Intelligenza artificiale nel settore produttivo: Un glossario dei termini

deep learning glossary brain

Non è necessario un dottorato di ricerca per sentirsi a proprio agio nel parlare di intelligenza artificiale, anche se certamente aiuta. Tuttavia, conoscere alcuni termini e concetti di base relativi all'intelligenza artificiale può rendere molto più semplice dare un senso ai progressi più recenti nel campo della tecnologia e delle ispezioni nell'automazione dello stabilimento.

Questi sono i termini più comuni che emergono nelle conversazioni e negli articoli sull'intelligenza artificiale per l'automazione dello stabilimento.

Algoritmo: Un insieme di istruzioni e calcoli che aiutano un computer a raggiungere un obiettivo. Nell'automazione dello stabilimento, gli algoritmi possono ordinare serie enormi di dati provenienti da sensori, scanner e telecamere digitali per rivelare le inefficienze, aumentare la qualità e raccomandare miglioramenti. Un algoritmo di "apprendimento" utilizza metodologie basate su tentativi ed errori e di apprendimento tramite l'esempio per ottimizzare i processi di produzione senza l'intervento umano.

Intelligenza artificiale (IA): Tecniche informatiche che tentano di imitare il processo decisionale umano, utilizzando l'automazione per eseguire compiti difficili per gli esseri umani. Gli algoritmi di intelligenza artificiale sono fondamentali per l'automazione dello stabilimento perché possono utilizzare tecnologie quali il riconoscimento delle immagini e l'elaborazione del linguaggio naturale per ridurre l'errore umano e anticipare le sfide della produzione.

Big data: Tecnologie che riuniscono insiemi enormi di dati da molteplici fonti, utilizzando strumenti di analisi per generare intuizioni uniche. I big data gettano le basi dell'intelligenza artificiale dato che gli algoritmi di apprendimento richiedono un'enorme quantità di informazioni per emulare il processo decisionale umano e produrre previsioni accurate. Uno stabilimento automatizzato utilizza l'analisi di big data per informare le proprie iniziative di intelligenza artificiale.

Classificazione: Separazione dei dati in categorie distinte che migliorano l'efficacia dell'intelligenza artificiale. Nell'automazione dello stabilimento, i dispositivi di raccolta dati scansionano l'ambiente di produzione e riconoscono oggetti specifici quali componenti di macchine e componenti elettronici. Gli algoritmi di intelligenza artificiale classificano questi oggetti e li indirizzano verso la loro corretta destinazione nella linea di produzione.

Clustering: Segmentazione di una popolazione di punti di dati in cluster per determinare quali sono simili e quali sono diversi. Gli algoritmi di apprendimento scansionano i cluster per interpretarne il significato e prevedere un corretto corso d'azione. Ad esempio, gli algoritmi di clustering elaborano i dati provenienti da dispositivi di scansione ottica per determinare cosa fare quando una scansione rileva un difetto del prodotto.

Pulizia/pulitura dei dati: Rimozione dei dati difettosi per affinare l'efficacia di un algoritmo di apprendimento. L'intelligenza artificiale dipende da modelli di dati sofisticati che devono avere fonti di dati accurate, affidabili e coerenti. Purtroppo la raccolta dei dati produce spesso informazioni ridondanti, imprecise, non aggiornate o comunque inutili. Di conseguenza, effettuare una pulizia (o pulitura) dei dati riduce i rischi e migliora la precisione dell'intelligenza artificiale.

Deep learning: Una metodologia di intelligenza artificiale che utilizza reti neurali e algoritmi di apprendimento tramite l'esempio per migliorare sé stessa nel tempo senza l'aiuto umano. Gli algoritmi di deep learning diventano più efficaci quando elaborano un numero maggiore di dati, a differenza degli algoritmi basati su regole che sono soggetti a limiti rigidi in termini di capacità di elaborazione dei dati. Nell'automazione dello stabilimento, gli algoritmi di deep learning possono segnalare i difetti del prodotto in modi che rispecchiano la cognizione umana, soltanto molto più velocemente.

Scarica la nostra risorsa gratuita: E-book Deep learning e visione industriale a confronto

Riconoscimento delle immagini: Utilizzo dell'intelligenza artificiale per analizzare il contenuto di un'immagine digitale. Gli algoritmi di riconoscimento delle immagini scansionano milioni di pixel e applicano il deep learning per distinguere tra persone, luoghi e cose. Queste tecnologie consentono la scansione di codici a barre e ispezioni automatizzate che possono migliorare notevolmente la produttività di uno stabilimento automatizzato. Vedere anche: visione industriale.

Internet delle cose (IoT, Internet of Things): Una rete di sensori collegati a Internet per raccogliere informazioni in tempo reale dalle macchine e dal comportamento umano. I dispositivi includono telefoni cellulari, dispositivi indossabili, videocamere, monitor del traffico e sensori all'interno di macchinari e linee di produzione. I sensori IoT generano le enormi quantità di dati necessari per consentire l'apprendimento artificiale.

Apprendimento artificiale: Processi di calcolo che possono migliorare i risultati senza necessità di programmazione umana. Gli algoritmi di apprendimento artificiale addestrano un computer a cercare il successo ed evitare milioni di fallimenti per generare risultati di apprendimento. Il riconoscimento delle immagini, ad esempio, analizza milioni di immagini per discernere tra i diversi oggetti di un'immagine digitale. Vedere anche: dati di addestramento.

Visione industriale: Algoritmi basati su regole che identificano le caratteristiche specifiche di un oggetto. Le tecnologie di visione industriale utilizzano i dati ottenuti da scanner ottici e telecamere digitali per ispezionare componenti lungo le linee di produzione e scansionare i codici a barre presso i centri di distribuzione. Sebbene gli strumenti di visione industriale funzionino molto più rapidamente dell'occhio umano, il deep learning può migliorare notevolmente la precisione e l'efficacia di questi strumenti.

Reti neurali: Algoritmi e nodi di dati ispirati ai percorsi neurali del sistema nervoso umano. Una rete neurale emula il modo in cui le cellule nervose ricevono informazioni, le elaborano e le trasmettono ad altri nervi. Migliaia di nodi di elaborazione in una rete neurale trovano modelli nei dati quali immagini, testo e parole pronunciate. Tali modelli aiutano l'algoritmo a decidere cosa fare dopo e ad insegnare a sé stesso ad avere prestazioni migliori ogni volta che ha successo nello svolgimento di un compito.

Riconoscimento ottico dei caratteri (OCR): Tradurre numeri, lettere e caratteri stampati in dati digitali significativi. Sebbene la tecnologia OCR abbia decenni di storia, è ancora cruciale per l'automazione dello stabilimento e la distribuzione dei prodotti. Inoltre, le tecnologie dell'intelligenza artificiale forniscono un salto di qualità nella precisione dell'OCR, consentendo la scansione di etichette piegate, strappate, danneggiate e oscurate da involucri di plastica.

Automazione robotizzata dei processi (RPA, Robotic process automation): Dispositivi, software e processi che automatizzano i processi di produzione, migliorando la produttività e liberando le persone da compiti noiosi e ripetitivi. I dispositivi RPA includono bracci robotici che svolgono compiti quali la saldatura di componenti del settore automobilistico o l'assemblaggio di microprocessori. Il software RPA può includere algoritmi e applicazioni che automatizzano processi che in precedenza richiedevano un input umano.

Dati strutturati e dati non strutturati a confronto: Quadri distinti per aiutare le macchine a comprendere il significato dei dati e ad elaborarli con precisione. I dati strutturati sono memorizzati in formati coerenti, proprio come le righe, le colonne e le celle di un foglio di calcolo. I dati non strutturati sono come il testo in un file di elaborazione testi o i pixel in un video. Gli algoritmi di intelligenza artificiale consentono ai sistemi di automazione dello stabilimento di estrarre la conoscenza da entrambi i tipi di dati.

Intelligenza dello sciame (Swarm intelligence): Un insieme di algoritmi che lavorano insieme per produrre un'intelligenza che supera le capacità degli individui all'interno dello sciame. Modellato sul comportamento di api, pesci, uccelli e altri organismi sociali, un sistema di intelligenza dello sciame assegna compiti semplici e specifici ai singoli algoritmi di apprendimento artificiale. Consentire a questi algoritmi di lavorare insieme può produrre risultati di apprendimento molto più sofisticati di quanto un singolo algoritmo possa generare. Vedere anche: reti neurali.

Dati di addestramento: Informazioni digitali che alimentano l'apprendimento in un algoritmo di intelligenza artificiale. Gli algoritmi di deep learning e quelli di reti neurali devono conoscere la differenza tra i dati buoni e quelli cattivi. I dati di addestramento consentono a tali algoritmi di comprenderlo. In uno stabilimento automatizzato, ad esempio, le immagini digitali forniscono dati di addestramento che aiutano gli algoritmi ad imparare ad identificare le parti difettose delle macchine e a tenerle fuori dai prodotti finiti.

Impara come sfruttare le tecnologie di ispezione basate sull'intelligenza artificiale e il deep learning nella nostra scheda tecnica per il Deep Learning VisionPro.

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex