Logo 25 Jahre KAN

KANBrief 4/19

Industrial Data Science – l’utilità dell’intelligenza artificiale per la produzione

Portrait of Prof. Dr.-Ing. Jochen Deuse© private / privé
Prof. Dr.-Ing. Jochen Deuse
Portrait of M. Sc. Jacqueline Schmitt© private / privé
M. Sc. Jacqueline Schmitt

Con l’avanzata della digitalizzazione, l’elaborazione di crescenti quantità di dati va ponendo le imprese produttrici di fronte a importanti sfide. In quanto ramo dell’intelligenza artificiale, l’apprendimento automatico permette di ricavare dai dati disponibili preziose conoscenze. Nell’ambito dell’applicazione industriale in futuro la cosiddetta Industrial Data Science potrà comportare un importante vantaggio in termini di competitività.

Con il modello dell’Industria 4.0 negli anni scorsi la digitalizzazione della produzione industriale è avanzata in misura considerevole e la crescente interconnessione dei processi (produttivi) va ora generando quantità di dati sempre più grandi. In tali dati risiede un prezioso know-how – p. es. in materia di ottimizzazione dei processi – che tuttavia non è possibile estrarre con metodi convenzionali.

Per poter comunque sfruttare il potenziale d’innovazione si ricorre a tecnologie innovative dell’intelligenza artificiale (IA). Avvalendosi di metodi matematici e informatici, quest’ultima mette a punto delle soluzioni per problemi applicativi concreti, p. es. riguardanti l’ottimizzazione della produzione, la gestione della qualità o l’automazione. In questi campi di applicazione un ruolo di particolare rilievo è assunto dalla tecnologia trasversale dell’apprendimento automatico che – in quanto intersezione tra informatica, matematica e statistica – ricorre ad algoritmi per “imparare” dai dati e generare, a partire da questi ultimi, nozioni di valenza universale.

Industrial Data Science

L’applicazione dell’apprendimento automatico alla produzione industriale prende il nome di Industrial Data Science (IDS o scienza dei dati industriali). L’IDS combina metodi informatici, matematici e statistici con il know-how dominio-specifico relativo alla produzione1. Tale approccio interdisciplinare consente di giungere a soluzioni innovative per problemi attuali e di agevolare i processi decisionali. Gli obiettivi delle applicazioni IDS possono essere di tipo descrittivo (“Cos’è successo?”), esplicativo (“Perché è successo?”), predittivo (“Cosa succederà?”) o prescrittivo (“Cosa occorre fare?”). Con ciascuna di queste tappe cresce la complessità dell’applicazione. Nello stesso tempo, tuttavia, aumenta anche il contenuto informativo.

Fattori di successo

Per quanto riguarda lo svolgimento di progetti IDS di tipo pratico, sono emersi i seguenti tre fattori di successo:

Composizione interdisciplinare dei gruppi di progetto: I Data Scientist dispongono di solide conoscenze in materia di elaborazione e gestione dati nonché di apprendimento automatico, mentre gli esperti di dominio possiedono ampie competenze tecniche e conoscono a fondo i loro prodotti e processi. Entrambi indispensabili per il buon esito dei progetti, questi gruppi non parlano però sempre la stessa lingua. Il Citizen Data Scientist, uno specialista dalla formazione interdisciplinare, può fungere da mediatore e aiutare a superare le barriere comunicative.

Procedura strutturata per i progetti: nel corso di numerosi progetti industriali il modello CRISP-DM (Cross Industry Standard Process Model for Data Mining) si è a tal proposito imposto come standard2. Il modello articola i progetti nelle seguenti sei fasi, le quali vengono affrontate una dopo l’altra e, se necessario, in modo ricorsivo: (1) comprensione del business e del processo; (2) comprensione e interpretazione dei dati; (3) valutazione della qualità dei dati e preparazione degli stessi; (4) selezione degli algoritmi e modellizzazione; (5) valutazione dei modelli; (6) documentazione dei risultati e implementazione delle soluzioni.

Grado di maturità dei dati: il grado di maturità dei dati andrebbe sempre valutato in relazione all’obiettivo del progetto. Con l’aumentare del grado di automatizzazione e autonomia della soluzione auspicata crescono anche i requisiti da soddisfare in termini di rilevamento e qualità dei dati. Studi preliminari e analisi del potenziale possono generalmente essere realizzati – se necessario con una maggior mole di lavoro manuale – già quando il grado di maturità dei dati è ancora piuttosto ridotto. La maturità dei dati non va pertanto considerata come un ostacolo. Occorre semmai vedere il suo miglioramento come un potenziale per progetti futuri.

In relazione a molte applicazioni riguardanti prodotti, processi e sistemi, l’intelligenza artificiale offre grandi potenziali di ottimizzazione d’importanti indicatori di produzione. Il suo settore d’impiego non è tuttavia limitato alla produzione e le sue possibilità di applicazione non sono legate a un settore specifico. L’intelligenza artificiale è anche in grado di ottimizzare i processi aziendali trasformandosi così in un vantaggio per le aziende. Di conseguenza, occorre soprattutto identificare e sfruttare le possibilità d’impiego più efficaci.

Istituto per i sistemi di produzione dell’Università di Dortmund

Univ.-Prof. Dr.-Ing. Jochen Deuse
jochen.deuse@ips.tu-dortmund.de

M. Sc. Jacqueline Schmitt
jacqueline.schmitt@ips.tu-dortmund.de

1 Bauer, N.; Stankiewicz, L.; Jastrow, M.; Horn, D.; Teubner, J.; Kersting, K.; Deuse, J.; Weihs, C. “Industrial Data Science. Developing a Qualification Concept for Machine Learning in Industrial Production” [Industrial Data Science. Sviluppo di un principio di qualifica per l’apprendimento automatico nella produzione industriale]. In: “European Conference on Data Analysis (ECDA)”. 2018.
2 Chapman, P.; Clinton, J.; Kerber, R.; Khabaz, T.; Reinartz, T.; Shearer, C.; Wirth, R. “CRISP-DM 1.0. Step-by-step data mining guide” [CRISP-DM 1.0. Guida passo dopo passo al Data Mining]. SPSS Inc. 2000.