PR_432

di algoritmi di Deep Learning. “L’o- biettivo è utilizzare l’Intelligenza Ar- tificiale per consentire a un sensore di svolgere meglio il proprio com- pito nella rispettiva applicazione”, aggiunge Bernhard Müller, vicepre- sidente di Industry 4.0. Il suo argo- mento: i sensori standard stanno già facendo molto bene il loro lavoro, ma quando viene aggiunto un nuovo compito, i sensori raggiungono i loro limiti. “D’altra parte, un sensore può imparare dall’esperienza e anticipare con l’IA: cosa vedo? Questo crea un sensore migliore che può anche rilevare cose che non ha mai visto prima”, aggiunge. Invece di utilizza- re reti di AI pre-addestrate, Sick si affida ai progetti dei singoli clien- ti. “Ad esempio, stiamo lavorando a un progetto pilota di telecamere con apprendimento approfondito nel settore del legname”, riprende Mül- ler. Le segherie devono conoscere le condizioni nel registro per un utilizzo ottimale della materia prima legno: dove sono gli anelli annuali e dov’è il nucleo? “Abbiamo insegnato alla telecamera con l’apprendimento ap- profondito come utilizzare al meglio il legname. Questo è un compito che in precedenza poteva essere svolto solo da persone “, usa la parafrasi Müller. La stretta interazione con il cliente è importante qui. “L’argo- mento dell’IA non può essere imple- mentato senza il cliente. Dovrebbe quindi fornire dati concreti di esem- pio con cui il sensore di intelligenza artificiale può apprendere, poiché l’IA ha bisogno di dati di formazione adeguati”, conclude. Tasso di errore ridotto MVTec ha anche lavorato a stretto contatto con clienti pilota di vari settori per sviluppare le funzionali- tà di apprendimento profondo del suo software Halcon. Con successo: quando si testano le superfici di contatto, l’implementazione del rile- vamento degli errori basato sull’ap- prendimento profondo ha compor- tato una notevole riduzione del tas- so di errore, che ha drasticamente ridotto la necessità di test manuali e di accelerare la produzione. Di conseguenza, tutto va bene grazie al Deep Learning? “La tecnologia offre molti vantaggi, ma presenta anche dei limiti”, riprende Lücken- haus. Da un lato, per la formazione sono necessarie centinaia di migliaia di immagini di esempio, soprattutto quando si utilizzano soluzioni Open Source. D’altro canto, la formazione e anche la successiva classificazio- ne dei dati basata sull’Intelligenza Artificiale richiedono molte risorse di elaborazione. “Di conseguenza, sono necessarie grandi capacità di elaborazione e hardware corrispon- dente. Una CPU standard di soli- to non è sufficiente in applicazioni molto critiche in termini di tempo”, sottolinea Lückenhaus. I produttori di fotocamere industriali come IDS stanno reagendo a questo. Nelle loro telecamere industriali basate su app, la CPU della telecamera è supportata da un chip speciale programmabile, un Field Programmable Gate Array (FPGA). Questo è il motivo per cui IDS ha ora sviluppato un’app di visio- ne AI che trasforma l’FPGA integrato in un processoreAI che può accelera- re l’esecuzione di molte architetture di reti neurali conosciute sente anche alle persone che non sono esperti di programmazione di mantenere e riqualificare le applicazioni di visio- ne industriale a livello di fabbrica. I dati dei clienti Sick si affida anche a soluzioni di sensori che funzionano sulla base p rogett a re 432 SETTEMBRE 2020 47