Con il termine Machine Learning (letteralmente “apprendimento automatico”) si indica in letteratura una branca dell’Intelligenza Artificiale, composta da classi di algoritmi in grado di migliorare in modo autonomo o semi-autonomo attraverso l’esperienza.

Le principali tecnologie abilitanti per lo sviluppo di questa branca sono stati i progressi hardware (velocità di elaborazione e trasmissione dell’informazione), e software (in particolare tecnologie di big data, ovvero basi di dati con capacità esponenzialmente superiori rispetto al passato).

L’enorme disponibilità di dati e potenza di calcolo infatti, rende possibile creare algoritmi con capacità di ricevere e processare quantità enormi di dati, basando perciò su questi la propria capacità di crescita ed apprendimento.

Questi algoritmi vengono utilizzati per l’analisi di dati prodotti da diverse aree aziendali, e per l’adempimento di compiti che richiedono un’elevata adattabilità e capacità di reazione.

Scopriamo insieme le principali tecniche per l’apprendimento automatico, e quali sono i principali utilizzi possibili:

Regole associative

Si tratta di algoritmi in grado di estrarre un elenco di regole (regole associative), espresse nella forma “se A -> allora B”.

Le regole, potenzialmente migliaia, vengono quindi selezionate e filtrate attraverso i concetti di confidenza e supporto, che indicano rispettivamente quanto la regola è precisa, e diffusa, nei dati analizzati.

Le regole associative possono venire utilizzate per:

• analisi dei pattern di acquisto dei consumatori (esempio: “chi compra il prodotto X compra anche il prodotto Y con probabilità Z”), per organizzare di conseguenza le attività di marketing, pubblicitaria, e progettazione layout punti vendita
• analisi di dati raccolti da studi su caratteristiche e abitudini dei consumatori (esempio: età = 30-39 e sposato = si -> numero di automobili = 2)
• trovare gruppi di clienti target con caratteristiche uniformi
• eseguire predizioni su dati raccolti basate sull’associazione
• identificare su richiesta il prodotto migliore per un cliente

Clustering

Si tratta di tecniche utilizzate per la suddivisione (partizionamento) di un set di dati in gruppi omogenei tra loro per caratteristiche.

Spesso includono valutazioni aggiuntive rispetto alla tolleranza al rumore, e alla scalabilità del tempo impiegato rispetto al numero di dati.

Gli algoritmi di clustering possono venire utilizzati per:

• ricavare informazioni sugli avanzamenti registrati in produzione
• eseguire il partizionamento di macchine in gruppi e reparti omogenei
• eseguire raggruppamenti di movimentazioni o spedizioni in ambito logistico e distributivo.
• individuazione di famiglie di prodotto simili

Alberi decisionali

Gli alberi decisionali, o algoritmi di classificazione, utilizzano l’esperienza acquisita su dati già classificati in passato, per eseguire la classificazione di nuove informazioni non note.

Vengono principalmente utilizzati per eseguire previsioni riguardo ad andamenti futuri di valori, ed i risultati ottenuti sono valutati in termini di accuratezza della previsione.

L’analisi può essere ulteriormente migliorata attraverso tecniche di esplorazione delle informazioni, quale ad esempio la valutazione del guadagno informativo, concetto che esprime la qualità dell’informazione ottenibile proseguendo l’esplorazione dei dati in una direzione.

Esempi di utilizzo per i classificatori sono:

• classificazione di clienti in segmenti
• previsione di indicatori relativi alla produzione
• previsione voci di spesa
• predizione probabilità di successo, criticità o ritardi nelle lavorazioni programmate.
• classificazione automatica di immagini, e-mail e testi
• predizione delle categorie di interesse per un cliente
• individuazione delle cause di guasto in prodotti
• predizione degli stati di funzionamento e salute per gli impianti di produzione e i relativi componenti

Tra gli strumenti per l’analisi dei dati, risultano tra quelli più facili da comprendere, implementare, e computazionalmente economici.

Classificatori a regole

Si tratta di tecniche per l’esplorazione di informazioni, che derivano da queste un insieme di regole (es. “partorisce = no” and “vola = no” -> rettile).

Queste regole, vengono quindi valutate e filtrate rispetto alla validità (copertura) che hanno sui dati di test. Al termine, potranno essere utilizzate per classificare le nuove istanze di dati forniti all’algoritmo.

Pur utilizzando algoritmi differenti, funzionalità e utilizzi per questo insieme di tecniche sono analoghi ai classificatori di cui sopra, ovvero predizione di valori e attribuzione di classi/categorie ad elementi.

Reti neurali

Anche in questo caso si tratta di sistemi per la predizione di valori, che vengono realizzati prendendo come modello la struttura del cervello umano. In modo totalmente analogo, viene creata una rete di “neuroni”, ognuno dei quali è dotato di un “peso” inizialmente casuale. La rete quindi viene inizializzata con dati di test, in modo che la struttura dei pesi venga rimodellata per rappresentare correttamente la relazione tra i dati di input e output forniti al modello durante la fase di training.

Al termine dell’addestramento, la rete potrà venire utilizzata per ricevere nuovi dati di input, e sarà in grado perciò di generare i relativi dati di output.

I principali utilizzi per le reti neurali sono:

• predizione di valori relativi a parametri macchina a basso livello
• predizione di valori relativi a indicatori di produttività ad alto livello
• filtraggio di dati
• riclassificazione di dati corrotti
• regolarizzazione segnali di input
• identificazione di difetti o anomalie di produzione
• implementazione sistemi di machine vision
• sviluppo di robot collaborativi (co-bot) con capacità di apprendimento
• tracciamento di flotte di veicoli e gestione di sistemi per la supply chain
• regolazione di parametri di produzione per riduzione di tempi, costi o consumi
• previsione di tempi per la manutenzione predittiva

Regressione

Si intende con regressione un insieme di tecniche statistiche che consente la previsione di valori, a partire dall’andamento statistico di valori precedenti. La forma più semplice di regressione è la regressione lineare, ma è possibile utilizzare altre tecniche basate su modelli statistici differenti, o che tengano conto di stagionalità presente nei dati.

Vengono utilizzate per:

• Individuazione e monitoraggio di derive in parametri macchina e gestione allarmi
• Previsione di tempi di ciclo effettivi
• Previsione della domanda di mercato
• Previsione sull’andamento di prezzi delle materie prime
• Previsione su durata prevista componenti
• Previsione di tempi per la manutenzione predittiva
• Calcolo di durata e usura degli utensili

Rilevamento delle anomalie

Si tratta di classi di algoritmi in grado di rilevare valori anomali all’interno di un insieme di dati.

Vengono utilizzati principalmente per:

Filtraggio e pulizia dei dati

• Individuazione di outlier all’interno di insiemi di dati
• Rilevamento di frodi e attività sospette in sistemi fisici o virtuali
• Individuazione di anomalie in parametri di processo

Nei casi di utilizzo pratico, le tecniche appena viste vengono spesso utilizzate congiuntamente, per formare sistemi complessi di analisi su più livelli.

Come potete vedere dagli esempi di cui sopra, le applicazioni e gli ambiti di utilizzo per gli algoritmi di Machine Learning sono molteplici, e si estendono dalle aree di gestione della produzione, alla logistica, al controllo qualità e al marketing.

SmartMan, l’ERP per la gestione dell’impresa in chiave Industria 4.0, include uno specifico modulo Artificial Intelligence, completamente integrato con la gestione avanzata delle aree logistico-produttive offerte dai moduli della suite HyperPLANT:

• HyperSCHED: lo schedulatore visuale per la programmazione intelligente delle attività
• HyperMES: sistema per la rilevazione di avanzamento flessibile e personalizzabile
• HyperTAB: software pc e mobile per le dichiarazioni operatore a bordo macchina
• HyperCONN e HyperGWAY: connettori ad hoc per l’integrazione di impianti in ottica Industria 4.0

Se desiderate ulteriori informazioni, se le soluzioni viste potrebbero aiutare la vostra azienda a migliorare il controllo sui processi, aumentare i margini, e gestire più correttamente procedure e informazioni aziendali, non esitate a contattarci: con l’aiuto di un team di esperti individueremo la soluzione più adatta a coprire le esigenze aziendali, sempre in ottica Industria 4.0 e trasformazione digitale.