06 Apr Machine Learning, la “buzzword” che sta stravolgendo il settore informatico (e manifatturiero)
Il primo incontro di Buzzwords, la sessione formativa di azzurrodigitale di cui vi avevamo parlato in questo articolo, è stato dedicato all’approfondimento del significato di “machine learning”.
In un’ora ho introdotto il team ai concetti complessi legati al termine “machine learning”, tra cui deep learning, intelligenza artificiale e reti neurali. Concetti che sono ormai sulla bocca di tutti, ma il cui significato spesso non è chiaro.
Andiamo a vedere i punti chiave del mio intervento, per capire in modo semplice ma efficace il reale significato di machine learning e quali possono essere sue applicazioni in ambito industriale.
Machine learning, deep learning e reti neurali
Negli ultimi anni, grazie al notevole incremento dei dati e grazie alla crescita esponenziale delle performance delle macchine, abbiamo assistito ad un aumento nell’utilizzo delle tecniche di Machine Learning e Deep Learning. Tali cambiamenti hanno letteralmente stravolto i campi di applicazione e il mercato informatico.
Il Machine Learning raggruppa tutti quegli algoritmi volti ad ottenere modelli dai più svariati insiemi di dati mentre, “figlio” del Machine Learning, il Deep Learning ne è un sottoinsieme, ed è caratterizzato dall’utilizzo di un insieme ristretto di modelli chiamati Reti Neurali (Neural Networks).
Apprendimento automatico supervisionato o non supervisionato: come funziona il machine learning
L’obiettivo di base del Machine Learning è permettere ad un algoritmo di astrarre un modello che “impari” a svolgere dei compiti, in maniera automatica, tramite l’osservazione di un insieme di dati (data set).
Volendo suddividere alcuni tipi di apprendimento automatico (Machine Learning per l’appunto), possiamo parlare di apprendimento supervisionato (supervised learning) e apprendimento non supervisionato (unsupervised learning).
Semplificando, parliamo di apprendimento supervisionato nel caso in cui il nostro algoritmo di apprendimento attinga ad un data set i cui elementi sono collegati a classi (in generale valori) precedentemente individuate, i collegamenti sono spesso chiamati “label” o etichette. Diversamente, nell’apprendimento non supervisionato, i dati contengono rappresentazioni di oggetti o eventi non associati ad etichette.
Vediamo un semplice esempio pratico di apprendimento supervisionato: identificare delle cifre scritte a mano su un foglio di carta. Abbiamo a disposizione un insieme di dati contenente immagini, ciascuna immagine è formata dall’insieme di pixel che caratterizza l’immagine e dall’etichetta che individua la cifra scritta.
Utilizzando tecniche di Machine Learning possiamo “allenare” un modello al compito di associare l’insieme di pixel alla cifra corretta. Il risultato che otteniamo è un algoritmo capace di riconoscere automaticamente numeri scritti a mano da persone diverse, con grafie diverse.
In aggiunta, utilizzando tecniche abbastanza semplici come SVM (Support Vector Machine), siamo in grado di ottenere un’accuratezza di circa il 90% con un utilizzo parziale del dataset (il dataset in questione si chiama MNIST e contiene anche le performance ottenute dagli autori utilizzando altre tecniche di machine learning).
Il machine learning è la soluzione a moltissimi problemi, soprattutto nell’industria manifatturiera
Le tecniche di Machine Learning e Deep Learning offrono enormi potenzialità per risolvere moltissimi problemi, soprattutto in campo industriale, permettendo di ottimizzare e migliorare il processo di produzione e vendita.
Eccone alcuni esempi:
- Object detection, ovvero trovare un oggetto specifico attraverso l’ispezione visiva. Consente, ad esempio, di distinguere automaticamente le parti buone da quelle difettose su una linea di assemblaggio, permettendo di intervenire in tempi brevi.
- Previsione delle vendite, ovvero prevedere i livelli di vendita futuri così da poter ottimizzare il processo produttivo
- Quality 4.0 e Defect detection, ossia controllare la qualità del prodotto andando a rilevare difetti di produzione in modo automatico.
- Manutenzione predittiva, ossia prevedere guasti e anomalie sui macchinari con l’obiettivo di gestire in modo efficiente la manutenzione, con un ritorno importante in termini di riduzione dei costi.
Questi esempi di applicazione dimostrano come l’apprendimento automatico non è solamente uno strumento per migliorare una linea di produzione. Il machine learning è uno strumento molto più potente che, raccogliendo dati da fonti diverse, alimenta in modo automatico il grado di “conoscenza” dei propri modelli. Tale conoscenza diventa patrimonio dell’azienda, consente di aumentare la produttività, operare a un costo inferiore e in maniera più affidabile, rafforzando la relazione con i propri clienti.
Emilio Bendotti, Software Developer di azzurrodigitale
Accompagniamo le aziende verso la loro Digital Transformation!
Vuoi saperne di più?
Scopri i nostri percorsi di formazione o i nostri progetti di trasformazione digitale.
Oppure visita la pagina di AWMS (Advanced Workforce Management System), la piattaforma digitale per la gestione della forza lavoro negli stabilimenti
Leggi anche:
6 passi verso la digital transformation
Gestire supply chain globali nel mondo post Covid-19