AS_01_2020

SCENARI primo piano 21 Automazione e Strumentazione Gennaio/Febbraio 2020 tare, elaborare, utilizzare i dati, e alla fine ottenere tool analitici, funzionalità di machine intelligence e applicazioni di machine learning. Il riferimento non è solo al grande fermento, nei tardi anni Ottanta, suscitato dalle reti neurali artificiali, ma anche ai successivi approcci di ‘statistical learning’, quindi di apprendimento statistico, tra cui si citano meto- dologie come PCA (principal component analysis), PLS (partial least squares), e SVM (support vector machine), che hanno riscosso un’attenzione cre- scente per alcuni loro pregi, come la chiarezza delle interpretazioni statistiche, e la facilità di training dei modelli. Queste tecniche sono state applicate pri- mariamente in attività di modellazione descrittiva, inclusi i metodi di controllo statistico di processo multivariato (multivariate statistical process moni- toring - MSPM) e il ‘soft sensing’. Oggi però, nell’era dei big data, questo mondo com- pie un salto quantico, registrando, conclude lo stu- dio, uno spettro molto più ampio di applicazione degli strumenti analitici e del machine learning nelle industrie di processo. Oggi, infatti, tali meto- dologie penetrano in queste imprese su due diffe- renti livelli gerarchici: da un lato possono integrarsi in applicazioni ‘passive’ nei circuiti di controllo di basso livello, come il monitoraggio di processi e il soft sensing; dall’altro hanno il potenziale di inse- diarsi nelle applicazioni attive, come il controllo ottimo e i processi decisionali di alto livello. La natura dei big data richiede infrastrutture analitiche estremamente potenti (fonte: Pixabay)