L’introduzione e l’impiego dell’Intelligenza Artificiale hanno ormai assunto in Imago una fisionomia ben precisa e sempre più imprescindibile, grazie all’applicazione sistematica e combinata dei più recenti e innovativi algoritmi di Machine Learning e Anomaly detection con i modelli di visione tradizionali.
Ma come e quando è nata l'Intelligenza Artificiale? Quali sono gli svantaggi e i vantaggi del suo utilizzo? E quali differenze sussistono fra le diverse tecnologie di Machine Learning, di Deep Learning e di Reti Neurali? Con grande abilità nell’esporre con la massima evidenza le questioni più complicate, Matteo Baldelli e Andrea Tiberti ci introducono alle origini di questa disciplina e ai principi di funzionamento delle tecnologie di Intelligenza Artificiale che Imago ha già con successo integrato nei software dei suoi sistemi di visione.
Matteo Baldelli: Si è laureato in Fisica all'Università di Pavia, con un focus specialistico sulla elaborazione delle immagini tramite Intelligenza Artificiale. A seguito di diverse sperimentazioni ha avuto modo di utilizzare in Imago gli algoritmi in molte applicazioni con complessità via via più crescente, fino ad arrivare ad un utilizzo pressoché estensivo delle principali tecnologie IA.
Andrea Tiberti: Ha conseguito, nel 2019, la laurea magistrale in Ingegneria Informatica presso l'Università degli Studi di Brescia. Durante il suo percorso accademico ha frequentato corsi dedicati al Machine Learning e all'Intelligenza Artificiale. Motivato da una grande passione per il tema dell’IA ha quindi declinato e tradotto le sue profonde competenze nelle applicazioni e nella ricerca dei progetti Imago.
Intervista
1) “Intelligenza Artificiale” (AI) è stata nominata parola dell'anno 2023 dal Collins Dictionary, l'autorevole dizionario inglese pubblicato dall'omonima casa editrice britannica. La scelta riflette l'enorme impressione che questa tecnologia sta avendo nella società. Cos’è dunque l’intelligenza artificiale? Come e quando è nata?
Matteo Baldelli:
La nomina di "Intelligenza Artificiale" come parola dell'anno 2023 da parte del Collins Dictionary riflette l'importanza crescente di questa tecnologia nella società contemporanea e la sua diffusione sempre più ampia in una vasta gamma di settori. L'idea di creare macchine che possano simulare l'intelligenza umana risale a diversi secoli fa, ma il concetto moderno di intelligenza artificiale è nato nel periodo successivo alla Seconda Guerra Mondiale. Nel 1956, si è svolta a Dartmouth College la conferenza di Dartmouth, che è generalmente considerata l'inizio ufficiale del campo dell'intelligenza artificiale. Gli studiosi presenti a questa conferenza si sono posti l'obiettivo di sviluppare programmi informatici in grado di simulare l'intelligenza umana. Negli anni successivi sono state sviluppate diverse tecniche e approcci per realizzare l'intelligenza artificiale, tra cui reti neurali artificiali, alberi decisionali, algoritmi genetici e molto altro. Tuttavia, l'AI ha attraversato diverse fasi di alti e bassi nel corso dei decenni, con periodi di grande entusiasmo seguiti da delusioni (come il cosiddetto "inverno dell'IA") a causa delle limitazioni tecniche e delle aspettative non mantenute. Negli ultimi anni, grazie all'aumento della potenza di calcolo, all'accesso a grandi quantità di dati e agli sviluppi nell'apprendimento automatico e nelle reti neurali profonde, l'intelligenza artificiale ha fatto enormi progressi. Oggi, l'AI è onnipresente in molte aree della vita quotidiana, dalle raccomandazioni degli acquisti online ai veicoli autonomi, dalla diagnostica medica all'analisi dei dati finanziari, solo per citarne alcuni esempi.
2) Come abbiamo detto l'intelligenza artificiale fa già parte della nostra vita quotidiana e sta trovando applicazioni sempre più numerose in diversi settori e industrie. Anche il mondo della visione fa sempre più uso di tecnologie di Machine Learning, Deep Learning e Reti Neurali. Puoi darci una rapida definizione di questi termini e dei loro principi di funzionamento?
Matteo Baldelli:
Il Machine Learning è una branca dell'intelligenza artificiale che si occupa di sviluppare algoritmi e modelli che consentono ai computer di apprendere dai dati e migliorare le proprie performance nel tempo senza essere esplicitamente programmati per farlo. Gli algoritmi di Machine Learning analizzano i dati per identificare pattern e relazioni, e utilizzano queste informazioni per fare previsioni o prendere decisioni. Il Deep Learning è una sottocategoria del Machine Learning che utilizza reti neurali artificiali composte da diversi strati nascosti (da qui il termine "profondo") per imparare rappresentazioni gerarchiche dei dati. Le reti neurali profonde (Deep Learning) sono infatti composte da livelli di neuroni artificiali, ispirati ai neuroni biologici, ciascuno dei quali elabora e trasmette informazioni attraverso un insieme di pesi che vengono adattati durante il processo di addestramento. Questi modelli sono in grado di apprendere automaticamente caratteristiche e pattern complessi nei dati, consentendo di ottenere prestazioni eccezionali in compiti come il riconoscimento di immagini, il riconoscimento del linguaggio naturale e altro ancora. Le reti neurali sono dunque gli algoritmi che compongono la categoria del deep learning.
3) Rispetto ai sistemi di visione tradizionali quali sono i vantaggi e gli svantaggi dell’utilizzo dell’intelligenza artificiale?
Andrea Tiberti:
L’impiego dell’intelligenza artificiale nell’ambito dei sistemi di visione, se addestrata su un campione di dati significativo, consente di sviluppare algoritmi meno sensibili alla variazione dei pezzi analizzati garantendo quindi un’analisi più robusta e flessibile rispetto agli algoritmi di visione tradizionali. Questi, invece, richiedono un lavoro accurato in cui è necessario definire un maggior numero di parametri da configurare e modificare in relazione alla variazione delle condizioni ambientali, di luce, di luminosità del pezzo. Maggiore flessibilità si traduce anche in una riduzione dell’intervento umano necessario per configurare i parametri sopra citati. Il principale svantaggio negli algoritmi di intelligenza artificiale è il fatto di essere “black-box” ovvero, una volta addestrati, è difficile intervenire per migliorarne le performance o correggere eventuali comportamenti indesiderati se non attraverso un loro ri-addestramento. Di contro, i sistemi di visione tradizionali consentono di intervenire in maniera precisa sugli aspetti che si desidera modificare o migliorare. La soluzione vincente penso sia, al momento, una versione ibrida in grado di beneficiare degli aspetti positivi di entrambi gli approcci.
4) Quali sono le soluzioni Imago per IA nei sistemi di visione?
Andrea Tiberti:
Sono stati integrati nei nostri software i principali algoritmi di deep learning allo stato dell’arte per l’analisi delle immagini. Questi algoritmi garantiscono una robustezza ancora maggiore nei confronti delle variazioni di produzione e delle variazioni di condizione in genere. Abbiamo inoltre implementato partendo da paper accademici degli algoritmi di anomaly detection, che vengono addestrati utilizzando campioni di produzione conformi, senza la necessità di dover acquisire e analizzare grandi quantità di difetti, spesso difficilmente reperibili dai clienti.
5) Si tratta di un impiego complementare o di uno sviluppo sempre più sistematico?
Andrea Tiberti:
Si tratta senza dubbio di un impiego sempre più sistematico, ormai divenuto uno standard in Imago. Negli ultimi anni, infatti, il numero di sistemi di visione Imago con a bordo algoritmi di intelligenza artificiale è cresciuto notevolmente, di pari passo con il nostro know-how in merito a tale argomento. La nostra forza risiede nel fatto di poter combinare questi nuovi algoritmi con quelli classici in modo da compensare eventuali debolezze e di beneficiare dei punti di forza di entrambi gli approcci.
6) Quali opportunità e quali scenari prevedete per il futuro dell’intelligenza artificiale in Imago?
Matteo Baldelli:
Da circa tre anni stiamo costantemente integrando gli algoritmi di Deep Learning più importanti. Spesso le integrazioni sono fatte partendo dalla lettura dei paper scientifici. Come noto, è un settore in constante espansione in cui vengono rilasciate tecnologie “game-changer” per il nostro settore, il tutto in tempi molto brevi. Oltre agli algoritmi di deep learning per l’image processing abbiamo integrato anche tecnologie di machine learning per l’analisi dei processi, come ad esempio l’analisi di serie temporali di dati estratti dai nostri software. L’obiettivo è quello di continuare su questa strada, muovendoci alla stessa velocità di un settore in continua evoluzione al fine di mantenere Imago e i suoi prodotti sempre al passo con i tempi.
7) In che modo queste innovazioni hanno aiutato Imago a trovare soluzioni che altrimenti non avrebbe potuto trovare, consentendo ai suoi clienti di superare sfide prima insuperabili?
Matteo Baldelli e Andrea Tiberti:
Sicuramente queste innovazioni hanno consentito ad Imago di integrare nuove competenze al proprio know-how per sviluppare applicazioni altrimenti non realizzabili. Si tratta di progetti caratterizzati da notevole variabilità sia nella produzione che nelle condizioni ambientali. I risultati ottenuti hanno rappresentato un vero balzo in avanti per i nostri partner, suscitando massima soddisfazione tra i loro clienti.
