Machine vision e deep learning, l’AI secondo Zebra

Stuart Hubbard, Senior Director of AI and Advanced Development di Zebra Technologies ci parla di machine vision e deep learning per le imprese.

– Intelligenza artificiale e intelligenza artificiale generativa, forse oggi c’è un po’ di confusione sui due termini: ci aiuta a fare chiarezza?

Zebra è consapevole che non esista una definizione universalmente condivisa del significato di intelligenza artificiale (AI). Riteniamo che l’AI come termine generico possa includere machine learning (ML), reti neurali, computer vision, deep learning, elaborazione del linguaggio naturale, intelligenza artificiale generale, super intelligenza artificiale e molto altro. Ogni tecnologia funziona con algoritmi diversi che elaborano, analizzano, apprendono e forniscono risultati in modi differenti.

L’AI generativa (GenAI) è un tipo di AI in grado di generare nuovi contenuti a partire da richieste inserite dall’utente. I prompt sono richieste o domande formulate dall’utente per indirizzare la GenAI sul tipo di contenuto da fornire o creare, che varia in base al tipo di soluzione GenAI utilizzata e che può essere un testo, un’immagine o un video. Le GenAI che producono testo, come ChatGPT, si basano su modelli linguistici di grandi dimensioni (LLM) – che sono un tipo di modello ML – addestrati con tecniche di deep learning basate sull’elaborazione del linguaggio naturale.

– Perché le soluzioni AI sono così importanti per differenti settori di mercato, come per esempio retail, magazzino, produzione e sanità? Ci può fare qualche esempio?

L’AI fornisce un importante supporto alle aziende, ai dipendenti e ai clienti. Nello specifico, è in grado di ottenere informazioni da grandi volumi di dati in modo più rapido e approfondito di quanto potrebbe fare una persona senza l’aiuto dell’AI. Considerando l’enorme volume di dati generati oggi dalle aziende e la diffusione dell’IoT, l’AI è necessaria per trasformare questi dati in informazioni utili a identificare opportunità, rischi e miglioramenti precedentemente sconosciuti. L’AI è in grado di svolgere attività di elaborazione e analisi dei dati, oltre a fornire analisi prescrittive e predittive a supporto del processo decisionale.

Per esempio, il software di previsione della domanda di Zebra utilizza una piattaforma di sviluppo low/no code alimentata da AI, che combina i dati interni del settore retail e Consumer Packaged Goods (vendite, resi, coinvolgimento dei clienti e programmi di fedeltà) a quelli esterni (come il meteo, i principali eventi e il traffico) per elaborare analisi su ciò che i consumatori vorranno in futuro. Ciò significa che i retailer e i player del comparto CPG hanno maggiori possibilità di disporre dell’inventario corretto e del volume preciso al momento e nel luogo giusto, nonché di avere maggiori informazioni sul prezzo del ciclo di vita. Un altro esempio è il software Workcloud Actionable Intelligence, che utilizza machine learning per analizzare i dati del negozio e individuare nuove opportunità di vendita, oltre ad evidenziare le anomalie di inventario, ridurre gli errori e le differenze inventariali.

– Come integrare soluzioni di machine vision e deep learning? Cosa fa Zebra per supportare clienti e imprese?

I recenti sviluppi nel settore manifatturiero italiano si sono contraddistinti per una forte attenzione verso la sostenibilità, unitamente a requisiti di velocità, sicurezza, precisione ed efficienza. Per esempio, il più grande impianto di produzione di pannelli solari in Europa sarà costruito in Italia e verrà sviluppato all’interno di un programma da 450 milioni di euro finanziato dalla Commissione Europea per sostenere la produzione di idrogeno ed energia rinnovabile.

Inoltre, un’importante casa automobilistica si è impegnata nella produzione di veicoli completamente elettrici. Attualmente in Italia sono attivi 24 stabilimenti di assemblaggio e produzione di auto, collocando così la nazione tra le prime  in Europa. L’Italia è anche uno dei maggiori produttori ed esportatori di farmaci in Europa, ma di recente ha dovuto affrontare diverse sfide: nel 2022, i costi totali di produzione dei medicinali generici in Italia sono aumentati del 21% rispetto all’anno precedente. Per questo, i leader delle associazioni farmaceutiche hanno chiesto politiche e investimenti per rendere la catena di produzione più controllabile, sicura e duratura.

Tuttavia, molti sistemi di machine vision tradizionali sono difficili da implementare: richiedono molto tempo per la formazione degli operatori, non sono interoperabili e si dimostrano instabili in condizioni difficili. Queste continue sfide, combinate a esigenze di qualità, velocità e conformità ai relativi settori produttivi come quello automobilistico, farmaceutico ed elettronico, evidenziano la necessità di qualcosa di nuovo.

Grazie ai moderni sistemi di machine vision, che utilizzano reti neurali di deep learning, le aziende manifatturiere possono beneficiare di nuovi livelli di velocità, precisione, qualità e conformità attraverso potenti telecamere e software di ispezione visiva. La suite di software di machine visione Aurora è dotata di una serie di opzioni che sfruttano il deep learning. Alcune funzioni sono pensate per i team di data science e di ingegneria AI, che hanno bisogno di determinati ambienti e strumenti per creare soluzioni, mentre altre – come il nostro strumento di riconoscimento ottico dei caratteri (OCR) con deep learning – sono già pronte all’uso, in quanto sono state pensate per coloro che non sono specializzati in AI. I clienti e i costruttori di macchine OEM dei principali settori manifatturieri utilizzano oggi il portafoglio di soluzioni di machine vision di Zebra, con risultati eccezionali.

Per esempio, MOSAIC – una società internazionale con sede in Italia e sussidiarie in Europa, attiva nell’automazione industriale con competenza di ingegneria elettrica, software e meccanica – sfrutta la tecnologia di machine vision di Zebra per fornire soluzioni alle imprese che operano nei settori della produzione automobilistica e farmaceutica.

– L’hardware più moderno può, e deve, andare a braccetto con IA. Qual è il ruolo dei “device fisici” nello sviluppo pratico dell’intelligenza artificiale applicata alla produzione?

Per rendere le potenzialità dell’AI una realtà concreta e utilizzabile in ambienti di lavoro reali, sono necessari dispositivi come computer portatili e tablet, oltre a connettività e mobilità. Gli operatori devono poter accedere e utilizzare le informazioni dell’AI ovunque si trovino, in un magazzino, in una fabbrica, in un negozio o in viaggio, con dispositivi abilitati al 5G e al Wi-Fi6 per condividere e comunicare con i colleghi, anche in movimento. Molti lavori sull’AI vengono svolti da ingegneri, sviluppatori e ricercatori, ma a permettere che i loro sforzi vengano immessi sul mercato e utilizzati dai clienti sono proprio i dispositivi, che giocano un ruolo importante.

Non è necessario che i dispositivi siano dotati dei migliori processori per l’elaborazione dell’AI, poiché dipende sempre dal caso d’uso: se si tratta, per esempio, di un’elaborazione in tempo reale o di una che può essere eseguita richiedendo qualche secondo in più. Inoltre, devono essere facili da usare, in modo da democratizzare l’AI, rendendo i vantaggi accessibili a un maggior numero di persone, come gli addetti al magazzino, i responsabili dei team e gli ingegneri in prima linea che utilizzano la machine vision.

Ad esempio, il deep learning OCR di Zebra offre un’esperienza flessibile agli ingegneri dell’imaging industriale, indipendentemente dal dispositivo. Infatti, è disponibile su PC desktop, Windows, Linux o Linux ARM, su dispositivi palmari basati su Android e telecamere intelligenti. Che si tratti di AI su dispositivo o tramite cloud, stiamo rendendo i dispositivi parte della storia dell’AI di oggi.