Cosa vuol dire fare "AI Industriale"?

Nell'affrontare un progetto di Intelligenza Artificiale per un'industria bisogna prestare attenzione a diversi aspetti, ne abbiamo identificati: vediamoli insieme.

Abbiamo lavorato a decine di progetti di AI e abbiamo voluto condensare quali sono i fattori a cui un'azienda deve prestare attenzione nell'affrontare per definire una soluzione davvero di AI Industriale.

Quali sono gli 8(+1) punti cruciali?

Questo articolo è disponibile gratuitamente per gli iscritti alla nostra newsletter, inserisci la mail e continua a leggere!

0 - Budget: il diavoletto fondamentale

Non si può parlare di industria senza parlare di budget.
I soldi non sono infiniti e la tecnologia deve avere un ritorno sull'investimento.

Stiamo cercando di risolvere un problema che ci costa X o è un investimento in un nuovo prodotto? Il budget non serve solo per capire la sostenibilità, ma orienta tutte le scelte successive. Quanto approfondiamo l'algoritmo? Quanto risparmiamo sull'hardware? Quante repliche faremo del sistema? Quante persone si dovranno interfacciare?

E' importante aver chiaro fin da subito qual è il budget che ci prefissiamo e che questo comprenda non solo la tecnologia ma anche le ore interne da dedicare al progetto.

1 - Performance

La massima possibile, ovviamente rispettando i limiti di budget economici (ad esempio per la raccolta del dataset) e di potenza di calcolo che abbiamo a disposizione per l'applicazione. Nell'AI è abbastanza vero che usando modelli più grandi la performance cresce, teniamo sempre presente però che

• Non cresce all'infinito, c'è sempre un margine di incertezza
• Il budget di potenza e dati richiesto può crescere esponenzialmente all'alzare l'asticella della performance
• La scelta del modello giusto e la giusta cura nell'addestramento fanno miracoli

La performance la possiamo misurare in Accuracy (totale degli indovinati sul totale degli esempi), falsi negativi o positivi per problemi di classificazione, oppure in rmse (root mean squared error) o errore percentuale per problemi di regressione.

2 - Speed

Il tempo di inferenza non è trascurabile.

Se stiamo lavorando ad un sistema di visione che deve viaggiare a 20 frame / secondo avremo il nostro tempo massimo di inferenza di poche decine di millisecondi (a cui sommare l'acquisizione, il trasferimento, l'elaborazione, i segnali, ecc.).

Nella maggior parte dei casi la velocità è figlia del tradeoff tra performance e budget. Tante volte comunque la soluzione non è per forza spendere di più, ma si possono fare miracoli con la giusta scelta di modello ed ottimizzazione.

3 - Dataset

Il dataset è il cuore di qualsiasi progetto di Intelligenza Artificiale.

Raccogliere il giusto dataset non consente solo la risoluzione di un problema ma è un vero e proprio asset dell'azienda con cui costruirsi un vantaggio competitivo.

Va da sé che la qualità, la quantità e la pertinenza dei dati sono fondamentali per il successo del progetto. Raccogliere dati rappresentativi può essere una sfida, soprattutto se si tratta di processi complessi, non ripetibili o ambienti operativi difficili. È essenziale che il dataset sia sufficientemente grande e vario per addestrare il modello in modo efficace, ma deve anche essere pulito e privo di bias.

Là dove raccogliere dati è costoso o complicato possiamo integrare con dati sintetici, estremamente efficaci se in giusta proporzione con quelli reali.

4 - Competences

Academy

Sulle competenze si potrebbe aprire un capitolo a parte, ma partiamo dall'alfabetizzazione.

È fondamentale che tutti comprendano le potenzialità dell'AI, a qualsiasi livello. Troppo spesso ci sono opportunità sotto gli occhi di tutti ma non si sa che sono facilmente risolvibili da un algoritmo.

Smarcata l'alfabetizzazione globale dell'azienda, serve aver accesso a competenze che toccano diversi ambiti, dall'analisi fuzionale alla data science, dall'IT e il data engineering al machine learning vero e proprio. L'algoritmo va poi implementato in una soluzione (tecnica) che abbia a cuore i propri utilizzatori (design).

5 - Processes

Per processi intendiamo due aspetti

I processi aziendali, ovvero ricordare che la soluzione si integra in un panorama più ampio di regole, funzionamenti e flussi. Non tutto può o deve essere stravolto, l'integrazione armoniosa di AI e processi esistenti dovrebbe essere l'obiettivo primario.

La tecnologia di processo, ovvero la conoscenza profonda di come funziona la trasformazione della materia. Non c'è AI Industriale senza la conoscenza profonda del proprio processo industriale e la condivisione di questa con un algoritmo.

Condividere con l'AI tutto il sapere intorno al processo ci consente di avere algoritmi più intelligenti e che imparano solo ciò che a noi oggi sfugge.

6 - UX & Trustworthy

L'esperienza utente (UX) è un aspetto spesso sottovalutato nei progetti di AI, ma è fondamentale per l'accettazione e il successo della soluzione.

In un contesto industriale, l'interfaccia con cui gli utenti interagiscono con il sistema AI deve essere intuitiva, efficiente e affidabile. Inoltre, la fiducia (trustworthiness) gioca un ruolo chiave: gli utenti devono potersi fidare delle decisioni prese dall'AI. Questo significa che il sistema deve essere trasparente nelle sue operazioni, con la possibilità di spiegare come sono state prese determinate decisioni. La mancanza di fiducia può portare al rifiuto della tecnologia, vanificando gli investimenti fatti.

7 - Robustness

La robustezza di un sistema AI si riferisce alla sua capacità di funzionare correttamente anche in condizioni avverse o non previste.

In un contesto industriale, questo è particolarmente importante perché i sistemi devono poter gestire una vasta gamma di situazioni , inclusi dati rumorosi o parzialmente corrotti, variazioni nei processi produttivi o cambiamenti nell'ambiente di lavoro. Un sistema robusto deve essere in grado di mantenere un livello accettabile di performance anche quando le condizioni ideali non sono rispettate. Tecnologie di processo devono essere veloci di riconfigurare e ripartire in produzione.

8 - Accountability

L'accountability, ovvero la responsabilità, è l'ultimo aspetto quando si introduce l'AI in un industria.

È fondamentale stabilire chi è responsabile delle decisioni prese dall'AI, specialmente in contesti dove le conseguenze possono essere significative, come nella produzione industriale o nella gestione della qualità. Questo implica non solo una chiara definizione delle responsabilità di chi costruisce l'algoritmo, ma anche della raccolta del dato, del labelling, del mantenimento degli applicativi e del corretto utilizzo da parte degli operatori.

Sono responsabilità da dividersi in un team, ma che rendono alla fine tutto più chiaro.

Feedback

Cosa ne pensate del nostro elenco? Ci sono altri aspetti che andrebbero considerati?

Scriveteci su LinkedIn o via mail a info@aisent.io