Il futuro dell'intelligenza artificiale applicato alle macchine di produzione

Lo staff di tec.news ha avuto l'opportunità di intervistare il professor Boning, Professore di Ingegneria Elettrica e Informatica al MIT e chiedere informazioni sugli ultimi sviluppi del machine learning, in particolare per le applicazioni industriali.

COMPETITIVITÀ INDUSTRIALE

tec.news: Potrebbe descrivere il progresso dell'intelligenza artificiale nel contesto delle operazioni e delle trasformazioni produttive?

Professor Boning: Cominciamo con un po' di storia delle operazioni e dei metodi di produzione. 30 anni fa, la metodologia Lean Manufacturing ha trasformato il settore industriale concentrandosi  sull'eliminazione dell'inventario in eccesso: le merci si ricevevano solo quando necessarie, riducendo i costi per lo stoccaggio e aumentando la produttività e il profitto.

Poi, 15 anni fa, c'è stato uno spostamento significativo della catena di approvvigionamento dal sourcing locale al sourcing globale con una forte dipendenza dall'Asia. La pandemia COVID-19 ha rivelato le debolezze intrinseche di questo tipo di sistema, con interruzioni della catena di approvvigionamento globale che hanno portato a carenze massive.

Inoltre, i recenti progressi nel rilevamento, nel calcolo potente a basso costo e negli strumenti software mettono a disposizione opportunità quali nuove applicazioni utili ai nuovi sistemi di produzione.

tec.news: Potrebbe descrivere quali sono, secondo lei, le principali sfide all'applicazione dell'intelligenza artificiale per i sistemi di produzione industriali?

Professor Boning: Il mio percorso di ricerca e esperienza mi ha portato alla conclusione che portare l'intelligenza artificiale nella produzione pone delle sfide al produttore medio. A causa dei processi personalizzati, l'apprendimento automatico off-the-shelf è difficile da applicare nella maggior parte dei casi: le macchine devono essere istruite da un utente che comprende completamente il problema per cercare una soluzione efficace. La mia ricerca si basa sul concetto che, per rendere più efficaci i risultati ci si debba focalizzare sullo sviluppo professionale di persone che siano "traduttori" con conoscenze sia nell'apprendimento automatico che nei processi di produzione. È un vero e proprio lavoro che deve essere insegnato nelle università partendo dalle fondamenta dell'apprendimento automatico come base, in modo che possano portare questa abilità necessaria ai futuri datori di lavoro.

Il primo passo nel machine learning è avere i dati appropriati, non dei semplici dati, che in sè non sono sufficienti: è necessario avere dati rilevanti. Ci sono tecniche di apprendimento automatico tra cui metodi statistici, alberi decisionali, modelli Random Forest, reti neurali, analisi delle serie temporali, ecc. che dovrebbero essere applicate utilizzando l'ingegneria pratica e il giudizio aziendale. Altri fattori da considerare sono i metodi per trattare i dati outlier, la strutturazione dei dati, il rilevamento di anomalie e difetti e la deriva del modello. La deriva del modello è il fenomeno per cui le correlazioni dei dati, fatte in un determinato momento, cambiano nel corso delle settimane, dei mesi o degli anni man mano che le attrezzature di processo invecchiano o i processi di produzione stessi cambiano impercettibilmente nel tempo.

In breve, sviluppare con successo un modello di apprendimento automatico richiede un'ampia comprensione della modellazione dei dati e l'accesso ai giusti dati.

tec.news: Come vede il ruolo delle partnership tra industria e università nell'aiutare a risolvere questi problemi?

Professor Boning: Le partnership tra industria e università sono fondamentali per fornire piattaforme del mondo reale e case studies per indagare e testare nuovi approcci e ipotesi. In sostanza sono entrambi necessari per affrontare i bisogni del mondo reale. Il MIT ha una lunga storia di collaborazioni, e attraverso organizzazioni come l'MTL e altri centri del MIT, siamo in grado di sfruttare i punti di forza dell'ambiente industriale e accademico e di vivere lo spirito del nostro motto, MENS ET MANUS, ovvero la fusione di teoria e pratica.

tec.news: What do you see as the future of machine learning and the outcome of these programs?

Professor Boning: Machine Learning is critical for the next evolution of manufacturing processes.
The work we are doing today helps lay the foundation for the future. These programs teach necessary concepts and skills that these students will bring to future employers, who in turn, will benefit from competitive advantage.­