Lo sviluppo di applicazioni concrete di intelligenza artificiale e machine learning può portare grandi vantaggi e ROI interessanti, e come molte altre realtà anche Moog è impegnata nell’esplorazione delle grandi potenzialità di queste tecnologie. A parlarne sono Paul Guerrier, additive manufacturing center manager in Moog, e Bill Massaro, direttore dell’Advanced manufacturing, Moog space and defense Group.

AI e ML hanno compiuto grandi passi avanti e segnato alcune svolte epocali negli ultimi anni, a partire dalla vittoria del supercomputer IBM Deep Blue sul campione di scacchi Gary Kasparov del 1997, fino a quella di abilità nel riconoscimento di immagini di AlexNet del 2012 e a quella di AlphaGo su Lee Sedol del 2016 in un game che comporta una quantità di processi decisionali.”Queste conquiste insieme mostrano come i computer siano diventati in grado di percepire e prendere decisioni – spiegano quindi i due responsabili di Moog -. Queste capacità combinate con motori elettrici, idraulica e altre tecnologie di movimentazione consentono oggi di avere robot che camminano, parlano e pensano”.

Non da ultimo, decisivo è quindi il contributo che oggi portano i progressi nell’aumento della capacità computazionale e nello storage di grandi quantità di dati. Ciò consente oggi di introdurre AI e ML nelle fabbriche, come soluzioni che promettono di migliorare la qualità, riducendo i costi e portando un incremento nelle competenze della forza lavoro.

“Impiegando una rete neurale convoluzionale (CNN) simile a quella sfruttata da AlexNet, la SUNY University di Buffalo e Moog hanno sviluppato un’applicazione per il riconoscimento di parti buone e di parti difettose prodotte mediante additive manufacturing – spiegano i due esperti Moog -. I risultati sono entusiasmanti e aprono alla possibilità di conseguire nuovi standard di qualità a costi minimi, liberando risorse tradizionalmente dedicate ad attività di ispezione. E il controllo di qualità di parti prodotte in additivo è solo un piccolo tassello nel processo di industrializzazione della manifattura additiva”.

Nello specifico sono grandi i benefici che per Moog possono venire dall’impiego di tecnologie di AI e ML applicate a dispositivi di visione artificiale. Telecamere digitali consentono ai computer di vedere, e di elaborare le immagini mediante AI, migliorando i processi di ispezione, aumentando la ripetibilità e riducendo l’affaticamento per gli addetti. L’aggiunta di capacità di machine learning potrà inoltre consentire di migliorare la precisione e l’accuratezza dei processi di ispezione, in parallelo all’aumento della quantità di dati raccolti.

“I vantaggi derivanti dall’uso del machine learning in questo tipo di applicazione sono quindi evidenti – spiegano i due esperti -. Vi sono però anche dei limiti legati alle tecnologie di AI e ML, nella fattispecie nell’evenienza di casi estremi nel corso del processo. Il tipo di difetto che la macchina può individuare è infatti strettamente legato al tipo di dati con cui questa è stata istruita. Nel caso ad esempio della ricerca di difetti di scolorimento, la macchina non sarà in grado di riconoscere un difetto nella superficie in cui dovesse imbattersi, né sarà in grado di porsi domande in proposito. L’intelligenza umana di un addetto al processo di ispezione è più versatile e in grado di gestire meglio i casi limite“.

Rispetto a una macchina istruita ad hoc che impiega algoritmi di AI e ML specifici, un operatore avrà quindi sempre una migliore capacità di individuare difetti non noti, di porsi domande al riguardo e chiedere maggiori informazioni. Un processo che per una applicazione di AI richiede un aggiornamento dell’algoritmo. “Per questo, il ritorno dell’investimento per applicazioni di ML dipende strettamente dalla presenza di una serie di competenze all’interno dell’organizzazione – spiegano infine da Moog -, necessarie alla creazione e allo sviluppo degli algoritmi di machine learning. Persone che dovranno unire competenze in matematica statistica, sviluppo software e insieme un’approfondita conoscenza delle operazioni aziendali. Per questa ragione, per la gestione di casi limite e occorrenze insolite e impreviste che avvengono in un ambiente produttivo, lo scenario futuro che ci attendiamo vedrà sempre gli operatori lavorare insieme a sistemi di AI e ML, e non invece una loro totale sostituzione da parte delle macchine”.