AS_01

Gennaio/Febbraio 2019 Automazione e Strumentazione CONTROLLO approfondimenti 56 dologia computazionale di natura linguistica molto più vicino al modello umano di elaborazione dell’informazione che a quello dei calcolatori. Si applicano tipicamente di problemi che fanno rife- rimento a dati incompleti e contaminati da rumore come nel caso dei dati provenienti dai sensori. Le applicazioni ingegneristiche delle reti neurali coprono numerosi campi applicativi in ambito industriale, in particolare nel riconoscimento di oggetti inmovimento e in vari ambiti della robotica. Le applicazioni della logica fuzzy (logica ‘sfumata’ multivalore) si fanno apprezzare nella possibilità di individuare la modalità di controllo senza necessa- riamente conoscere un modello dinamico matema- tico di un sistema, bensì utilizzando modelli com- portamentali ricavati dall’esperienza, dalla pratica, dall’intuizione. Il controllo fuzzy si adatta facil- mente al sistema e possiede buone caratteristiche di robustezza e stabilità. Altro beneficio della logica fuzzy è quello di riuscire a gestire con estrema faci- lità il cosiddetto gain-scheduling con combinazioni lineari delle situazioni note. In modo analogo i sistemi esperti si fondano sulla competenza umana registrata nella cosid- detta base di conoscenza, ad esempio sotto forma di regole, aggiornabile in base all’esperienza. Un sistema esperto utilizzare forme di ragionamento approssimato, attraverso tecniche probabilisti- che o facendo ricorso alla logica fuzzy. Ciò che distingue i sistemi esperti da altri algoritmi di intelligenza artificiale è il fatto di essere in grado di spiegare logicamente le sue decisioni. D’altra parte per risolvere problemi di ottimizza- zione multi-obiettivo funzionano molto bene gli algoritmi genetici , i quali si basano sui meccani- smi della selezione naturale o sulle evoluzioni delle sequenze di DNA. Trasponendo questi modelli in termini di architetture software possiamo ad esem- pio organizzare in modo estremamente efficiente la schedulazione della produzione industriale. Controllo avanzato con tecniche di Intelligenza Artificiale Nell’era della Digital Transformation il tema del controllo automatico con l’Intelligenza Artificiale (AI) definisce anzitutto il grado di apprendi- mento dei processori e dei controllori . L’intel- ligenza artificiale coinvolge la pianificazione, la comprensione del linguaggio, il riconoscimento di oggetti e suoni, l’apprendimento e la risolu- zione dei problemi. D’altra parte le macchine che utilizzano Big Data possono interagire con il Cloud e scambiare informazioni con altri sistemi automatizzati. Il software in tal modo applica le opportune correzioni in tempo reale. Si configura quindi l’uso del Machine Learning ovvero di una declinazione dell’AI che si concentra sulla capacità delle macchine di ricevere via via più informazioni e di apprendere autonomamente modificando gli algoritmi, come nel caso delle applicazioni di visione artificiale . A sua volta il Machine Learning rimanda a tecniche specifiche di Reinforcement Lear- ning (mediante la quale il computer impara per tentativi direttamente dai propri errori) e di Deep Learning (simulazione del ragionamento umano con l’ausilio di reti neurali, modelli sta- tistici e ricerche operative) con applicazioni tipiche che riguardano l’ image e lo speech recognition . Approcci simili includono la pro- grammazione logica induttiva ed evolutiva, il clustering, le reti semantiche e bayesiane. Que- ste innovative tecniche di Intelligenza Artifi- ciale richiedono enormi quantità di dati raccolti da un numero crescente sensori che continuano a popolare l’ecosistema dell’Internet of Things. In aggiunta, i progressi tecnologici nel campo dell’elettronica, della connettività wireless e del Cloud computing rafforzano il connubio tra AI e IoT , ponendo al tempo stesso pro- blemi di governance e sicurezza dei sistemi complessi e dei loro sistemi controllo. In que- sto scenario è immaginabile quale possa essere il rischio qualora ci si affidasse ad algoritmi di AI alimentati da dati manipolabili o non con- trollati . Ecco dunque che l’approccio moderno alla cosiddetta decentralizzazione dell’Intelli- genza Artificiale prende forma, in primo luogo per risolvere la validazione degli algoritmi . L’uso della tecnologia blockchain consente registrazioni immutabili di tutti i dati, di tutte le variabili e di tutti i processi utilizzati dalle intelligenze artificiali per arrivare alle loro decisioni. Ed è esattamente ciò che serve per controllare in modo semplice l’intero processo decisionale dell’Intelligenza Artificale. Diverse nuove applicazioni di Intelligenza Artificiale permettono l’elaborazione di enormi quantità di dati raccolti dai diversi sensori e dispositivi che compongono l’ecosistema dell’Internet of Things