EO525

TECH INSIGHT MACHINE LEARNING (e possibili varianti che si differenziano in termini di ca- ratteristiche operative e di complessità) che sono stati proposti nella letteratura tecnica. Tale varietà può essere disorientante e fuorviante, e il problema è ulteriormen- te complicato dalla mancanza di un archivio dei migliori casi d’uso, per ogni settore e organizzazione. Quindi, si può credere che una revisione sistematica della lettera- tura focalizzata sugli sviluppi storici di ML per applica- zioni industriali, possa essere estremamente utile per evidenziare le tendenze presenti e future e, soprattutto, per orientare i professionisti industriali nella selezione e in un uso più consapevole delle tecniche di ML. In figura 1 sono riportati gli incrementi dei casi d’uso nella produzione industriale in cui è applicato il Machine Learning. L’entusiasmo che circonda gli algoritmi di Machine Le- arning e Deep Learning è in continua crescita e, dati i re- centi sviluppi rivoluzionari, il loro utilizzo ha registrato un forte aumento inmolti campi. Questa tendenza è mol- to marcata nel settore industriale, in particolare nell’area della gestione delle operazioni, come rivelato dall’analisi della letteratura della ricerca e sviluppo. cesso decisionale umano, liberando le persone da attività a basso valore aggiunto. A parte questo, uno dei principali ostacoli all’adozione industriale pervasiva del ML è la mancanza di una chia- ra comprensione di queste metodologie e la mancanza di consapevolezza di ciò che il ML può e non può fare. Il ML non può risolvere tutti i problemi industriali, e la sua adozione pratica, come alternativa a tecnologie più mature, deve essere attentamente valutata e ponderata. Chiaramente, è importante prendere una decisione in- formata, senza essere influenzati dalla tendenza e dal trend del momento. La capacità di scegliere un algoritmo (o un sottoinsieme di algoritmi), adatto ad un compito o problema specifico, è una competenza fondamentale per gli analisti di dati e/o per i professionisti che desiderano applicare il ML in contesti industriali, poiché questa scelta può fare la dif- ferenza tra fallimento e successo. Tuttavia, in assenza di esperienza e/o di studi precedenti di natura simile, im- maginare un modo per implementare ML a livello indu- striale per migliorare le performance aziendali è una sfi- da, soprattutto considerando il vasto numero di algoritmi Fig. 1 - Incrementi dei casi d’uso nella produzione industriale con Machine Learning ELETTRONICA OGGI 525 - APRILE 2025 33