I moduli tecnologici di WATCHMAN: Intelligence
I sistemi di visione tradizionale si riferiscono a programmi di analisi immagini in cui i parametri e le soglie di elaborazione vengono impostati dai programmatori su base di esperienza e analisi statistiche del processo. Ciò si differenza dai modelli Deep learning, nei quali invece si “insegna” alla macchina quali immagini sono corrette e quali no, in modo che si crei un modello decisionale in base alle connessioni che vede all’interno di queste immagini.
Dal 2015 gli algoritmi di Intelligenza Artificiale basati su reti neurali convoluzionali deep hanno conseguito prestazioni superiori a quelle umane in numerosi compiti di analisi visiva. Tuttavia, in ambito manifatturiero, la Visione Artificiale basata sul Deep Learning è spesso vista come una soluzione costosa e con risultati poco affidabili e pertanto, nonostante i successi conseguiti in molti ambiti, tali algoritmi non sono stati ancora applicati in modo massiccio.
Il modulo Intelligence del progetto WATCHMAN si pone l’obiettivo di addestrare delle moderni reti neurali convoluzionali per la localizzazione, la segmentazione e la classificazione delle difettosità da rilevare, in maniera efficiente, cioè con la raccolta di pochi esempi di addestramento o con l’ausilio di un esperto di dominio che guidi in real-time l’apprendimento (human-in-the-loop)
Il progetto WATCHMAN vuole altresì tenere conto del fatto che, in alcune applicazioni industriali, la raccolta e la classificazione di grandi quantità di campioni difettosi possono essere impraticabili. Ciò si verifica nel momento in cui si vogliono rilevare difetti molto rari o nuovi difetti mai visti in precedenza e di conseguenza difettosità per le quali non esistono dati (un esempio di questa situazione si verifica quando la verniciatura di un prodotto assume una tonalità di colore diversa da quella richiesta e mai vista in precedenza).
La sfida del progetto WATCHMAN in queste situazioni critiche è quella di proporre un approccio per rilevare e localizzare i difetti utilizzando solo campioni privi di difetti per l’addestramento del modello, secondo i recenti sviluppi nell’apprendimento non supervisionato o auto supervisionato e tramite lo sviluppo di algoritmi di riconoscimento basati su reti neurali convoluzionali profonde (Deep Convolutional Neural Network e tecniche cosiddette “few-shot learning” .
In concreto, grazie ad un primo dataset basato sui dimostratori del progetto WATCHMAN, sarà possibile formare la conoscenza di base che verrà poi trasferita su altre problematiche che emergeranno nell’hub, sfruttando appunto il paradigma del transfer learning
SORINT.TEK, la business unit del gruppo Sorint con una consolidata esperienza nello sviluppo di soluzioni di advanced analytics basate su algoritmi di AI e competenze specifiche nell’analisi di immagini con tecniche di deep learning coordina il modulo di Intelligence in collaborazione con l’Università di Bergamo.
Con la collaborazione di Marco Pozzi di SORINT.tek scopriamo i dettagli di questo modulo, gli impatti attesi e l’avanzamento delle attività:
Quali sono i principali impatti attesi sul territorio?
L’utilizzo di tecnologie di intelligenza artificiale nei processi produttivi non prevede una fase del processo che sia potenzialmente più interessata di altre all’utilizzo di soluzioni AI-based ma il valore che si può ottenere dai dati e dal processo cognitivo assimilabile alla mente di una persona esperta si estende potenzialmente ad un numero infinito di applicazioni in ambito manufacturing. In particolare in un territorio a forte vocazione manifatturiera come quello lombardo, una soluzione realizzata e testata su due diversi verticali come Brembo e SALF, una soluzione pensata e sviluppata per essere replicabile su processi manifatturieri anche molto diversi, consentirà di integrare concretamente e facilmente l’AI nei processi produttivi, portandovi un valore facilmente quantificabile.
Quali sono le prospettive di sviluppo di questo modulo e i risultati attesi?
Una delle componenti innovative di progetto è l’applicazione industriale delle tecniche di meta-learning e di auto apprendimento citate precedentemente. Infatti, la sfida di questo modulo è proporre un approccio per rilevare e localizzare i difetti utilizzando solo campioni privi di difetti per l’addestramento del modello.
Come risultato si avrà la possibilità di replicare l’applicazione a fasi molto diverse del processo produttivo e soprattutto ad ambiti merceologici diversi. Quindi se i risultati attesi dal progetto sono in prima battuta comprendere quali siano le più appropriate ed efficaci tecniche di AI nell’ambito della visione artificiale industriale nell’applicazione di ambiti concreti, il secondo e non meno importante risultato sarà quello di rendere riapplicabili le soluzioni a diversi ambiti e fasi dei processi manifatturieri, con applicazione in ambiti di business anche molto diversi .
Quali sono le attività svolte in questa fase iniziale del progetto nel contesto di questo Modulo?
Nella prima fase, il gruppo di lavoro si è concentrato sulla ricerca in letteratura degli algoritmi che potrebbero essere applicati nel contesto delle attività del progetto Watchman in ambito Anomaly Detection e Meta Learning e Synthetic Data. Nel campo dell’Anomaly Detection è stata realizzata una panoramica sulle tecniche più importanti per la rilevazione dei difetti suddividendo i metodi tra soluzioni supervisionate, semi-supervisionate e non supervisionate.In ambito Meta Learning si è approfondita l’idea di trasferire la conoscenza da un ambito ad un altro focalizzandosi sul approccio che permette l’addestramento di una Rete Neurale Convoluzionale con un numero ridotto di immagini; La parte di Synthetic Data ha permesso di approfondire alcuni dei lavori più interessanti nel campo della generazione di dati sintetici per la realizzazione di dataset a basso costo.
