Come la visione industriale e il deep learning consentono l'automazione dello stabilimento
Il ritmo del cambiamento tecnologico nell'ultimo decennio è stato pressoché senza precedenti nella storia dell'umanità ed è destinato a diventare ancora più mozzafiato negli anni a venire: blockchain, robotica, edge computing, intelligenza artificiale (IA), big data, stampa 3D, sensori, visione industriale, Internet delle cose, sono soltanto alcuni dei grandi cambiamenti tecnologici in atto nelle industrie.
Una pianificazione strategica dell'adozione e dell'utilizzo di alcune o di tutte queste tecnologie sarà fondamentale nell'industria manifatturiera. Negli Stati Uniti la produzione manufatturiera rappresenta attività economiche che annualmente valgono 2,17 trilioni di USD; tuttavia McKinsey prevede che entro il 2025, ossia soltanto tra mezzo decennio, le “fabbriche intelligenti” potrebbero generare un valore pari a fino a 3,7 trilioni di USD. In altre parole, le aziende che sono in grado di trasformare rapidamente le loro fabbriche in hub di automazione intelligenti saranno quelle che trarranno vantaggi vincenti nel lungo termine da tali investimenti.
“Le aziende che rimarranno bloccate alla vecchia maniera di procedere e non avranno la capacità di digitalizzare i processi di produzione, registreranno probabilmente un aumento dei costi, ritardi nell'accesso dei prodotti al mercato e un calo della capacità di fornire un valore aggiunto distintivo ai loro clienti”, questo il parere di Stephen Ezell, esperto di politica di innovazione globale presso la Information Technology and Innovation Foundation, espresso in una relazione di Intel sul futuro dell'intelligenza artificiale nella produzione manufatturiera.
Queste tecnologie applicate in una fabbrica o in un ambiente di produzione manufatturiera non sono più soltanto un vezzo, sono fondamentali dal punto di vista aziendale. Secondo una recente relazione di ricerca di Forbes Insights, il 93% degli intervistati del settore automobilistico e manifatturiero ha classificato l'intelligenza artificiale come ‘estremamente importante’ o ‘assolutamente critica ai fini del successo’. E tuttavia, soltanto il 56% di tali intervistati ha dichiarato di prevedere un aumento della spesa destinata all'intelligenza, inferiore al 10%.
Lo sfasamento tra il riconoscimento dell'importanza delle nuove tecnologie che consentono una maggiore automazione dello stabilimento e la volontà di investire a favore delle stesse farà la differenza tra le aziende che vinceranno e quelle che perderanno. Forse questa reticenza a investire in qualcosa di simile all'intelligenza artificiale potrebbe essere attribuita alla mancata comprensione del suo ROI, delle sue capacità o dei casi d'uso effettivi. Dopo tutto, la società di analisi industriale Gartner, Inc. include ancora molte delle applicazioni di intelligenza artificiale nel “picco delle aspettative gonfiate”.
Tuttavia, l'intelligenza artificiale, in particolare il deep learning o la visione industriale basata su esempi, in associazione alla visione industriale tradizionale basata su regole, può conferire superpoteri a uno stabilimento produttivo e ai suoi team. Prendiamo in considerazione un processo come il complesso assemblaggio di uno smartphone moderno o di altri dispositivi elettronici al consumo. La combinazione della visione industriale basata su regole e del deep learning può aiutare gli assemblatori robotici a individuare i componenti corretti, rilevare differenze quali viti mancanti o involucri non allineati, contribuire al rilevamento della presenza o assenza di un componente o al suo assemblaggio in una posizione diversa sul prodotto e a una determinazione più rapida qualora si tratti di problemi. E possono farlo in maniera imperscrutabile.
La combinazione di visione industriale e deep learning rappresenta la strada che le aziende devono seguire per adottare tecnologie più intelligenti che conferiranno loro dimensioni, precisione, efficienza e crescita finanziaria per la prossima generazione. Tuttavia, comprendere le differenze sfumate tra visione industriale tradizionale e deep learning e il modo in cui si completano a vicenda, anziché sostituirsi l'un l'altra, è fondamentale per massimizzare tali investimenti.
Per apprendere come la visione industriale e il deep learning si completino e si differenzino l'uno dall'altro, scarica il nostro e-book Deep Learning e visione industriale a confronto.
Una pianificazione strategica dell'adozione e dell'utilizzo di alcune o di tutte queste tecnologie sarà fondamentale nell'industria manifatturiera. Negli Stati Uniti la produzione manufatturiera rappresenta attività economiche che annualmente valgono 2,17 trilioni di USD; tuttavia McKinsey prevede che entro il 2025, ossia soltanto tra mezzo decennio, le “fabbriche intelligenti” potrebbero generare un valore pari a fino a 3,7 trilioni di USD. In altre parole, le aziende che sono in grado di trasformare rapidamente le loro fabbriche in hub di automazione intelligenti saranno quelle che trarranno vantaggi vincenti nel lungo termine da tali investimenti.
“Le aziende che rimarranno bloccate alla vecchia maniera di procedere e non avranno la capacità di digitalizzare i processi di produzione, registreranno probabilmente un aumento dei costi, ritardi nell'accesso dei prodotti al mercato e un calo della capacità di fornire un valore aggiunto distintivo ai loro clienti”, questo il parere di Stephen Ezell, esperto di politica di innovazione globale presso la Information Technology and Innovation Foundation, espresso in una relazione di Intel sul futuro dell'intelligenza artificiale nella produzione manufatturiera.
Queste tecnologie applicate in una fabbrica o in un ambiente di produzione manufatturiera non sono più soltanto un vezzo, sono fondamentali dal punto di vista aziendale. Secondo una recente relazione di ricerca di Forbes Insights, il 93% degli intervistati del settore automobilistico e manifatturiero ha classificato l'intelligenza artificiale come ‘estremamente importante’ o ‘assolutamente critica ai fini del successo’. E tuttavia, soltanto il 56% di tali intervistati ha dichiarato di prevedere un aumento della spesa destinata all'intelligenza, inferiore al 10%.
Lo sfasamento tra il riconoscimento dell'importanza delle nuove tecnologie che consentono una maggiore automazione dello stabilimento e la volontà di investire a favore delle stesse farà la differenza tra le aziende che vinceranno e quelle che perderanno. Forse questa reticenza a investire in qualcosa di simile all'intelligenza artificiale potrebbe essere attribuita alla mancata comprensione del suo ROI, delle sue capacità o dei casi d'uso effettivi. Dopo tutto, la società di analisi industriale Gartner, Inc. include ancora molte delle applicazioni di intelligenza artificiale nel “picco delle aspettative gonfiate”.
Tuttavia, l'intelligenza artificiale, in particolare il deep learning o la visione industriale basata su esempi, in associazione alla visione industriale tradizionale basata su regole, può conferire superpoteri a uno stabilimento produttivo e ai suoi team. Prendiamo in considerazione un processo come il complesso assemblaggio di uno smartphone moderno o di altri dispositivi elettronici al consumo. La combinazione della visione industriale basata su regole e del deep learning può aiutare gli assemblatori robotici a individuare i componenti corretti, rilevare differenze quali viti mancanti o involucri non allineati, contribuire al rilevamento della presenza o assenza di un componente o al suo assemblaggio in una posizione diversa sul prodotto e a una determinazione più rapida qualora si tratti di problemi. E possono farlo in maniera imperscrutabile.
La combinazione di visione industriale e deep learning rappresenta la strada che le aziende devono seguire per adottare tecnologie più intelligenti che conferiranno loro dimensioni, precisione, efficienza e crescita finanziaria per la prossima generazione. Tuttavia, comprendere le differenze sfumate tra visione industriale tradizionale e deep learning e il modo in cui si completano a vicenda, anziché sostituirsi l'un l'altra, è fondamentale per massimizzare tali investimenti.
Per apprendere come la visione industriale e il deep learning si completino e si differenzino l'uno dall'altro, scarica il nostro e-book Deep Learning e visione industriale a confronto.
Tags:
Visione - Assenza/Presenza,
Visione - Misura,
Visione - Ispezione,
Visione - OCV/OCR,
Visione - Centraggio,
Deep Learning,
Visione Industriale,
Sistemi di Visione 3D,
Sistemi di visione 2D,
Software di Visione,
Sensori di Visione
James Furbush
