EO_496

DIGITAL MACHINE LEARNING 54 - ELETTRONICA OGGI 496 - SETTEMBRE 2021 può essere addestrato per individuare problemi. Si potrebbe anche trattare di compiti semplici, come la mancanza di un oggetto su un nastro trasportatore. G E i dati per scegliere automaticamente e in tempi brevi la mi- gliore azione da intraprendere in tempo reale, migliorando l’efficienza e riducendo la possibilità di errori umani. 8 5 rilevare problemi imminenti può minimizzare i tempi di inatti- vità e i relativi costi. 8 l G - si evento che potrebbe essere fonte di rischio permette di ef- fettuare interventi tempestivi, dall’arresto di un’apparecchia- tura alla prevenzione di collisioni tra robot, veicoli e persone. Nella pratica, l’apprendimento automatico non può essere utilizzato con tutti i sistemi. Ci potrebbero essere limitazioni relative alla tipologia di dati che possono essere acquisiti o alla modalità con la quale possono essere elaborati, senza dimenticare che i costi legati all’aggiunta di sensori, risor- se di elaborazione, connessioni in rete e alimentazione po- trebbero risultare troppo elevati. La latenza rappresenta un ulteriore problema, soprattutto nel caso vengano introdotti ritardi imputabili all’invio/ricezione di dati con le risorse di elaborazione remote e con il cloud. Le problematiche dell’apprendimento automatico nell’automazione Beckhoff , azienda specializzata nel settore dell’automazione, ha identificato cinque requisiti essenziali che devono essere soddisfatti per poter integrare con esito positivo l’apprendi- mento automatico nell’automazione. Tali requisiti, descritti di seguito, rappresentano un’utile base di partenza: + < 8( - ter essere utilizzate e integrate con il soft- ware esistente senza richiedere esperien- ze specialistiche < 8( l- dabilità e precisione sufficienti per fornire risultati utili 8 di operare in ambienti rumorosi o gestire dati imprecisi ' , comprensione dei sistemi ML I progetti che utilizzano l’intelligenza artifi- ciale e l’apprendimento automatico potreb- bero risultare di difficile implementazione, in particola modo per tutte quelle aziende che non hanno esperienze pregresse in questi settori. Secon- do gli analisti di Gartner : “ I progetti basati sull’intelligenza artificiale spesso falliscono a causa di problematiche le- gate a manutenibilità, scalabilità e gestione ” e il passaggio tra la realizzazione di un prototipo e l’avviamento di un si- stema in produzione non è certamente semplice. Non è raro che i progetti “sfuggano di mano”, a causa di aspettative non realistiche che non vengono soddisfatte per la mancata sca- labilità delle prestazioni e l’assenza di visibilità che non per- mette ai responsabili aziendali di individuare i veri problemi. È inoltre essenziale tenere nella dovuta considerazione l’im- plementazione pratica di un sistema ML e il livello di presta- zioni di elaborazione richiesto. Quest’ultimo è un aspetto non immediatamente ovvio, in quanto per ogni sistema ML esiste una differenza tra le esigenze del processo di addestramento iniziale e quelle necessarie per i miglioramenti giornalieri del modello dopo l’installazione. La fase di pre-produzione può richiedere dataset enormi ed elaborazioni complesse, che devono essere eseguite su PC o server ad alte prestazioni. Una volta che il sistema è uscito dalla fabbrica, i migliora- menti di natura incrementale (ottenuti mediante un processo inferenziale, grazie al quale è possibile modificare il modello sulla base di nuovi dati) richiedono prestazioni decisamente inferiori. Per espletare tale compito è sufficiente il ricorso a processori embedded. L’esecuzione locale dei modelli ML effettuata su un siste- ma embedded o un PC situato ai margini della rete (edge), comporta evidenti vantaggi rispetto all’invio dei dati verso il cloud o un server centralizzato per la loro elaborazione. Si tratta di un processo più veloce, caratterizzato da una latenza minima che consente anche di ridurre i requisiti in termini di ampiezza di banda, nonché di garantire una migliore prote- zione dei dati e della privacy. La fase di addestramento iniziale viene fatta girare su un computer, mentre i processori embedded gestiscono il processo inferenziale sul campo (Fonte: Microchip)