• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

Quello che AlphaGo insegna ai produttori sull'automazione industriale basata sul deep learning

alphaGo and deep learning

Nella primavera del 2016, Lee Sedol, uno dei migliori giocatori di Go del mondo, ha affrontato un avversario che non solo lo avrebbe battuto con un ampio margine in una sfida su cinque partite, ma che in definitiva avrebbe spinto Sedol a effettuare alcune delle migliori giocate di Go della sua carriera.

Il suo avversario? Un computer dotato di intelligenza artificiale chiamato AlphaGo sviluppato dal team DeepMind di Google.

Il Go è un antico gioco di guerra astratta cinese, la cui complessità eclissa persino quella degli scacchi. Le potenziali configurazioni della tavola da gioco sono più numerose degli atomi nell'universo e la maggior parte della comunità Go riteneva che ci sarebbe voluto un decennio o più prima che un computer fosse in grado di cogliere tali complessità decisionali per poter essere competitivo con i migliori giocatori umani.

Purtroppo, come Lee Sedol ha appreso, i computer sono decisamente in grado di giocare a Go e di farlo ad un livello molto elevato. Così elevato, infatti, che Sedol ha recentemente annunciato il suo ritiro dal gioco competitivo insistendo sul fatto che l'intelligenza artificiale è ldquo;un'entità che non può essere sconfittardquo;.

Il deep learning imita l'intuizione umana

AlphaGo ha imparato a giocare a Go attraverso il deep learning. Inizialmente, al sistema informatico sono stati forniti dati di gioco affinché apprendesse le mosse di base, le regole e la strategia; successivamente, utilizzando algoritmi di deep learning, si è allenato su dati di gioco reali. AlphaGo era alimentato da due reti neurali: una ldquo;rete per le politicherdquo; per selezionare la mossa successiva da giocare e una ldquo;rete per i valorirdquo; per prevedere il vincitore della partita da ogni posizione.

Mentre gioca, la rete neurale di AlphaGo si affina e si aggiorna per prevedere le mosse, nonché l'eventuale vincitore delle partite. Ad ogni iterazione, le prestazioni del sistema migliorano leggermente e la qualità delle partite giocate in self-play aumenta, portando a reti neurali sempre più precise e a versioni sempre più forti di AlphaGo.

Sedol è paragonabile ad altri grandi sportivi, bravo quanto Roger Federer nel tennis o Tiger Woods nel golf o LeBron James nella pallacanestro. Eppure, un modo di interpretare la sua ormai famigerata partita contro AlphaGo consiste nell'affermare che ha perso di larga misura contro un avversario notevolmente superiore, che si è basato sull'intelligenza artificiale. Tuttavia, ciò lascia immaginare ipotesi attraverso il prisma dell'uomo contro la macchina. Un altro modo di interpretare tale partita è attraverso due mosse chiave, una giocata da ciascun avversario, che suggeriscono che l'intelligenza artificiale non è qui per sostituire gli esseri umani, quanto piuttosto che gli esseri umani potenziati da strumenti quali il deep learning e le reti neurali rappresentano il futuro dell'automazione industriale.

Durante la seconda partita, alla mossa 37 AlphaGo ha compiuto una mossa inaspettata, quella che viene chiamata un ldquo;colpo di spallardquo; sull'angolo in alto a destra della tavola di gioco. Tale mossa è stata così insolita nel contesto del gioco tipico da costringere Sedol a lasciare il gioco per 15 minuti per calmarsi. I commentatori hanno definito tale mossa ldquo;bellissimardquo;, ldquo;una mossa molto stranardquo; e persino ldquo;un errorerdquo;. Tuttavia quei commentatori non potevano elaborare ciò che il computer poteva invece fare: tale mossa costituiva una possibilità su 10.000 di vincere in definitiva la partita.

Nella quarta partita, alla mossa 87, più o meno la stessa cosa è successa nuovamente, ma questa volta è stato Lee Sedol a disorientare il computer con una mossa che da allora è stata soprannominata ldquo;mano di Diordquo;. AlphaGo è rimasto effettivamente perplesso perché non poteva considerare tale mossa: una mossa che aveva calcolato un essere umano avrebbe potuto giocare una volta su 10.000. Successivamente Lee ha affermato che era stata la mossa inaspettata del computer durante la seconda partita a consentirgli di vedere meglio la tavola di gioco e ad averlo portato a giocare la sua mossa inaspettata.

Come Christopher Moyer osserva in The Atlantic: ldquo;l'insegnamento importante da trarre da questa serie non è che l'intelligenza artificiale di DeepMind può imparare a vincere a Go, quanto piuttosto che, per estensione, può apprendere a fare qualsiasi cosa più semplice di Go: il che significa innumerevoli cose. Le modalità di applicazione di questi progressi rivoluzionari nell'apprendimento artificiale (nella capacità delle macchine di imitare la creatività e l'intuizione umane) sono praticamente infiniterdquo;.

Il deep learning nello stabilimento

La tecnologia alla base del trionfo di AlphaGo contro un avversario umano non è una visione troppo precipitosa del futuro. Si tratta proprio della realtà odierna. Chiaramente ci sono numerose applicazioni di ispezione basate sul deep learning e sulle reti neurali per l'automazione dello stabilimento in settori quali quello automobilistico, dell'elettronica di consumo e delle scienze biologiche. La capacità di riconoscere difetti o anomalie nei componenti costituisce un'applicazione perfetta per il deep learning all'interno di uno stabilimento.

Inoltre, proprio come AlphaGo ha utilizzato flussi di dati nuovi per migliorare le proprie prestazioni, anche i team dedicati all'automazione dello stabilimento possono sfruttare il deep learning e i flussi continui di dati per migliorare le ispezioni dei componenti, il controllo finale dell'assemblaggio, il rilevamento dei difetti e altre applicazioni chiave per lo stabilimento. Formare gli esseri umani e farli lavorare con sistemi di intelligenza artificiale per aiutarli a migliorare le loro prestazioni è la prossima evoluzione della visione industriale nella produzione.

Come dimostrato da AlphaGo, il deep learning combina la creatività e il processo decisionale umani con l'affidabilità e la scalabilità di un sistema informatico in grado di lavorare 24 ore al giorno, 7 giorni la settimana per 365 giorni l'anno. Si tratta di uno strumento per aiutare gli esseri umani a lavorare in maniera più efficiente, ma nel suo aspetto migliore può spingere gli esseri umani a diventare più bravi in quello che fanno rispetto a quanto pensavano fosse possibile in precedenza.

Per sapere come si può sfruttare il deep learning per risolvere ispezioni complesse nella produzione scarica il nostro e-book gratuito, Visione industriale e deep learning a confronto

Altri post in merito a

Quello che AlphaGo insegna ai produttori sull'automazione industriale basata sul deep learning

alphaGo and deep learning

Nella primavera del 2016, Lee Sedol, uno dei migliori giocatori di Go del mondo, ha affrontato un avversario che non solo lo avrebbe battuto con un ampio margine in una sfida su cinque partite, ma che in definitiva avrebbe spinto Sedol a effettuare alcune delle migliori giocate di Go della sua carriera.

Il suo avversario? Un computer dotato di intelligenza artificiale chiamato AlphaGo sviluppato dal team DeepMind di Google.

Il Go è un antico gioco di guerra astratta cinese, la cui complessità eclissa persino quella degli scacchi. Le potenziali configurazioni della tavola da gioco sono più numerose degli atomi nell'universo e la maggior parte della comunità Go riteneva che ci sarebbe voluto un decennio o più prima che un computer fosse in grado di cogliere tali complessità decisionali per poter essere competitivo con i migliori giocatori umani.

Purtroppo, come Lee Sedol ha appreso, i computer sono decisamente in grado di giocare a Go e di farlo ad un livello molto elevato. Così elevato, infatti, che Sedol ha recentemente annunciato il suo ritiro dal gioco competitivo insistendo sul fatto che l'intelligenza artificiale è ldquo;un'entità che non può essere sconfittardquo;.

Il deep learning imita l'intuizione umana

AlphaGo ha imparato a giocare a Go attraverso il deep learning. Inizialmente, al sistema informatico sono stati forniti dati di gioco affinché apprendesse le mosse di base, le regole e la strategia; successivamente, utilizzando algoritmi di deep learning, si è allenato su dati di gioco reali. AlphaGo era alimentato da due reti neurali: una ldquo;rete per le politicherdquo; per selezionare la mossa successiva da giocare e una ldquo;rete per i valorirdquo; per prevedere il vincitore della partita da ogni posizione.

Mentre gioca, la rete neurale di AlphaGo si affina e si aggiorna per prevedere le mosse, nonché l'eventuale vincitore delle partite. Ad ogni iterazione, le prestazioni del sistema migliorano leggermente e la qualità delle partite giocate in self-play aumenta, portando a reti neurali sempre più precise e a versioni sempre più forti di AlphaGo.

Sedol è paragonabile ad altri grandi sportivi, bravo quanto Roger Federer nel tennis o Tiger Woods nel golf o LeBron James nella pallacanestro. Eppure, un modo di interpretare la sua ormai famigerata partita contro AlphaGo consiste nell'affermare che ha perso di larga misura contro un avversario notevolmente superiore, che si è basato sull'intelligenza artificiale. Tuttavia, ciò lascia immaginare ipotesi attraverso il prisma dell'uomo contro la macchina. Un altro modo di interpretare tale partita è attraverso due mosse chiave, una giocata da ciascun avversario, che suggeriscono che l'intelligenza artificiale non è qui per sostituire gli esseri umani, quanto piuttosto che gli esseri umani potenziati da strumenti quali il deep learning e le reti neurali rappresentano il futuro dell'automazione industriale.

Durante la seconda partita, alla mossa 37 AlphaGo ha compiuto una mossa inaspettata, quella che viene chiamata un ldquo;colpo di spallardquo; sull'angolo in alto a destra della tavola di gioco. Tale mossa è stata così insolita nel contesto del gioco tipico da costringere Sedol a lasciare il gioco per 15 minuti per calmarsi. I commentatori hanno definito tale mossa ldquo;bellissimardquo;, ldquo;una mossa molto stranardquo; e persino ldquo;un errorerdquo;. Tuttavia quei commentatori non potevano elaborare ciò che il computer poteva invece fare: tale mossa costituiva una possibilità su 10.000 di vincere in definitiva la partita.

Nella quarta partita, alla mossa 87, più o meno la stessa cosa è successa nuovamente, ma questa volta è stato Lee Sedol a disorientare il computer con una mossa che da allora è stata soprannominata ldquo;mano di Diordquo;. AlphaGo è rimasto effettivamente perplesso perché non poteva considerare tale mossa: una mossa che aveva calcolato un essere umano avrebbe potuto giocare una volta su 10.000. Successivamente Lee ha affermato che era stata la mossa inaspettata del computer durante la seconda partita a consentirgli di vedere meglio la tavola di gioco e ad averlo portato a giocare la sua mossa inaspettata.

Come Christopher Moyer osserva in The Atlantic: ldquo;l'insegnamento importante da trarre da questa serie non è che l'intelligenza artificiale di DeepMind può imparare a vincere a Go, quanto piuttosto che, per estensione, può apprendere a fare qualsiasi cosa più semplice di Go: il che significa innumerevoli cose. Le modalità di applicazione di questi progressi rivoluzionari nell'apprendimento artificiale (nella capacità delle macchine di imitare la creatività e l'intuizione umane) sono praticamente infiniterdquo;.

Il deep learning nello stabilimento

La tecnologia alla base del trionfo di AlphaGo contro un avversario umano non è una visione troppo precipitosa del futuro. Si tratta proprio della realtà odierna. Chiaramente ci sono numerose applicazioni di ispezione basate sul deep learning e sulle reti neurali per l'automazione dello stabilimento in settori quali quello automobilistico, dell'elettronica di consumo e delle scienze biologiche. La capacità di riconoscere difetti o anomalie nei componenti costituisce un'applicazione perfetta per il deep learning all'interno di uno stabilimento.

Inoltre, proprio come AlphaGo ha utilizzato flussi di dati nuovi per migliorare le proprie prestazioni, anche i team dedicati all'automazione dello stabilimento possono sfruttare il deep learning e i flussi continui di dati per migliorare le ispezioni dei componenti, il controllo finale dell'assemblaggio, il rilevamento dei difetti e altre applicazioni chiave per lo stabilimento. Formare gli esseri umani e farli lavorare con sistemi di intelligenza artificiale per aiutarli a migliorare le loro prestazioni è la prossima evoluzione della visione industriale nella produzione.

Come dimostrato da AlphaGo, il deep learning combina la creatività e il processo decisionale umani con l'affidabilità e la scalabilità di un sistema informatico in grado di lavorare 24 ore al giorno, 7 giorni la settimana per 365 giorni l'anno. Si tratta di uno strumento per aiutare gli esseri umani a lavorare in maniera più efficiente, ma nel suo aspetto migliore può spingere gli esseri umani a diventare più bravi in quello che fanno rispetto a quanto pensavano fosse possibile in precedenza.

Per sapere come si può sfruttare il deep learning per risolvere ispezioni complesse nella produzione scarica il nostro e-book gratuito, Visione industriale e deep learning 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...