Un'introduzione al deep learning per la produzione

Quando si pensa a come descrivere il concetto di casa a un bambino, un approccio potrebbe essere quello di disegnare un quadrato con un triangolo in cima, una porta ed alcune finestre e affermare “questa è una casa”. Un altro approccio consiste nel mostrare a tale bambino varie immagini di case diverse e lasciare che il bambino cominci a comprendere che cos'è una casa. Alla fine quel bambino potrebbe guardare un edificio simile come ad esempio un condominio e comprendere innatamente le differenze tra i due.
Apprendendo a riconoscere una casa attraverso immagini di case, il bambino impara attraverso esempi. Questo processo costituisce sostanzialmente il cuore del deep learning, in particolare nella produzione.
Il deep learning è un sottoinsieme dell'intelligenza artificiale, nonché parte della più ampia famiglia dell'apprendimento artificiale. In sostituzione degli umani che programmano applicazioni informatiche specifiche per compiti specifici, il deep learning prende dati non strutturati e si addestra a produrre risultati più accurati in base a tali dati di addestramento. Le applicazioni di deep learning apprendono e risolvono compiti ristretti senza essere esplicitamente programmate per farlo.
Il deep learning, quindi, non è soltanto una tecnologia esotica che aiuterà gli esseri umani in futuro. Sta risolvendo problemi, tanto banali quanto importanti, già in questo momento: riconoscimento facciale per sbloccare telefoni o identificare amici su foto di social media, motori di raccomandazioni su streaming video e servizi musicali o durante gli acquisti su siti di e-commerce, diagnostica per immagini (contribuendo ad esempio a diagnosticare malattie quali i tumori), filtri anti-spam nelle e-mail e rilevamento di frodi con carta di credito.
Le applicazioni di deep learning prosperano nell'essere in grado di riconoscere in maniera coerente e in scala le anomalie e la varianza tra un insieme di dati. È un'attività che gli umani fanno intrinsecamente bene, quella di individuare ciò che è diverso o di comprendere ciò che rappresenta una casa, ma che fino ad ora i sistemi informatici basati su una programmazione rigida non erano in grado di compiere.
Gli esseri umani, però, si stancano facilmente nello svolgere i loro processi decisionali, mentre i computer no. Ecco perché il deep learning, se implementato per i giusti tipi di applicazioni in combinazione con la visione industriale, può fornire vantaggi agli stabilimenti produttivi e alle aziende manifatturiere in modi che altre tecnologie emergenti potrebbero richiedere anni per ripagarsi.
La tecnologia di deep learning viene utilizzata per prevedere i modelli e prendere decisioni aziendali critiche. Questa stessa tecnologia sta ora migrando verso pratiche di produzione avanzate per l'ispezione della qualità e altri casi di applicazioni valutative, quali il rilevamento dei difetti o la verifica di assemblaggi finali.
Gran parte del deep learning si basa sul lavoro di reti neurali. Quando si addestra il lavoro di una rete neurale, i dati di addestramento vengono inviati allo strato di fondo, il livello di input, e passano attraverso i successivi strati computazionali dove vengono moltiplicati e sommati in modi complessi, fino a giungere alla fine, radicalmente trasformati, allo strato di produzione di un esito. Questo è il livello al quale il programma stabilisce perché un'immagine è una casa e non, ad esempio, un cane.
L'esplosione delle tecnologie di deep learning è dovuta in gran parte a quella della popolarità dei videogiochi moderni. Secondo il MIT, “le complessità delle immagini e il ritmo rapido dei videogiochi di oggi richiedono un hardware in grado di tenere il passo, e il risultato è stato l'unità di elaborazione grafica (GPU), che racchiude migliaia di pacchetti di core di elaborazione relativamente semplici su un singolo chip. I ricercatori non hanno impiegato molto tempo a realizzare che l'architettura di una GPU è estremamente simile a quello di una rete neurale”.
Queste GPU moderne e ad alte prestazioni hanno consentito la creazione delle reti neurali a 50 strati esistenti attualmente, circostanza che ha respo possibile applicazioni di deep learning. Le tecnologie produttive hanno così acquisito nuove straordinarie capacità di riconoscimento di immagini e tendenze, di fare previsioni e di prendere decisioni intelligenti.
Per saperne di più sulle tecnologie di deep learning per la produzione scarica il nostro e-book gratuito, Deep learning e visione industriale a confronto.