Come avviare un progetto di deep learning in cinque fasi
La visione artificiale tradizionale o “basata su regole” offre prestazioni affidabili in tutte quelle situazioni che presentano parti ben realizzate e dall’aspetto costante, ed eccelle in applicazioni ove sia richiesta un’alta precisione o velocità estremamente elevate, quali la guida robot, la localizzazione, la misurazione e l’ispezione. Questo tipo di visione artificiale è eccezionale se le variabili in gioco sono note a priori: una parte è presente o è assente? Quanto dista esattamente questo oggetto da quello? Dove deve spostarsi questo robot per montare questa parte? Queste attività sono facili da implementare sulla catena di montaggio in un ambiente controllato, ma cosa succede quando le cose non sono così definite?
Qui entra in gioco l’intelligenza artificiale. Il deep learning utilizza algoritmi basati su esempi e reti neurali per analizzare difetti, individuare e classificare oggetti o leggere caratteri stampati. Insegnando a un computer come è fatto un pezzo buono tramite un certo quantitativo di immagini d’esempio, esso sarà in grado di notare la differenza tra una parte buona e una difettosa, basandosi sulle eventuali variazioni.
L’analisi delle immagini basata su deep learning sta creando nuove opportunità di automazione industriale in una vasta gamma di settori. Dall’ispezione dei difetti superficiali allo smistamento di parti variabili, al controllo degli assemblaggi finali, alla classificazione della qualità dei prodotti o alla lettura di testi impegnativi, i sistemi di visione abilitati dal deep learning possono gestire tantissime nuove applicazioni.
Eppure, i direttori di stabilimento giustamente esitano a mettere a rischio i loro processi qualificati a favore dei potenziali ritorni di una nuova tecnologia. Se un responsabile introduce nuove tecnologie e migliora l’efficienza, ottiene un bonus; se invece introduce nuove tecnologie che rallentano o fermano la produzione, l’impatto negativo può essere molto grave.
Tuttavia implementare con successo il deep learning in una strategia di automazione può comportare risparmi sui costi, miglioramenti ai processi interni inefficienti, nonché la possibilità di automatizzare complesse applicazioni di ispezione altrimenti impossibili con gli strumenti di visione tradizionali, contribuendo così ad aumentare la produttività e la qualità dei risultati.
Ci sono cinque fasi da affrontare per implementare con successo il primo progetto pilota di deep learning:
- Definire le aspettative adeguate
- Comprendere quale sarà il ritorno sugli investimenti globale
- Pianificare attentamente le risorse necessarie
- Iniziare in piccolo con un progetto pilota
- Mantenere quindi un approccio di crescita graduale del progetto.
La nostra esperienza aiuta i produttori che non conoscono il deep learning a evitare di perdere tempo e di commettere passi falsi costosi, generando al contempo un buy-in organizzativo per il notevole vantaggio fornito dalla tecnologia. Se eseguito correttamente, il primo progetto di successo può portare a sviluppi più ambiziosi e strategici.
