• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

Qual è la differenza tra intelligenza artificiale, apprendimento artificiale e deep learning per le ispezioni nel contesto dell'automazione industriale?

AI vs deep learning vs machine learning

Spesso può essere difficile distinguere i fatti dal marketing buzz quando si tratta di intelligenza artificiale (IA), in particolare nelle ispezioni nel contesto dell'automazione dello stabilimento. In numerosi modi, l'intelligenza artificiale fa già parte della nostra vita quotidiana e, in molti altri aspetti, la tecnologia è ancora un concetto futuristico.

I filtri antispam su un client di posta elettronica sfruttano l'intelligenza artificiale in maniera da non dover leggere i messaggi indesiderati.  Al contrario, un robot in grado di superare il test di Turing come C-3PO di Star Wars esiste soltanto nei film di fantascienza e negli spettacoli televisivi. Negli ultimi anni, la comodità del ricorso all'intelligenza artificiale ha conosciuto un'espansione enorme grazie al rapido miglioramento dei costi per la potenza di calcolo e il cloud storage, nonché all'aumento nella produzione di dati da immagini, testi, transazioni software e altro ancora. 

Termini quali intelligenza artificiale, apprendimento artificiale e deep learning sono spesso utilizzati in maniera intercambiabile, con una scarsa o nulla indicazione della spiegazione o del contesto in merito al significato di ciascun termine. Comprendendo le diverse sfumature dell'intelligenza artificiale, tra le quali l'apprendimento artificiale e il deep learning, sarà più facile capire come questa tecnologia stia e non stia aiutando i produttori e gli stabilimenti oggigiorno. 

Intelligenza artificiale – Compiti di programmazione con logica

Innanzitutto, l'intelligenza artificiale è un sottoinsieme dell'informatica nell'ambito del quale i sistemi informatici svolgono compiti di tipo umano (ad esempio, classificazione di immagini, riconoscimento vocale, traduzione di linguaggi) altrettanto bene o meglio degli umani. I concetti logici sono nati agli albori dell'informatica degli anni Cinquanta. 

L'intelligenza artificiale è vagamente segmentata in due: l'intelligenza artificiale ristretta (debole) e l'intelligenza artificiale generale (forte). L'ldquo;intelligenza artificiale generalerdquo; è quel concetto futuristico secondo il quale i robot agiscono e pensano come gli esseri umani. Forse un giorno avremo a che fare con robot senzienti, tuttavia, ai fini di questo articolo, ci concentreremo soltanto sull'ldquo;intelligenza artificiale ristrettardquo;, ossia su qualsiasi sistema informatico progettato per svolgere compiti specifici di tipo umano. 

L'intelligenza artificiale è in sintesi la disciplina che si occupa della creazione di algoritmi intelligenti. Inizialmente l'intelligenza artificiale era soltanto un insieme di istruzioni programmate per computer. Attualmente, può trattarsi di qualsiasi cosa che spazi da un insieme complicato di logica ad un algoritmo di auto-apprendimento che genera risultati basati su esempi di riferimento e con una programmazione minima da parte dell'uomo. 

Il funzionamento dei semafori è un esempio di intelligenza artificiale  nel mondo reale. Ciò che un tempo imponeva agli esseri umani di commutare dal rosso al verde, può oggi essere fatto con una logica e una programmazione intelligenti in maniera da consentire a un semaforo di rimanere verde per 45 secondi per poi diventare rosso. Tale esempio è noto come controllo a tempo fisso. Vi sono altri approcci per programmare una rete di semafori, come il controllo coordinato che cerca di fornire ai conducenti una lunga progressione di semafori verdi. Fondamentalmente, il funzionamento dei semafori consiste semplicemente nella loro programmazione affinché realizzino un compito specifico, in modo tale che gli esseri umani non debbano più svolgerlo manualmente. 

Apprendimento artificiale – L'applicazione dell'intelligenza artificiale 

L'apprendimento artificiale è stato sviluppato come un sottoinsieme dell'intelligenza artificiale ed è considerato una tecnica per conseguire l'intelligenza artificiale. L'apprendimento artificiale consiste nella pratica di utilizzare algoritmi per consentire ai sistemi informatici di apprendere dai dati e prendere decisioni. 

Nel corso degli anni gli algoritmi decisionali hanno incluso, tra gli altri, alberi decisionali, analisi di cluster, apprendimento per rinforzo e reti bayesiane. Tornando al nostro esempio del semaforo, gli algoritmi di apprendimento artificiale  possono essere utilizzati per contribuire a stabilire un modello per il periodo di tempo ottimale di commutazione dal rosso al verde in base all'ora del giorno o alla congestione del traffico. Ciò è qualcosa che le città come Las Vegas (NV) stanno già sperimentando a livello di progetto pilota con la speranza che l'apprendimento artificiale contribuisca a ridurre la congestione del traffico del 40%. L'apprendimento artificiale aiuta le città ad andare oltre la semplice programmazione dei semafori e a sfruttare i dati generati dalle auto per prendere decisioni ottimali su tale logica programmata. 

Infine, la visione industriale rappresenta uno dei migliori usi dell'apprendimento artificiale. Sfruttando i dati delle immagini acquisite dalle telecamere e una serie diversificata di algoritmi applicati a tali immagini, quali classificatori, strumenti di localizzazione e persino il riconoscimento ottico dei caratteri, il software di visione industriale è in grado di stabilire la presenza o l'assenza di un componente oppure, ad esempio, di misurare la larghezza tra due bordi o di identificare una stringa di caratteri su uno pneumatico. 

In Cognex, ci riferiamo alla visione industriale come a un approccio tradizionale o basato su regole per risolvere le sfide poste nell'ambito delle ispezioni. Le nostre regole, che sono tecnicamente degli algoritmi, sono in realtà soltanto degli strumenti software impiegati dagli esseri umani per programmare compiti specifici quali trovare due bordi di un componente e, successivamente, stabilire la larghezza tra tali bordi. Non pensiamo a tali regole come ad apprendimento artificiale o intelligenza artificiale anche se potrebbero rientrare in tale ambito. 

Deep Learning – La prossima evoluzione dell'ispezione 

Gli algoritmi di deep learning costituiscono  il sottoinsieme dell'intelligenza artificiale che più di recente si è guadagnato un posto di rilievo grazie ai continui progressi in termini di tecnologia. Il deep learning sfrutta i progressi compiuti nell'ambito dell'apprendimento artificiale, ma con alcune differenze fondamentali. 

Anziché affidarsi agli esseri umani per la programmazione dei compiti attraverso algoritmi informativi, il deep learning raggiunge i risultati adottando un approccio basato sull'esempio che imita l'apprendimento umano. Sfruttando le reti neurali, le applicazioni di ispezione basate sul deep learning creano collegamenti e individuano modelli a partire da insiemi enormi di dati. 

Supponiamo ad esempio che un produttore voglia rilevare i difetti nei prodotti che realizza. Un possibile approccio a questo compito consisterebbe nel ricorrere alla visione industriale tradizionale. Con la visione tradizionale, gli ingegneri dovrebbero programmare esplicitamente l'ispezione per tenere conto dei milioni di variazioni che potrebbero verificarsi: la dimensione e il tipo di difetto, la posizione dei difetti e così via. Si tratterebbe di un'applicazione molto dispendiosa in termini di tempo tanto per la manutenzione quanto per la programmazione a causa delle variazioni intrinseche. 

Adottando un approccio basato sul deep learning, l'algoritmo prende gli esempi forniti dall'utente e crea automaticamente una comprensione del componente da ispezionare. Creando un'ispezione che apprende a riconoscere l'aspetto di un componente conforme, anche tenendo conto di leggere variazioni, la soluzione può successivamente segnalare quando qualcosa sembra difettoso come ad esempio graffi, oggetti estranei o altri difetti visivi. Gli utenti possono quindi migliorare la soluzione fornendo ulteriori dati dai quali lo strumento possa apprendere. Maggiore è la quantità di dati a disposizione dell'applicazione di deep learning, migliore sarà il suo rendimento nel tempo nell'individuazione di anomalie. 

Il futuro delle ispezioni nel contesto dell'automazione dello stabilimento

Sebbene l'intelligenza artificiale continui ad essere sbandierata come una parola magica da parte degli uffici marketing di numerose aziende, è importante capire di cosa si tratta e cosa può e non può fare, soprattutto in un contesto di automazione dello stabilimento. 

In futuro, potrebbe non importare se l'approccio per risolvere un'ispezione sia basato su esempi o su regole o persino su una combinazione di entrambi. Per il momento, tuttavia, ogni approccio presenta i propri punti di forza e di debolezza e dovrebbe essere utilizzato di conseguenza. 

Per saperne di più sulle differenze tra le ispezioni basate su esempi e quelle basate su regole, scarica il nostro e-book gratuito: Deep learning e visione industriale a confronto

 

Altri post in merito a

Qual è la differenza tra intelligenza artificiale, apprendimento artificiale e deep learning per le ispezioni nel contesto dell'automazione industriale?

AI vs deep learning vs machine learning

Spesso può essere difficile distinguere i fatti dal marketing buzz quando si tratta di intelligenza artificiale (IA), in particolare nelle ispezioni nel contesto dell'automazione dello stabilimento. In numerosi modi, l'intelligenza artificiale fa già parte della nostra vita quotidiana e, in molti altri aspetti, la tecnologia è ancora un concetto futuristico.

I filtri antispam su un client di posta elettronica sfruttano l'intelligenza artificiale in maniera da non dover leggere i messaggi indesiderati.  Al contrario, un robot in grado di superare il test di Turing come C-3PO di Star Wars esiste soltanto nei film di fantascienza e negli spettacoli televisivi. Negli ultimi anni, la comodità del ricorso all'intelligenza artificiale ha conosciuto un'espansione enorme grazie al rapido miglioramento dei costi per la potenza di calcolo e il cloud storage, nonché all'aumento nella produzione di dati da immagini, testi, transazioni software e altro ancora. 

Termini quali intelligenza artificiale, apprendimento artificiale e deep learning sono spesso utilizzati in maniera intercambiabile, con una scarsa o nulla indicazione della spiegazione o del contesto in merito al significato di ciascun termine. Comprendendo le diverse sfumature dell'intelligenza artificiale, tra le quali l'apprendimento artificiale e il deep learning, sarà più facile capire come questa tecnologia stia e non stia aiutando i produttori e gli stabilimenti oggigiorno. 

Intelligenza artificiale – Compiti di programmazione con logica

Innanzitutto, l'intelligenza artificiale è un sottoinsieme dell'informatica nell'ambito del quale i sistemi informatici svolgono compiti di tipo umano (ad esempio, classificazione di immagini, riconoscimento vocale, traduzione di linguaggi) altrettanto bene o meglio degli umani. I concetti logici sono nati agli albori dell'informatica degli anni Cinquanta. 

L'intelligenza artificiale è vagamente segmentata in due: l'intelligenza artificiale ristretta (debole) e l'intelligenza artificiale generale (forte). L'ldquo;intelligenza artificiale generalerdquo; è quel concetto futuristico secondo il quale i robot agiscono e pensano come gli esseri umani. Forse un giorno avremo a che fare con robot senzienti, tuttavia, ai fini di questo articolo, ci concentreremo soltanto sull'ldquo;intelligenza artificiale ristrettardquo;, ossia su qualsiasi sistema informatico progettato per svolgere compiti specifici di tipo umano. 

L'intelligenza artificiale è in sintesi la disciplina che si occupa della creazione di algoritmi intelligenti. Inizialmente l'intelligenza artificiale era soltanto un insieme di istruzioni programmate per computer. Attualmente, può trattarsi di qualsiasi cosa che spazi da un insieme complicato di logica ad un algoritmo di auto-apprendimento che genera risultati basati su esempi di riferimento e con una programmazione minima da parte dell'uomo. 

Il funzionamento dei semafori è un esempio di intelligenza artificiale  nel mondo reale. Ciò che un tempo imponeva agli esseri umani di commutare dal rosso al verde, può oggi essere fatto con una logica e una programmazione intelligenti in maniera da consentire a un semaforo di rimanere verde per 45 secondi per poi diventare rosso. Tale esempio è noto come controllo a tempo fisso. Vi sono altri approcci per programmare una rete di semafori, come il controllo coordinato che cerca di fornire ai conducenti una lunga progressione di semafori verdi. Fondamentalmente, il funzionamento dei semafori consiste semplicemente nella loro programmazione affinché realizzino un compito specifico, in modo tale che gli esseri umani non debbano più svolgerlo manualmente. 

Apprendimento artificiale – L'applicazione dell'intelligenza artificiale 

L'apprendimento artificiale è stato sviluppato come un sottoinsieme dell'intelligenza artificiale ed è considerato una tecnica per conseguire l'intelligenza artificiale. L'apprendimento artificiale consiste nella pratica di utilizzare algoritmi per consentire ai sistemi informatici di apprendere dai dati e prendere decisioni. 

Nel corso degli anni gli algoritmi decisionali hanno incluso, tra gli altri, alberi decisionali, analisi di cluster, apprendimento per rinforzo e reti bayesiane. Tornando al nostro esempio del semaforo, gli algoritmi di apprendimento artificiale  possono essere utilizzati per contribuire a stabilire un modello per il periodo di tempo ottimale di commutazione dal rosso al verde in base all'ora del giorno o alla congestione del traffico. Ciò è qualcosa che le città come Las Vegas (NV) stanno già sperimentando a livello di progetto pilota con la speranza che l'apprendimento artificiale contribuisca a ridurre la congestione del traffico del 40%. L'apprendimento artificiale aiuta le città ad andare oltre la semplice programmazione dei semafori e a sfruttare i dati generati dalle auto per prendere decisioni ottimali su tale logica programmata. 

Infine, la visione industriale rappresenta uno dei migliori usi dell'apprendimento artificiale. Sfruttando i dati delle immagini acquisite dalle telecamere e una serie diversificata di algoritmi applicati a tali immagini, quali classificatori, strumenti di localizzazione e persino il riconoscimento ottico dei caratteri, il software di visione industriale è in grado di stabilire la presenza o l'assenza di un componente oppure, ad esempio, di misurare la larghezza tra due bordi o di identificare una stringa di caratteri su uno pneumatico. 

In Cognex, ci riferiamo alla visione industriale come a un approccio tradizionale o basato su regole per risolvere le sfide poste nell'ambito delle ispezioni. Le nostre regole, che sono tecnicamente degli algoritmi, sono in realtà soltanto degli strumenti software impiegati dagli esseri umani per programmare compiti specifici quali trovare due bordi di un componente e, successivamente, stabilire la larghezza tra tali bordi. Non pensiamo a tali regole come ad apprendimento artificiale o intelligenza artificiale anche se potrebbero rientrare in tale ambito. 

Deep Learning – La prossima evoluzione dell'ispezione 

Gli algoritmi di deep learning costituiscono  il sottoinsieme dell'intelligenza artificiale che più di recente si è guadagnato un posto di rilievo grazie ai continui progressi in termini di tecnologia. Il deep learning sfrutta i progressi compiuti nell'ambito dell'apprendimento artificiale, ma con alcune differenze fondamentali. 

Anziché affidarsi agli esseri umani per la programmazione dei compiti attraverso algoritmi informativi, il deep learning raggiunge i risultati adottando un approccio basato sull'esempio che imita l'apprendimento umano. Sfruttando le reti neurali, le applicazioni di ispezione basate sul deep learning creano collegamenti e individuano modelli a partire da insiemi enormi di dati. 

Supponiamo ad esempio che un produttore voglia rilevare i difetti nei prodotti che realizza. Un possibile approccio a questo compito consisterebbe nel ricorrere alla visione industriale tradizionale. Con la visione tradizionale, gli ingegneri dovrebbero programmare esplicitamente l'ispezione per tenere conto dei milioni di variazioni che potrebbero verificarsi: la dimensione e il tipo di difetto, la posizione dei difetti e così via. Si tratterebbe di un'applicazione molto dispendiosa in termini di tempo tanto per la manutenzione quanto per la programmazione a causa delle variazioni intrinseche. 

Adottando un approccio basato sul deep learning, l'algoritmo prende gli esempi forniti dall'utente e crea automaticamente una comprensione del componente da ispezionare. Creando un'ispezione che apprende a riconoscere l'aspetto di un componente conforme, anche tenendo conto di leggere variazioni, la soluzione può successivamente segnalare quando qualcosa sembra difettoso come ad esempio graffi, oggetti estranei o altri difetti visivi. Gli utenti possono quindi migliorare la soluzione fornendo ulteriori dati dai quali lo strumento possa apprendere. Maggiore è la quantità di dati a disposizione dell'applicazione di deep learning, migliore sarà il suo rendimento nel tempo nell'individuazione di anomalie. 

Il futuro delle ispezioni nel contesto dell'automazione dello stabilimento

Sebbene l'intelligenza artificiale continui ad essere sbandierata come una parola magica da parte degli uffici marketing di numerose aziende, è importante capire di cosa si tratta e cosa può e non può fare, soprattutto in un contesto di automazione dello stabilimento. 

In futuro, potrebbe non importare se l'approccio per risolvere un'ispezione sia basato su esempi o su regole o persino su una combinazione di entrambi. Per il momento, tuttavia, ogni approccio presenta i propri punti di forza e di debolezza e dovrebbe essere utilizzato di conseguenza. 

Per saperne di più sulle differenze tra le ispezioni basate su esempi e quelle basate su regole, scarica il nostro e-book gratuito: Deep learning e visione industriale a confronto

 

Altri post in merito a

RICHIEDI L'ACCESSO PER OTTENERE SUPPORTO E FORMAZIONE SUI PRODOTTI E MOLTO ALTRO

REGISTRATI A MYCOGNEX

AVETE DELLE DOMANDE?

I rappresentanti Cognex sono disponibili in tutto il mondo per supportarvi nelle vostre necessità di lettura dei codici a barre industriali

CONTATTI
Loading...