I dati provenienti dai processi di fabbrica derivano dallo IoT, dall’Internet of Things. Uno stabilimento che segue il paradigma dell’industria 4.0 ha delle macchine dotate di sensori che permettono di raccogliere innumerevoli dati. Si pensi al peso di una materia prima versata o i movimenti che fa la macchina al minuto o i metri di una materia prima di essere tagliata. Sono i Big Data.
I Big Data non sono il futuro, sono il presente. Permettono di capire quando le macchine delle linee di produzione sono da aggiustare prima che si rompano (manutenzione predittiva) o quando c’è un errore o un blocco nel work-flow di produzione.
I Big Data di per sé sono solo dati, numeri che vengono archiviati. La chiave per trasformare i dati in informazioni è ordinarli, interrogarli e interpretarli. È il Machine Learning (ML).
Cos’è il Machine Learning?
Sono un insieme di algoritmi intelligenti che analizzano e utilizzano i Big Data. Questi algoritmi vengono applicati per riconoscere regolarità ricorrenti e per estrarre conoscenze utili che permettono di prevendere eventi futuri, come la manutenzione predittiva.
Per fare un esempio, il Machine Learning è come un bambino che impara per esperienza. Un bambino impara interagendo con oggetti e ambiente. Il Machine Learning fa la stessa cosa: impara per esperienza interagendo con i Big Data.
Il Machine Learning insegna ai computer a portare a termine un compito senza essere stati programmati per farlo.
I dati sono l’esperienza dei computer e gli argomenti sono invece l’intelligenza dei computer.
Un buon Machine Learning deve:
- Sapere leggere i dati
- Avere algoritmi base e avanzati
- Processi di automazione iterativi
- Scalabilità
- Velocità
Tipologie di Machine Learning
A seconda di come vengono costruiti gli algoritmi e da quali dati si sta analizzando o si vogliono interpretare si definiscono 4 macro categorie di tipologie di Machine Learning:
Apprendimento Supervisionato
Questa tipologia utilizza l’intelligenza del computer, gli algoritmi, utilizzano dati di cui conoscono già input e output. L’algoritmo impara abbinando input e output corrispondenti. Impara comparando risultati e trovando gli errori di abbinamento. Si caratterizza su regole statistiche come la classificazione e la regressione. In questa metodologia sono previste delle previsioni a partire dall’utilizzo dei dati. Questo apprendimento riesce a prevedere valori da usare a partire da dati ancora non classificati. Questo è uno delle tipologie più utilizzate.
Apprendimento Semi Supervisionato
Questo apprendimento è come quello supervisionato ma utilizza big data classificati e non classificati. Questo perché fare operazioni di classificazione dei dati è un processo costoso e lungo.
Apprendimento Non Supervisionato
Questa tipologia di apprendimento è la più usata insieme a quella supervisionata. Vengono studiati e creati algoritmi in grado di utilizzare e analizzare dati non classificati. All’algoritmo non viene insegnata la “risposta/operazione giusta” ma deve scoprire autonomamente la risposta/operazione giusta da fare in quella precisa occasione. Il fine di questo apprendimento è che l’algoritmo deve esplorare i dati e studiarne e individuarne una struttura interna.
Apprendimento per Rinforzo
Utilizza il metodo “per prova ed errori” dove ci sono dati provenienti dalle azioni, dall’ambiente. L’obiettivo dell’algoritmo di questo apprendimento è quello di imparare e prevedere quali sono le azioni migliori da svolgere in un determinato ambiente e in determinato tempo.
Conclusione
Il Machine Learning è il gemello della statistica e ha molti ambiti applicativi. Il suo obiettivo, indipendentemente dalle tipologie di apprendimento, è quello di capire la struttura dei dati. È evidente che i dati devono essere significativi, la difficoltà è capire quali dati è meglio monitorare e controllare al fine di avere un’interpretazione valida e concreta attraverso il Machine Learning. Importante, dunque, capire che i Big Data e il Machine Learning insieme ai software MES sono alla base del processo di digitalizzazione di fabbrica.