AES_2 2022

EVENTI Primo piano 20 Marzo 2022 n Automazione e Strumentazione state sviluppate diverse applicazioni di IA ma ciò non ha prodotto un grande impatto sui sistemi di produ- zione e il motivo è abbastanza facilmente individua- bile in una difficoltà di implementazione dovuta a una serie di limiti e mancanze: limitata potenza di calcolo e di memorizzazione (a costi sostenibili); mancanza dell’infrastruttura di comunicazione (internet, wire- less), di piattaforme software adeguate e di hardware specializzato; mancanza di dati; scarsa confidenza nei sistemi di automated advice; per non parlare dei tempi e dei costi non sostenibili necessari per l’indu- strializzazione delle applicazioni prototipo”. Ora però la situazione è completamente cambiata, al punto che le prestazioni per unità di costo sono aumen- tate di circa 150.000 volte ; basta ricordare le presta- zioni di un supercomputer Cray del 1985 che macinava 1.9 Gflops al ritmo di 244 MHz consumando 150 KW con un costo dell’ordine di 32 milioni di dollari e con- frontarle con un semplice Apple Watch (2015), capace di 3 Gflops, a 1 GHz, col consumo di 1W, il tutto a soli 300 dollari. A rendere più semplice ed economico lo sviluppo di soluzioni di AI hanno contribuito una serie di importanti sviluppi tecnologici relativi: all’infrastrut- tura di comunicazione (internet, wireless, 4G, 5G…), alle piattaforme software (Python, Java…); all’har- dware specializzato (Graphic Process Unit- GPU…); alle tecnologie di Big Data; alle infrastrutture di Cloud Computing and Storage; ai Service; e in generale a un aumento di confidenza nei sistemi di automated advice. Si iniziano a vedere le prime applicazioni: monito- raggio di processo e fault diagnosis; Process Synthe- sis; progettazione di processo; ottimizzazione di pro- cesso; pianificazione; controllo di processo; moni- toraggio della qualità di prodotto; sensori software; progettazione di nuovi materiali; manutenzione pre- dittiva (poche). Ripercorrendo le fasi principali di questa nuova stagione, Servida segnala una prima fase (ca. 1983-1998) dominata dai cosiddetti sistemi esperti (knowledge based o ruled based systems), in grado di ‘formalizzare’ la conoscenza specializzata, e avente come prototipo emblematico il Diagnostic ToollKit sviluppato nel 1998 dalla Honeywell in col- laborazione con Exxon. Una seconda fase (ca. 1990-2005) vede entrare in scena il Machine Learning (prima era) e le Neural Network. La terza fase, a partire dal 2005, approfondisce e potenzia questi approcci, con la seconda era del Machine Learning, con le Deep Neural Networks La possibilità di implementare reti neurali artificiali è migliorata sensibilmente grazie alla disponibilità di hardware specifico, come le GPU (Graphic Process Unit)