in aree appli- cative di nicchia in numerosi settori industriali. Il wireless è unodi questi esempi. Qui, le tecnichedi ottimizzazione dei dati rendono possibile la pro- gettazione di filtri di predistorsione digitale che modificano in modo proattivo i segnali per rag- giungere un livello di rumore confortevole in pre- senza di quelli concorrenti. In applicazioni LiDAR, i casi d’uso mostrano come l’AI data-centric può pulire i dati forniti dai sensori, avvicinando i sen- sori alle funzioni e ai livelli di prestazioni previsti. In tal modo, gli ingegneri possono correggere in tempo reale dati operativi. Dal punto di vista delle applicazioni sanitarie, anche l’imaging dei dispositivi medici sta abbracciando quest’area. Accoppiando immagini e segnali è possibile re- golare le macchine di imaging 3D per eseguire un’analisi più su misura del paziente oncologico e una valutazione della salute polmonare per lo screening Covid-19. Un altro esempio può essere preso dall’ingegneria automobilistica, in cui l’in- telligenza artificiale data-centric viene applicata per analizzare i dati dei sensori della batteria, come la tensione e la temperatura media. Ciò consente una migliore stima dello stato di ca- rica, che costituisce una componente vitale nella progettazione delle batterie per auto elettriche. Esistono numerosi tool ‘experiment-based’ e per la preparazione dei dati che aiutano a im- plementare l’approccio data-centric nei modelli di intelligenza artificiale. L’intelligenza artificiale data-centric pone il codice e la sua modifica all’i- nizio del processo di progettazione, poiché il co- dice del modello rimane per lo più costante. Con Experiment Manager di MathWorks si possono testare i protocolli di codifica definiti per l’otti- mizzazione dei dati, e valutare quindi i potenziali miglioramenti nella modellazione AI attraverso aggiustamenti della qualità dei dati. Alimentare un futuro incentrato sui dati Mentre la ricerca sull’AI data-centric va avanti, un altro fattore di questa evoluzione è la necessità di maggiori livelli di collaborazione tra team. Gli in- gegneri dovrebbero essere consapevoli del fatto che una modellazione efficiente richiede ancora una stretta collaborazione con i data scientist che si occupano delle attività di modellazione, che si basa sulla qualità dei dati. Mostrando come i dati possono essere arricchiti per supportare la produ- zione di unmodello che gli ingegneri potrebbero non realizzare, l’AI data-centric apre la strada alla collaborazione tra teammultidisciplinari. MathWorks - https://it.mathworks.com David Willingham Da model-centric a data-centric Evoluzione dall’approccio model-centric a quello data-centric dell’intelligenza artificiale per applicazioni industriali Migliorando la qualità dei dati e l’accuratezza del modello, l’AI data-centric apre la strada a nuove aree applicative Intelligenza artificiale AUTOMAZIONE OGGI