EO525

TECH INSIGHT MACHINE LEARNING pattern e immagini, l’elaborazione del linguaggio natu- rale, l’ottimizzazione delle operazioni, il data mining e la scoperta della conoscenza. Da allora, il numero di articoli pubblicati in questo campo è aumentato costantemente e la tendenza è stata recentemente alimentata da molte iniziative governative, come Industry 4.0, Smart Factory e Smart Manufacturing, che richiedono un cambiamento radicale nel paradigma manifatturiero, basato sull’au- mento e i miglioramenti dei processi dovuti alle tecnolo- gie dell’informazione (IT). Soprattutto nell’ultimo decennio, lo stato dell’arte delle tecniche di ML ha fatto un enorme balzo in avanti, come dimostrato dagli algoritmi utilizzati dalle auto a guida autonoma o dai giochi di strategia elettronici. Entram- bi i compiti sono stati considerati lontani anni luce da una soluzione pratica, ma le auto a guida autonoma sono già in fase di sperimentazione in ambienti urbani. Allo stesso modo, recentemente è stato reso noto lo sviluppo di un’IA che ha imparato con successo a giocare meglio degli umani in molti altri giochi di strategia. Inoltre, le tecnologie abilitanti (ad esempio sensori, software open source, set di dati pubblici, potenza di calcolo, servizi cloud, ecc.) sono ormai mature e disponibili a basso costo, e le iniziative governative offrono prestiti senza interessi (o addirittura non rimborsabili) e/o incentivi fiscali per supportare gli investimenti in progetti IT. Grazie a queste questioni favorevoli, sembra che sia giun- to il momento di implementare il ML nel settore e, in ef- fetti, l’intelligenza artificiale e in particolare il machine learning e il deep learning hanno raggiunto il picco delle aspettative. Tuttavia, le applicazioni industriali di que- ste tecnologie sono ancora rare e generalmente confinate in un piccolo cluster di grandi aziende internazionali. Se questa tendenza dovesse continuare, potrebbe presto se- guire una fase di disillusione e il picco della produttività potrebbe non essere mai raggiunto. Presumibilmente, un elemento dannoso dell’accettazione di queste tecnologie intelligenti può essere trovato nella preoccupazione dif- fusa che l’IA potrebbe mettere a repentaglio molti posti di lavoro, aumentando il fenomeno della disoccupazione. Secondo il parere degli esperti del settore, si tratta di un equivoco: se da un lato è vero che l’automazione sostitu- irà il lavoro umano, dall’altro la sostituzione riguarderà compiti ridondanti e ripetitivi. Avendo la capacità di ap- prendere rappresentazioni in modo autonomo, i modelli ML, e in particolare il DL, possono estrarre conoscenza direttamente dai dati grezzi, liberando i ricercatori dal costoso e dispendioso passaggio di estrazione delle ca- ratteristiche e di progettazione. Pertanto, non è azzarda- to supporre che le implementazioni di maggior successo saranno quelle che aumenteranno e assisteranno il pro- Tuttavia, questi dispositivi da soli non sono sufficienti e un sistema di produzione non può essere considerato smart, a meno che il suo funzionamento complessivo non sia regolato da tecnologie di controllo intelligenti, per una risposta rapida, precisa e affidabile agli eventi interni ed esterni. Inoltre, la produzione intelligente deve abbracciare i big data e, a questo scopo, i sistemi infor- mativi e i software di gestione della produzione devono essere abbinati e/o arricchiti con profonde competenze analitiche e con capacità di apprendimento, per garantire competitività ed efficacia. I dati aziendali sono risorse Alcuni test suggeriscono anche che i dati sono una del- le risorse più preziose di un’azienda e, soprattutto per le aziende innovative, la gestione dei big data è una questio- ne chiave per la competitività. Non solo una corretta ge- stione dei dati può aiutare a differenziarsi dai concorrenti e ad acquisire un vantaggio competitivo, ma le aziende che utilizzano approcci decisionali basati sui dati hanno dimostrato di superare facilmente i loro concorrenti, es- sendo, in media, più produttive e più redditizie. Purtrop- po, mentre in molti casi le aziende percepiscono l’utilità dei loro dati, spesso non hanno le conoscenze necessarie per sfruttare i loro volumi di dati e non hanno una chiara comprensione di ciò che è importante misurare. Di con- seguenza, il contenuto informativo dei dati viene perso insieme alla conoscenza reale e preziosa. Se così fosse, la nota espressione manageriale secondo cui “la qualità batte la quantità” diventa vera perché, se i manager non sanno come selezionare dati veramente significativi in modo semplice e rapido, un data warehouse ampio e det- tagliato può essere dannoso quanto una totale mancanza di informazioni rilevanti. Quindi, l’ottimizzazione della raccolta, dell’utilizzo e della condivisione dei dati è diventata vitale per mol- te aziende e il Machine Learning, una branca dell’In- telligenza Artificiale (IA) che si occupa di algoritmi che apprendono direttamente dai dati di input, dovrebbe svolgere un ruolo chiave nel soddisfacimento di queste esigenze. Non sorprende che molti lavori indichino il ML come uno dei principali abilitatori per far evolvere un si- stema di produzione tradizionale fino al livello di Indu- stria 4.0. Il potenziale e gli ostacoli del ML Quasi vent’anni fa, unodei primi lavori di ricercaha dimo- strato potenziali applicazioni del ML nella gestione delle operazioni. Da quel momento, i ricercatori hanno iniziato a considerare le applicazioni di ML anche all’interno dei settori industriali, in particolare per il riconoscimento di ELETTRONICA OGGI 525 - APRILE 2025 32