La sfida della costruzione di un hub di competenze per le tecniche di Intelligenza Artificiale applicate nella Machine Vision in ambito manifatturiero.
Lo sviluppo di tecnologie di analisi dei dati e supporto alle decisioni rappresenta una sfida cruciale per la competitività delle imprese. La Visione Artificiale basata su Deep Learning può rappresentare una delle soluzioni a questa sfida. Queste tecnologie tuttavia, non trovano ancora una vasta applicazione in ambito manufacturing a causa della loro complessità e dei costi elevati, seppure numerosi siano i successi dell’applicazione di questi algoritmi in altri ambiti, dal riconoscimento facciale ai sistemi di sicurezza in ambito automotive.
Ad oggi, l’addestramento degli algoritmi di deep learning richiede la raccolta di un elevato numero di esempi da poter classificare, pertanto risulta uno dei principali limiti all’adozione di queste soluzioni in ambito manifatturiero. La ricerca sta compiendo grandi sforzi in questa direzione per rendere l’addestramento delle reti neurali meno oneroso, studiando tecniche innovative di addestramento che permettano, ad esempio, di sfruttare una rete neurale addestrata su milioni di esempi a svolgere un compito analogo in un dominio diverso (“transfer learning”) oppure di addestrare una rete ricorrendo a pochi ulteriori esempi (“few-shot learning”), o ancora restituendo un feedback in tempo reale sugli errori commessi dalla rete (“active learning”)
L’obiettivo finale è permettere ai sistemi di visione di avvicinare le prestazioni umane in termini di adattabilità, permettendo loro di generalizzare ed apprendere una nuova classe anche con l’osservazione di un solo esempio. La ricerca in questo settore si è quindi spostata dallo studiare il problema di come far apprendere ad una rete uno specifico compito, a studiare come le reti possano apprendere efficientemente compiti distinti.
Partendo da queste considerazioni e capitalizzando i risultati di queste ricerche, il progetto WATCHMAN si vuole focalizzare sulle applicazioni delle tecniche di meta-learning e di auto apprendimento in ambito industriale, con l’obiettivo di addestrare efficientemente, cioè con la raccolta di pochi esempi di addestramento o con l’ausilio di un esperto di dominio che guidi in real-time l’apprendimento (human-in-the-loop), le moderne reti neurali convoluzionali per la localizzazione, la segmentazione e la classificazione delle difettosità da rilevare.
L’applicazione di tali tecniche a problemi concreti permetterà di comprendere quali siano quelle più appropriate ed efficaci nell’ambito della visione artificiale industriale, partendo dal presupposto che la raccolta e l’etichettatura di grandi quantità di campioni possono essere impraticabili in un contesto industriale, specialmente quando si ha la necessità di rilevare difetti molto rari o nuovi difetti mai visti in precedenza.
Pertanto, WATCHMAN lavorerà alla creazione di un hub di competenze sull’Intelligenza Artificiale, in particolare di Machine Vision, in cui saranno sviluppate tecnologie di analisi dei dati e supporto alle decisioni, al fine di favorire l’adozione di un modello di sviluppo che coniughi la qualità della vita dei cittadini/lavoratori e la competitività delle imprese.
Il progetto si svilupperà seguendo una metodologia pensata per la progettazione di sistemi di Machine Vision altamente riconfigurabili, grazie all’introduzione delle più recenti innovazioni tecnologiche in ambito sistemi di visione, intelligenza artificiale, data management e robotica collaborativa. Questo sarà reso possibile dal lavoro congiunto dei partner di WATCHMAN, i quali vantano competenze eterogenee e complementari ed una consolidata esperienza nei rispettivi domini di competenza.
Questi sistemi saranno in grado di risolvere problematiche eterogenee di visione artificiale in ambito manifatturiero e non solo: grazie alla loro modularità sarà inoltre possibile realizzare sistemi interconnessi ma indipendenti, e quindi usabili insieme o da soli in base alle necessità dell’utilizzatore finale. Infine, per dimostrarne la validità del sistema sia in termini di performance che di trasferibilità, i risultati conseguiti dal progetto saranno dimostrati attraverso la realizzazione di due use case scelti in ambiti strategici regionali, quali automotive e salute/farmaceutico.
