Machine Ledger 4.0: le manutenzioni diventano “intelligenti”
Nei processi industriali, l’introduzione dell’Intelligenza Artificiale è diventata un aspetto strategico che porta un elevato valore aggiunto.
Il motivo di questa luce di cui gode oggi l’AI sta, in primis, nel fatto che consente di capitalizzare al massimo tutta la grande mole di dati che ormai riusciamo ad acquisire direttamente dal processo produttivo. I dati sono importanti solo se consentono di ricavarne valore: non riuscire ad innescare un processo decisionale a partire da essi, costituisce solo un grande spreco.
Inoltre, l’AI consente la messa in moto di un ambiente produttivo assolutamente interconnesso, condiviso e interattivo: macchine, robot e operatori umani sono capaci di interagire tra di loro e di imparare dalle situazioni che si creano nei processi produttivi in itinere.
In questo articolo presenteremo il case study di un progetto di utilizzo dell’Intelligenza Artificiale a supporto della gestione e soluzione di problemi di qualità nel processo produttivo.
Il case study: il progetto
Il case study riguarda un sistema realizzato nel 2018 presso un plant produttivo di elettrodomestici da cucina.
Il metodo utilizzato fa leva su un modello grafico probabilistico, una rete bayesiana dinamica, che effettua inferenze su una base di conoscenza precostituita che viene generata con la collaborazione di un esperto del processo. Questa scelta è stata motivato dal fatto che questo modello può ben rappresentare una relazione causa-effetto.
Queste relazioni sono rappresentate dai nodi causa collegati ad i nodi effetto, tramite degli archi orientati. Su ogni arco è presente un peso che rappresenta una probabilità condizionale. Cosa rappresenta questo peso? Dato il verificarsi di un effetto, è la probabilità che quell’evento sia dovuto alla causa ad esso collegata.
La rete bayesiana funge quindi da strumento di diagnosi.
Il sistema, dopo aver effettuato la diagnosi, chiede un feedback all’operatore e successivamente propone un piano di azioni per la risoluzione del problema. La scelta del piano da proporre si basa sulla teoria dell’utilità: il sistema sceglie il piano che massimizza l’utilità attesa.
Dopo aver eseguito il piano di azioni, l’operatore restituisce un feedback al sistema, il quale aggiorna il rating di quel piano, in relazione al problema di qualità diagnosticato. Questa tecnica si basa sull’apprendimento per rinforzo (reinforcement learning) con un modello costruito ad hoc per l’assegnazione della “ricompensa”.
Il case study: risultati ottenuti e un plus valore
I risultati ottenuti confermano la validità dell’approccio utilizzato: dopo due anni di lavoro, il sistema raggiunge quasi il 95% di successi al primo colpo.
Il valore aggiunto del sistema, inoltre, viene confermato dal supporto fornito agli operatori nuovi, che quindi non conoscono i dettagli specifici di quel processo di produzione e avrebbero difficoltà a risolvere un problema per essi nuovo. Si assiste quindi ad un movimento circolare della conoscenza: dall’uomo alla macchina (costruzione della base di conoscenza) e dalla macchina nuovamente all’uomo (potenziamento dell’apprendimento).
Sviluppi futuri
Nei due anni di lavoro il sistema ha raccolto una mole consistente di dati. Considerando la bontà dei dati raccolti, come evoluzione sperimentale del sistema, costruiremo la base della conoscenza con un approccio di tipo deep learning, chiamato recurrent neural network, il cui modello è rappresentabile tramite una rete neurale.
In particolare, essa presenta, oltre agli strati di input e output, un certo numero di strati intermedi che contengono una quantità elevata di nodi, che hanno il compito di estrazione di caratteristiche e classificazione.
Le uscite della rete forniranno la distribuzione di probabilità sui possibili stati del sistema, così come attualmente svolto dalla rete bayesiana. Il vantaggio atteso, rispetto all’approccio bayesiano, riguarda la possibilità di poter discriminare le non linearità presenti nella distribuzione dei dati e di poter potenzialmente riusare la conoscenza acquisita tramite transfer learning, per altri impianti assimilabili.
Conclusione
10 anni fa, parlare concretamente di Intelligenza Artificiale con un cliente era un buon sistema per apparire fumosi. Dopo un primo periodo di entusiasmo intorno all’argomento, questo era presto diventato un argomento tabù. Giustamente, perché non esistevano le premesse per poter alimentare seriamente progetti di AI.
Oggi, in piena era Industria 4.0, dopo due decadi in cui la tecnologia ha corso veloce, più di quanto avesse fatto fino a quel momento dall’inizio dei tempi, affermare che l’Intelligenza artificiale sia il futuro è un’affermazione già obsoleta. Sappiamo che in futuro raggiungerà livelli altissimi (molti indicano il 2050 come data di riferimento importante in tal senso), ma questo è pensabile perché l’AI è già attuale. Non viviamo più nel secolo scorso, in cui l’AI governava, nella letteratura e nel cinema, il genere della fantascienza.
Molte cose le stiamo già facendo, si testano progetti concreti, come il case study che abbiamo presentato. E si raccolgono i primi frutti.
E gli sviluppi futuri a cui abbiamo accennato, non è materiale per storie di fantascienza, ma potranno essere il tema di incontri con clienti che vorranno essere competitivi.
NeXT e l’Intelligenza Artificiale
NeXT, nasce nel 2011. Fornisce soluzioni software per la digitalizzazione dei processi e la realizzazione della smart factory.
Sin dalla propria fondazione NeXT ha seguito l’evolversi del concetto di Intelligenza Artificiale ed ha dedicato a questo argomento gran parte delle proprie attività di ricerca e sviluppo.
L’Intelligenza Artificiale opera attraverso Agenti intelligenti, un innovativo paradigma di programmazione evoluzione di quella ad oggetti. Proprio questo tipo di programmazione, requisito dell’AI, è stato sempre alla base delle soluzioni software di NeXT e del suo framework IMPROVE 4.0.
I vantaggi di questo tipo d programmazione sono enormi ed evidenti: una piattaforma ad Agenti consente molta più flessibilità e personalizzazione di qualsiasi altro tipo di architettura. E soprattutto costituisce il modello ideale per soluzioni integrate. Un sistema costruito ad Agenti permette la creazione di una infrastruttura pronta ad essere intelligente, andando a recepire le esigenze dell’Industria 4.0: cattura, gestione e condivisione di informazioni tra tutti gli attori del Processo.
NeXT è una PMI Innovativa. Questo significa:
- Bilancio certificato
- Quota risorse dedicato alla Ricerca & Sviluppo
- Personale qualificato
Il modello attraverso il quale sappiamo di fare la differenza per i nostri clienti si riassume in due parole: competitività e valore. Entrambi sono dirette conseguenze non di una strategia puramente “economica”, bensì della tecnologia avanzata e della metodologia agile che guida il nostro modus operandi.
