Nel mio ultimo articolo ho parlato dei Digital Twin.

Come promesso, volevo tornare sull’argomento, evidenziando in particolare il legami, tutti da esplorare e da sfruttare, con il Machine Learning. Sono stato però preceduto da ITRevolution, che ha pubblicato un articolo proprio sull’argomento, con un’ottica che non posso che condividere.

Nulla di strano o di male, tutti i miei articoli si appoggiano “sulle spalle dei giganti”, da cui ho imparato molte cose e che sono contento di raccontare ad altri, così come sono contento di dare credito a chi ce l’ha.

Oggi vi voglio parlare di Digital Twin, un altro dei pilastri, a mio avviso, di una moderna strategia digitale, in particolare per aziende manifatturiere, che ovviamente hanno a che fare con sistemi fisici.

È questo uno dei casi in cui mi pare che non si possa proprio fare a meno di utilizzare la forma inglese: penso che ben pochi capirebbero di cosa si sta parlando se dicessi “gemelli digitali” (forse un nuovo gruppo musicale?); invece l’espressione inglese, anche se ancora non proprio conosciuta da da tutti, è molto presente in tutti gli ambienti in cui i studia come sfruttare al massimo le più moderne tecniche ICT per ottenere il massimo dalla propria azienda, trasformandola in una “learning organization”.

Nel mio ultimo articolo dicevo tra l’altro come la possibilità di poter tenere sotto controllo con un solo sguardo un sistema complesso è qualcosa che potrebbe permettere alle nostre aziende di fare grandi passi avanti, tanto che lo considero uno dei “pilastri” di una strategia informatica moderna all’interno di un’azienda che voglia migliorare continuamente e quindi diventare una “learning organization”. 

Per ottenere questo risultato un cruscotto è lo strumento ideale. Ovviamente, un buon “cruscotto” (o “dashboard”, se preferite il termine inglese) non è la panacea di tutti i mali e nemmeno garantisce che l’organizzazione si stia orientando nella giusta direzione, ma sicuramente è uno strumento strategico, soprattutto se viene progettato con la mentalità giusta.

In un intervento precedente, descrivevo quelli che secondo me sono i pilastri informatici di una moderna industria manifatturiera (purtroppo mi tocca usare molto l’inglese, perché oramai certi nomi hanno assunto un significato specifico che non esiste in italiano …): machine learning, digital twins, ottimizzazione delle risorse e cruscotti. Vorrei provare ad allargare un po’ il quadro in cui si inseriscono le considerazioni fatte. I concetti che meglio esprimono quello che penso sono quelli di miglioramento continuo e di learning organization; due concetti fortemente interconnessi: non c’è miglioramento continuo se non c’è contemporaneamente l’attitudine ad imparare!

Vorrei riprendere da un altro punto di vista il discorso delle speranze e della paura che ci può fare l’intelligenza artificiale.

Me ne dà l’occasione un recente articolo di Andrew Ng, cui sono molto affezionato, sia perché cerca di mantenere un equilibrio molto difficile in un campo dove ci si muove tutti con molta difficoltà, sia perché in questo equilibrio mantiene comunque la “barra dritta” verso una visione positiva del mondo ed una (non credo mal riposta) fiducia nella capacità degli umani di dirigersi verso queste possibilità. Non certo da ultimo, molto di questo affetto dipende dal fatto che Andrew ha insegnato il machine learning a milioni (letteralmente) di persone, tra cui ci sono anch’io.

Nello scorso articolo si diceva: macchina vs umano 90 a 90 … sì, ma non è la fine del discorso. Dopo esserci dati la nostra brava spiegazione ed aver messo a riparo la nostra “macchina” dalle possibili critiche (“se neanche tra addestratori riusciamo a metterci d’accordo, come possiamo pretendere che la rete faccia meglio”?), ci sembrava che ci fosse ancora qualcosa da capire meglio e, soprattutto, volevamo capire come migliorare, anche perché oramai si trattava di mettere il sistema in produzione: ok, il 90% ci basta, ma già sappiamo, se n’è parlato in uno scorso articolo, che c’è sempre il rischio di una degradazione delle prestazioni, quindi è opportuno cercare di migliorare.

Ci si chiede spesso, a volte con entusiasmo, a volte con paura, se il machine learning possa rendere le “macchine” più forti (e magari anche più cattive …. impresa veramente ardua … come anche essere più buone) degli esseri umani.

La cosa è stata esplorata già molto tempo fa da scrittori e registi di fantascienza, con tutte le gradazioni del caso, che ne hanno tratto dei veri e propri capolavori, purtroppo non molto presi sul serio dalle “persone serie”.

Oggi voglio entrare un po’ più nel profondo di un aspetto tecnico, che ha grosse ripercussioni sulle possibilità, oggi, anche di una piccola o media azienda, di utilizzare tecniche di Machine Learning: il Transfer Learning.

Come al solito, per chi mi conosce, non parlo di cose dal solo punto di vista teorico e neppure di cose che stanno nell’ambito della ricerca avanzata: quello che mi interessa è far capire che queste tecniche sono veramente alla portata di chi vuole utilizzarle, soprattutto a livello industriale, che è l’ambito che mi interessa di più, e che, se anche non sono nuovissime, considerando la pazzesca velocità di evoluzione del campo, sono da una parte efficacissime e dall’altra ancora scarsamente utilizzate.

Qualche tempo fa, scrivevo, a proposito di trasformazione digitale: “… quindi dashboard, digital twin, ottimizzatori … ma … il “machine learning”? 

Il riferimento era ad una serie di cose concrete che si possono fare, e per le quali noi ci proponiamo come partner, per mettere in atto una trasformazione digitale che abbia veramente senso, che raggiunga cioè l’obiettivo di rendere l’azienda più efficace nel processo di creazione di benessere e ricchezza.
La risposta, per come la vedo io, è che dashboard, digital twin e ottimizzatori sono cose concrete che si possono fare, mentre il “machine learning” è una tecnologia, ma anche una metodologia, che si può usare per farle meglio e per fare in modo che siano più efficaci.

Nel mio ultimo articolo ho parlato di Selene Spa e di come il progetto di riconoscimento automatico dei difetti di produzione, che utilizza ADR-Flow, sia entrato in quella che chiamiamo “fase 3”.

Oggi vorrei spiegare meglio come si articola, nella nostra visione, un progetto di riconoscimento automatico dei difetti di produzione industriale e di come ADR-Flow fornisca un supporto completo in tutte le fasi del progetto.

Bisogna innanzitutto chiarire che un progetto di questo genere è quasi sempre supervisionato, infatti è molto difficile che un sistema sia in grado di capire da solo se una fotografia rappresenta un pezzo difettato o no, quindi nel progetto bisogna prevedere, soprattutto nelle sue fasi iniziali, che le immagini debbano essere classificate manualmente da un esperto al fine di poter addestrare il modello (quasi sempre una rete neurale profonda di tipo convolutorio), gli sviluppatori di ADR-Flow sono a disposizione.

Ma c’è qualcosa che necessariamente va fatto ancora prima: acquisire le immagini!

....