EU Automation

tecnologia

dicembre 19, 2019

4 min per la lettura

Il ruolo dell'apprendimento automatico nell'industria

Il ruolo dell'apprendimento automatico nell'industria

Nel 1950, Alan Turing sviluppò l'omonimo test per rispondere alla domanda: “Le macchine sono in grado di pensare?”. Da quel momento, l'apprendimento automatico è passato da semplice concetto a processo cui si affidano alcune delle più importanti società al mondo.

Mediante l'apprendimento automatico, che è un sottoinsieme dell'intelligenza artificiale (AI), i computer imparano in modo autonomo a fare qualcosa per cui non erano stati appositamente programmati. Raggiungono questo obiettivo imparando dall'esperienza, sfruttando algoritmi e ricavando modelli e informazioni dai dati. Questo significa che le macchine non necessitano di essere programmate per eseguire compiti precisi su base ripetitiva, ma possono identificare e correggere eventuali errori in un processo in modo autonomo.

L'adozione dell'apprendimento automatico si sta diffondendo rapidamente in diversi settori: secondo Research and Markets, si prevede che il mercato dell'apprendimento automatico crescerà fino a 8,81 miliardi di dollari entro il 2022, ad un tasso annuo di crescita composto del 44,1%. Uno dei principali motivi del suo crescente utilizzo è la raccolta di Big Data da parte delle aziende allo scopo di ottenere informazioni preziose. L'apprendimento automatico offre un modo efficiente di dare un senso a questi dati, ad esempio a quelli che i sensori raccolgono sulle condizioni delle macchine nell'officina di produzione.

Durante lo sviluppo e la crescita del mercato, emergeranno nuovi tipi di apprendimento automatico che consentiranno di esplorare nuove applicazioni. Tuttavia, molti esempi di applicazioni attuali dell'apprendimento automatico si collocano in due categorie: apprendimento supervisionato e apprendimento non supervisionato.

Apprendimento supervisionato

L'apprendimento supervisionato è una tipologia popolare di apprendimento automatico. Tipicamente, viene usato in applicazioni che si avvalgono di dati storici per sviluppare modelli di apprendimento per la previsione di eventi futuri, come le transazioni fraudolente con carta di credito. Questa forma di apprendimento automatico identifica dati in ingresso, dati in uscita e algoritmi di apprendimento utilizzando esempi etichettati. L'apprendimento supervisionato si avvale di metodi come classificazione, regressione, previsione e potenziamento del gradiente per riconoscere i modelli. Utilizza quindi questi modelli per prevedere i valori delle etichette sui dati non etichettati.

Questa forma di apprendimento automatico è attualmente usata nella scoperta e nello sviluppo dei farmaci con applicazioni che includono la validazione del target, l'identificazione dei biomarcatori e l'analisi dei dati digitali sulla patologia negli studi clinici. Questa modalità d'uso dell'apprendimento automatico promuove il processo decisionale guidato dai dati e può velocizzare il processo di scoperta e sviluppo dei farmaci migliorando al contempo le percentuali di successo.

Apprendimento non supervisionato

A differenza dell'apprendimento supervisionato, l'apprendimento non supervisionato utilizza dataset senza dati storici, analizzando invece i dati raccolti per trovare e identificare i modelli. L'apprendimento non supervisionato viene attualmente impiegato nelle fabbriche a scopi di manutenzione predittiva. Le macchine possono apprendere dati e algoritmi responsabili dei guasti nel sistema e utilizzare queste informazioni per individuare i problemi prima che si verifichino.

Questa modalità d'uso del'apprendimento automatico consente di ridurre i tempi di inattività imprevisti poiché i produttori riescono a ordinare le parti di ricambio da un fornitore di apparecchiature per l'automazione prima che si verifichi il guasto, risparmiando tempo e denaro. Secondo un sondaggio di Deloitte, l'uso delle tecnologie di apprendimento automatico nel settore manifatturiero riduce i tempi di fermo macchina imprevisti del 15-30%, diminuendo i costi di manutenzione del 30%.

Gli umani non sono più gli unici in grado di pensare autonomamente: le macchine come Duplex di Google riescono ora a superare il test di Turing. I produttori possono utilizzare l'apprendimento automatico per migliorare i processi di manutenzione e prendere decisioni in tempo reale, intelligenti e basate sui dati.

Articoli Collegate

[{ "site.code": "it", "general.cookie_message": "Questo sito web utilizza i cookie per essere sicuri di ottenere la migliore esperienza sul nostro sito.", "general.cookie_learnmore": "Ulteriori informazioni", "general.cookie_dismiss": "Fatto!" }]