EMB_73

supervised learning). Nel primo, il data scientist esegue una fase di training dell’algoritmo, in cui fornisce al sistema gli input, abbinati a possibili output. Nell’apprendimento non supervisionato, invece, questa fase di training non è necessaria, ˆ ? $ À sulla base degli input forniti. E, più dati analiz- za, seguendo un metodo iterativo, più i risultati che l’algoritmo riesce a ottenere migliorano. Si parla in questo caso di algoritmi di deep learning, o apprendimen- to approfondito, basati sui principi À (|| ed oggi applicati, ad esempio, al riconoscimento automatico delle immagini. Apprendimento automatico e smart manufacturing La velocità di evoluzione dell’in- ! À ( machine learning, che ne rappre- senta un’applicazione, sono speri- mentabili ogni giorno, osservando, ad esempio, i continui migliora- menti che gli assistenti virtuali, online o in mobilità, riescono a compiere nell’elaborazione e nel riconoscimento del linguaggio naturale (NLP - natural language processing), ma anche la proliferazione di servizi ! ' # ( attivati da un numero crescente d’imprese, per arricchire e migliorare la qualità dei loro rap- À learning e deep learning non stanno comuque sviluppandosi solo in queste tipologie di servizi aziendali: il settore delle applicazioni industriali À % d’investimento per i vendor. “Siamo a buon pun- to nel viaggio verso Industria 4.0” ha esordito a marzo, nel proprio editoriale, Christine Boles, vice president nell’Internet of Things Group e general manager della Industrial Solutions Divi- sion di Intel Corporation . Un viaggio, spiega, ! À e Internet of Things (IoT) guidano l’intelligence aziendale, i processi decisionali e la produttività. Le opportunità di trasformazione e il potenzia- le di mercato del paradigma Industria 4.0 sono imponenti, come stima la società di consulenza AI&ML | SPECIALE 35 EMBEDDED SETTEMBRE manageriale McKinsey & Company , citata da Boles: si prevede che la quarta rivoluzione indu- À ‚ V " ( il mercato, per ora, si trova ancora nelle prime fasi di adozione, aggiunge Boles, citando ancora dati McKinsey, secondo cui solo il 30% delle orga- nizzazioni sta attivamente sviluppando soluzioni IoT su larga scala. Intel vede lavoratori, strumen- ti, macchine, operare insieme nell’ambiente di fabbrica per for- nire dati e migliorare le operation. Dati che, trasformati in tempo reale in ‘insights’, diventano utili per ridurre i downtime dei mac- chinari industriali, potenziare la ! " Á ( À - nover, dice ancora Boles, Intel ha ( di edge computing che aiutano i costruttori a realizzare la visione di Industria 4.0. E Intel, assieme a un crescente ecosistema di player, che include À , , Services , Capgemini , Dell Technologies, GE Additive , GE Digital , Hewlett Packard Enterprise , e Siemens , sta guidando il futuro del settore industriale. Deep learning, per far evolvere la visione industriale Le applicazioni di machine learning e deep lear- ning nell’industria sono probabilmente limitate ( nello strategico settore del riconoscimento d’im- magini per uso industriale, le “smart camera” y" HZX " unit) Intel Movidius, sono in grado di elaborare !! $ ! À direttamente a livello di dispositivo, per fornire una miglior comprensione delle realtà produtti- ve nei settori energia, industrial manufacturing, trasporti. Integrando nel processo di fabbrica- zione dei prodotti telecamere di ispezione visiva con nastri trasportatori, robot e dispositivi IoT, diventa possibile, spiega Intel, creare applicazio- ni di visualizzazione dei problemi in real-time, e Christine Boles, vice president ! e general manager della " # $ Intel Corporation (Fonte: Intel)