EMB 94

EMBEDDED 94 • NOVEMBRE • 2024 29 MACHINE LEARNING | IN TEMPO REALE L’ apprendimento automatico (Machine Learn- ing) è un sottocampo dell’intelligenza artificiale, ma non tutte le tecnologie di intelligenza artificiale conta- no come apprendimento automatico. Esistono vari altri tipi di intelligenza artificiale che svolgono un ruolo in molti settori, come la robotica, l’elaborazione del lin- guaggio naturale e la visione artificiale. Fondamentalmente, gli algoritmi di apprendimento au- tomatico utilizzano i dati di apprendimento per alimen- tare un algoritmo che consente al software di risolvere un problema. Questi dati possono provenire da sensori IoT in tempo reale in una fabbrica o possono provenire da altri metodi. L’apprendimento automatico ha una varietà di metodi come le reti neurali e l’apprendimento profondo (Deep learning). Le reti neurali imitano i neuroni biologici per scoprire modelli in un set di dati per risolvere i problemi. Il deep learning utilizza vari livelli di reti neurali in cui il primo livello utilizza l’input di dati grezzi e passa le informa- zioni elaborate da un livello all’altro. Consideriamo un ambiente di produzione industriale, ossia una fabbrica con robot di assemblaggio, sensori IoT e altri macchinari automatizzati, e immaginiamo che questo ambiente sia come un dispositivo con un in- gresso e un’uscita. A questo dispositivo, in input vengono forniti i mate- riali necessari per completare il prodotto; in output, il prodotto finito esce dalla catena di montaggio. L’unico intervento necessario all’interno di questo ambiente Il futuro dell’apprendimento automatico nella produzione industriale In questo articolo sono descritti il ruolo e i modelli dell’apprendimento automatico nella produzione industriale Fulvio De Santis è la manutenzione ordinaria delle apparecchiature di produzione. Bene, questo immaginario sistema di pro- duzione è un sistema di produzione ideale del futuro in cui l’apprendimento automatico può aiutare a com- prendere il quadro completo di come raggiungere que- sto obiettivo. Nokia , per esempio, sta utilizzando siti di produzione portatili sotto forma di container adattati con attrezza- ture di assemblaggio automatizzate avanzate. È possi- bile utilizzare questi contenitori portatili in qualsiasi luogo consentendo ai produttori di assemblare i pro- dotti in loco invece di dover trasportare i prodotti per lunghe distanze. A parte la robotica avanzata necessaria per il funzio- namento dell’assemblaggio automatizzato, l’apprendi- mento automatico può contribuire, tra le altre cose, a garantire qualità, analisi e localizzazione delle cause dei difetti. In figura 1 viene illustrato il machine learning nella ge- stione dei processi di produzione industriali. L’apprendimento automatico a garanzia della qualità Utilizzando reti neurali, telecamere ad alta risoluzione ottica e potenti GPU (Graphics Processing Unit), l’ela- borazione video in tempo reale combinata con l’appren-