Trasformazione digitale

Industrial Analytics con l’intelligenza artificiale: come funziona e le tecniche più diffuse

L’industrial analytics basata sull’intelligenza artificiale è una leva strategica per la competitività delle imprese: le tipologie, gli esempi pratici, il ruolo della computer vision

21 Feb 2022
Nataliia Roskladka

title Ricercatrice Osservatorio Transizione Industria 4.0 del Politecnico di Milano

L’Industrial Analytics è la tecnologia digitale che si applica per elaborare i big data provenienti da prodotti e sistemi di produzione industriali.

La sinergia tra Industrial Analytics e intelligenza artificiale è un terreno fertile per coltivare la digitalizzazione aziendale.

L’AI prevede la domanda di mercato e aiuta la PMI: ecco come

Una caratteristica distintiva dell’intelligenza artificiale è la capacità di imitare le capacità umane di interazione con l’ambiente, di apprendimento e adattamento, di ragionamento e pianificazione. Ad oggi, la tecnologia è lontana dall’essere competitiva con l’essere umano dal punto di vista delle capacità cognitive.

Tuttavia, è da tanto che non siamo più competitivi con i computer nell’elaborare e analizzare grandi quantità di dati in un paio di secondi: con lo sviluppo dell’Internet of Things, non è più un problema raccogliere i dati dalle risorse connesse. Le difficoltà iniziano dopo, ovvero alla fase dell’interpretazione di quello che ci dicono questi dati.

Ecco perché è davvero utile unire l’Industrial Analytics all’IA.

Industrial Analytics: definizione e tipologie

L’Osservatorio Industria 4.0 del Politecnico di Milano definisce l’Industrial Analytics come “un insieme di metodologie e strumenti per il trattamento e l’elaborazione di Big Data provenienti da sistemi IoT connessi allo strato manifatturiero oppure dallo scambio dati tra sistemi IT a supporto della pianificazione e sincronizzazione dei flussi produttivi e logistici. Concretamente, nell’Industrial Analytics si ricomprendono le applicazioni di nuove tecniche e strumenti di Business Intelligence, Visualization, Simulation e Forecasting, Data Analytics, per porre in evidenza l’informazione celata nei dati e la capacità di utilizzarla per supportare decisioni rapide”.

INFOGRAFICA
Migliora la supervisione della produzione e rendi più efficienti le operazioni. Scopri come!
IoT
Manifatturiero/Produzione

Esistono diverse tipologie di industrial analytics, a seconda del livello della complessità tecnologica e dei cambiamenti organizzativi che richiede l’applicazione (Figura 1).

Chart, diagram, bubble chart Description automatically generated

Figura 1. Tipi di Industrial Analytics

Descriptive Analytics

Il primo step dell’Industrial Analytics è la Descriptive Analytics, che ha l’obiettivo di fornire una prima descrizione dei dati raccolti. Le domanda a cui il processo aiuta a rispondere sono “Cosa è successo?” oppure “Cosa sta succedendo?”, che, nel contesto industriale, diventa “Come sta andando un certo processo?”. Per rispondere a questa domanda, bisogna avere delle chiare caratteristiche del processo in esame, così da poter distinguere un comportamento normale dalle anomalie. Una tecnica che aiuta a coglierle si chiama appunto Anomaly Detection.

Anomaly Detection

Oggi è sempre più facile misurare le performance dei processi di business, grazie al supporto di sistemi informativi. Attraverso i principali indicatori di processo (KPI, Key Performance Indicators) è possibile descrivere i flussi delle operazioni e capire se quello che avviene sia in linea con gli standard previsti.

Registrando questi indicatori per un periodo di tempo significativo, sarà possibile rilevarne alcuni pattern, ovvero delle tendenze. Un cambiamento inatteso in questi pattern, che può registrarsi come un dato “fuori scala”, può essere considerato come un’anomalia.

Alcuni dati “fuori scala” però non devono essere scambiati per anomalie se si trovano in un contesto particolare: ad esempio, se si aspetta un aumento di produzione nel periodo di lancio di un nuovo prodotto, l’incremento di produttività, e conseguentemente, il numero più elevato di potenziali fermi macchina non possono essere considerati come anomalie.

Le anomalie possono essere classificate in tre tipi:

  1. Anomalie globali, ovvero i dati che si differenziano molto da tutte le altre osservazioni nello stesso dataset;
  2. Anomalie contestuali, ovvero quelli che si differenziano molto dalle altre osservazioni nello stesso contesto. Il dato anomalo in un contesto può essere considerato “normale” in un altro;
  3. Anomalie collettive, ovvero un insieme di dati che si differenziano molto da tutte le altre osservazioni.

Anomaly detection è una tecnica nota anche come l’analisi di outlier (dati fuori scala), che identifica punti dati, eventi e/o osservazioni che si discostano dal comportamento normale di un set di dati. Il ruolo dell’intelligenza artificiale in tutto ciò è automatizzare l’identificazione di quelle anomalie e far sì che l’algoritmo impari a rilevarle e capire il motivo di esse.

Diagnostics

L’analisi della causa dell’anomalia (o di un’interruzione) è lo scopo della seconda tipologia di Industrial Analytics, che è Diagnostics. L’obiettivo principale di questo secondo passo è capire perché l’anomalia sia avvenuta. In questa fase, l’algoritmo ha il compito di determinare le relazioni causali tra i dati e di rilevarne pattern significativi per poter spiegare possibili motivi di scostamento. I metodi per effettuare l’analisi diagnostica sono: analisi di dati storici; analisi statistica multivariata; algoritmi di Machine Learning non supervisionato.

Il passo successivo nel percorso di Industrial Analytics consiste nel capire cosa possa succedere nel futuro, ovvero prevedere il comportamento del processo in esame, quindi identificare le relazioni tra i dati osservati e costruire un modello per poter replicare il processo nel futuro. I metodi di previsione che possono essere d’aiuto sono: analisi delle serie storiche; modelli di regressione; gli algoritmi di Machine Learning supervisionato.

Predictive Analytics

Il terzo step dell’Industrial Analytics, Predictive Analytics, prevede tante possibilità per sfruttare la capacità previsionale dell’intelligenza artificiale. I metodi basati sull’Intelligenza Artificiale (IA) consentono di considerare numerose variabili esplicative per costruire un modello previsionale realistico e affidabile. I metodi tradizionali come le serie temporali stocastiche e gli approcci basati sulla regressione richiedono un’analisi preliminare del contesto per identificare le variabili più impattanti. Invece, una delle caratteristiche chiave dei metodi innovativi (basati sull’IA) è che non richiedono alcuna ipotesi sul modello seguito dalla domanda e sulla relazione tra il valore previsto e le variabili considerate.

Lo scopo finale di questa fase di Industrial Analytics potrebbe essere l’identificazione del periodo migliore per effettuare la manutenzione del macchinario o altri interventi oppure il calcolo dei volumi di vendita previsti per un nuovo prodotto, che non ha uno storico.

I metodi dell’intelligenza artificiale che possono essere utilizzati per la previsione sono: le reti neurali artificiali (Artificial Neural Networks); le macchine vettoriali di supporto (Support Vector Machines); gli alberi decisionali (Decision Trees o Random Trees, e Random Forest per i problemi più complessi).

Prescriptive e preventive Analytics: il ruolo della computer vision

I prossimi due tipi di Analytics (prescriptive e preventive) hanno lo scopo di valutare le alternative e identificare le azioni ottimali della strategia futura sulla base delle analisi effettuate. Una delle tecniche più adatte per fare questo tipo di analisi è la Computer vision.

La computer vision è un campo dell’intelligenza artificiale che addestra i computer a interpretare e comprendere il mondo visivo. Utilizzando le immagini digitali di fotocamere e video e modelli di deep learning, le macchine possono identificare e classificare accuratamente gli oggetti e quindi reagire a ciò che “vedono”.

Lo sviluppo della computer vision può essere dimostrato dalla crescente complessità di compiti affidati alla macchina. Oltre cinque anni fa, la computer vision si utilizzava per identificare delle inferenze basate sulle regole predefinite: ad esempio, l’ispezione dei difetti con immagini a infrarossi.

Con lo sviluppo dell’apprendimento supervisionato (supervised learning), il computer vision può essere utilizzato per il riconoscimento facciale o l’identificazione di impronte digitali. Minimizzando il livello di coinvolgimento umano nel processamento di questi compiti e con lo sviluppo dell’apprendimento senza supervisione (unsupervised learning), la computer vision può essere utilizzata per le classificazioni più complesse, come la ricerca dei video, i sistemi di visione per veicoli a guida autonoma o altro.

A oggi, i task di computer vision che le imprese stanno adottando sono: Image Classification; Object Detection; Image Segmentation; Face Recognition; Action Recognition; Visual Relationship Detection; Emotion Recognition; Image Editing. Attualmente l’attenzione delle imprese è concentrata principalmente verso le prime due soluzioni.

L’Image Classification si riferisce all’analisi del contenuto dell’immagine e attribuzione di un’etichetta (es. cane, gatto) accompagnata da una percentuale di attendibilità di tale classificazione. Object Detection è l’identificazione ed etichettatura di una o più entità all’interno di un’immagine. Questi tipi di algoritmi per poter funzionare correttamente necessitano in genere di una grande quantità di immagini che, opportunamente etichettate, possano essere usate per addestrare il modello.

Grazie alle tecniche di computer vision e modelli di deep learning è possibile aumentare la velocità e la precisione del riconoscimento di immagini.

New call-to-action

WEBINAR
8 Giugno 2022 - 12:00
Governance e sicurezza dei dati. Come gestirli al meglio?
Big Data
Sicurezza
@RIPRODUZIONE RISERVATA

Articolo 1 di 4