Intelligenza artificiale, machine learning, deep learning..

Queste parole costituiscono il tappeto sonoro dei nostri tempi, per chi, come noi, si occupa di informatica e tecnologie annesse. Internet, TV, riviste specializzate sono pervase di questi concetti: disegnano il futuro, per ora con pennellate discrete e grossolane, ma sappiamo quale sarà il quadro che prima o poi emergerà.

Un tappeto sonoro anche interno ai nostri uffici: è lì che vogliamo puntare, la nostra magnifica ossessione, l’intelligenza artificiale.

Per questo ci gettiamo a capofitto su tutte le opportunità di sviluppare progetti innovativi, meglio ancora se a proporli sono gli stessi clienti, vogliosi di metterci alla prova dopo essere rimasti evidentemente soddisfatti da altri progetti “normali”.

È proprio questo il caso di un progetto, l’A.I.O.C.A.P., al quale stiamo ancora lavorando, ma è sufficientemente avanzato da poterlo descrivere.

Se ci seguite da tempo, sapete che il nostro campo da gioco è il monitoraggio dei dati di produzione, in particolare l’efficienza produttiva: da qui partono tutte le nostre soluzioni software, che si chiami OEE, Andon o Controllo Statistico di Processo, la base è sempre il dato.

Attraverso l’accoppiata Andon-OEE, ad esempio, siamo in grado di fornire al cliente il monitoraggio dell’efficienza produttiva, sia in real time (Andon) che nel periodo (OEE) e capire dove risiedano i problemi che impediscono la realizzazione di un OEE del 100% (cioè il massimo dell’efficienza): problemi di qualità, di velocità o di fermi macchina.

Quindi, fino ad ora, siamo stati in grado di dire al cliente:

hai un problema di manutenzione delle macchine perché si fermano spesso;

hai un problema di qualità del prodotto perché si verificano delle ammaccature;

hai un problema di flusso lento perché la linea è disposta male o gli oggetti non sono a portata di mano dell’operatore.

Bene. È molto. Anzi moltissimo.

E poi, come a chiudere il cerchio di tutto questo monitoraggio, arriva il progetto A.I.O.C.A.P.

Vediamo di cosa si tratta.

Automatic Intelligent Out of Control Action Proposal

Il progetto A.I.O.CA.P. (Automatic Intelligent Out of Control Action Proposal) può essere definito come un sistema di machine learning per il supporto decisionale alla risoluzione di problemi di qualità.

Cosa vuol dire precisamente?

Significa che, in presenza di un problema di qualità, il Sistema sarà in grado di produrre dei suggerimenti per l’operatore riguardo la loro soluzione, sotto forma di action plan.

 

Obiettivo e vantaggi del progetto A.I.O.C.A.P.

L’obiettivo del sistema A.I.O.CA.P. è duplice:

  1. Quello di supportare l’operatore, in real time, nella decisione risolutiva di un problema di qualità riscontrato durante la produzione.
    Il suggerimento sarà basato su una valutazione probabilistica dello stato corrente del processo e su un modello di utilità appreso automaticamente dal sistema in base alle scelte dell’operatore.
  1. Quello di consentire un trasferimento di conoscenza dalle risorse umane alla macchina, andando ad implementare una sorta di machine learning.
    In questa maniera ne gioverà un altro tipo di trasferimento di conoscenza: quello dagli operatori più esperti nella risoluzione di problemi, a quelli meno esperti, migliorando così le performance di ogni singolo operatore.

Per quanto riguarda i vantaggi di un progetto come questo, possiamo dire che il sistema A.I.O.C.A.P. renderà possibili due tipi di attività:

  1. In presenza di un problema di qualità, proporre una lista ordinata di Action Plan, ciascuno comprendente una serie di azioni necessarie alla soluzione;
  2. Effettuare simulazioni che consentano all’operatore di capire in anticipo quali ricadute avrebbero su altri fattori, ciascun problema di qualità inserito nell’anagrafica del sistema.

 

Il primo passo per implementare un sistema A.I.O.C.A.P. è quello di creare una base di conoscenza probabilistica.

La base di conoscenza probabilistica

La base di conoscenza, che sta a fondamento del progetto A.I.O.C.A.P., è costruita attraverso l’esperienza umana e verrà applicata per apprendere il modello decisionale attraverso la logica del reinforcement learning: ogni soluzione del problema andrà a rinforzare la soluzione scelta per quello specifico problema e quindi, quella soluzione vedrà aumentata la probabilità di essere scelta dal sistema, al riproporsi del medesimo problema.

Quella del Sistema è una proposta/suggerimento: l’operatore umano sarà libero di apportare delle modifiche. Modifiche che andranno ad arricchire la base di conoscenza del sistema.

Quest’ultima è fondamentale per la costruzione di un modello causale del processo attraverso l’utilizzo di una rete Bayesiana (Bayesian Network Graph).

L’immagine che segue mostra un esempio di rete Bayesiana realizzata per il progetto A.I.O.C.A.P.

Bayesian Network Graph

Bayesian Network Graph

La rete Bayesiana fornirà un grado di credenza probabilistica dello stato attuale del processo, a seguito di un evento legato a uno o più problemi di qualità, rilevato automaticamente dal Sistema.

La costruzione del Bayesian Network Graph passa attraverso tre step che coinvolgono gli esperti delle macchine e della manutenzione:

  1. Il primo step prevede la creazione della topologia del modello causale del processo.
    Vengono elencati tutti i nodi (stati ed evidenze) dalle cause verso gli effetti. Questi nodi vengono poi collegati definendo gli archi orientati della rete.
  1. Nel secondo step viene assegnato ad ogni linea del grafo (archi) una rilevanza (pesi) basata sull’esperienza umana.
  2. Infine viene effettuato il test e validazione delle previsioni realizzate da questa rete, attraverso alcune simulazioni riguardanti problemi di qualità.

L’A.I.O.C.A.P. in campo

Smart Portable Device

Smart Portable Device

In campo, l’operatore avrà un nuovo strumento di lavoro. Quello che potremmo chiamare un portable smart device. Potrà essere

un palmare ovviamente, come quello in figura (che mostra l’Action plan proposto dal Sistema per risolvere un problema di scocca), ma nulla vieta che il Sistema sia installato su smart glass o tablet o altro..

In campo, l’operatore potrebbe trovarsi a gestire problemi di qualità in diverse situazioni:

  • Durante un controllo qualità a campione. Ad esempio un controllo visivo del pezzo, in cui l’operatore andrà a controllare la presenza di graffi, ampiezza degli angoli, stato dei rivetti, ecc..
  • Quando un problema di qualità viene registrato attraverso il sistema Andon. In questo caso l’operatore potrà operare direttamente dal touch panel di linea già previsto dal Sistema Andon.

 

Touch panel Andon e Smart Portable Device

Touch panel Andon e Smart Portable Device

In entrambi i casi, non appena l’operatore avrà registrato la problematica di qualità riscontrata, il possessore dello smart portable device (che potrebbe essere il responsabile della manutenzione) riceverà una notifica push dall’APP del Sistema A.I.O.C.A.P., e, contestualmente l’elenco delle cause più probabili di quel problema. A questo punto l’operatore potrà fornire ulteriori prove al sistema oppure proseguire cliccando il pulsante «NeXT», visionando così la sequenza di azioni, elaborate dall’Agente intelligente.

Notifica del problema di qualità su Smart Portable Device

Notifica del problema di qualità su Smart Portable Device

Machine learning

Ogni volta che l’operatore sceglierà o modificherà uno degli Action Plan proposti dal sistema, il Sistema si arricchirà di questa scelta: è questo il momento in cui avviene il trasferimento di conoscenza, dall’operatore, alla macchina, tramite machine learning.

Ogni scelta dell’operatore, va a potenziare il legame tra lo stato credenza probabilistico e la soluzione scelta, per quello specifico problema: è in pratica un sistema destinato migliorare le proprie performance con il tempo.

La base di conoscenza può essere ampliata in quanto l’operatore potrà creare nuovi action plan o modificare quelli esistenti.

Modifica di un Action plan

Modifica di un Action plan

Un sistema così concepito, è chiaro che sia destinato a raffinarsi sempre di più: più esperienza riuscirà ad assorbire, più le sue proposte avranno un grado di utilità maggiore.

Questo porterà sicuramente ad una velocizzazione dell’attività di problem solving in presenza di un problema di qualità. Ma riuscirà anche a far tesoro della sapienza dei migliori e più esperti operatori, potendo quindi affidare la mansione di manutentore anche ad operatori meno esperti.

Questo è un progetto che va nella direzione di una automazione di qualità, intendendo con questo termine quel tipo di automazione che si affianca all’uomo, ma non lo sostituisce: è l’uomo infatti la risorsa fondamentale che fa la scelta finale e che quindi arricchisce la base di conoscenza.

Parlare di intelligenza artificiale è ancora presto, ma è la direzione verso la quale noi vogliamo andare. Il machine learning è un approccio per riuscire, un domani speriamo prossimo, a realizzare progetti di vera intelligenza artificiale.

Il progetto A.I.O.C.A.P. è un passo in quella direzione e, come si suol dire,
ogni grande viaggio inizia con un primo passo..

 

Ascoltando: Alberto Camerini – “Rock ‘N’ Roll robot
Lettura in corso: “Il cerchio dei robot” di Philip K. Dick
Mood: Smart

Digital strategist