Internet of Things e Machine learning, un binomio dal potenziale altissimo

AI, Machine Learning e Deep Learning, cosa sono?

L’Artificial Intelligence (o AI, Intelligenza artificiale) è il campo dell’informatica che studia le teorie e i metodi di implementazione di hardware e software che compiono attività con prestazioni che, dal punto di vista di un osservatore comune, sono attribuite esclusivamente all’intelligenza umana. Un esempio attuale sono le chatbot, sistemi di risposta automatica nelle chat (come Facebook o Whatsapp) di messaggi scritti con linguaggio naturale e che appaiono quindi come risposte di una persona reale all’altro capo del sistema di messaggistica.

Il Machine Learning  (o apprendimento automatico) fa parte degli studi sull’AI ed è un trend topic degli ultimi anni, ma in realtà il termine nasce nel 1959 da Arthur Samuel, che studiò metodi computazionali degli elaboratori per l’apprendimento (senza interventi di programmazione in itinere) in base ai pattern che esistono nei comportamenti. Il Machine Learning è utilizzato per l’analisi predittiva, ovvero l’analisi dello storico di dati comportamentali (ad esempio, come si comporta la ventola di un forno se questo è usato in modo massivo sempre a massime temperature? Aumentano le vibrazioni?) per poter predire eventi specifici (nel nostro caso, il consumo delle giunzioni della ventola, a causa dello stress delle vibrazioni costanti).

Il Deep Learning  (o apprendimento profondo) è quel campo del Machine Learning e della AI che studia l’apprendimento automatico di concetti più complessi, attraverso la strutturazione dei concetti appresi in livelli (la profondità di questi livelli dà il nome di Deep Learning, più articolato del Machine Learning). Un esempio sono le reti neuronali artificiali, ovvero un sistema computazionale in cui hardware o software comprendono, organizzano e gestiscono le informazioni simulando la struttura neuronale cerebrale, in modo da rispondere a problemi complessi che vengono posti in diversi campi (come l’informatica, l’elettronica o le simulazioni, ad esempio).

IoT e Machine Learning, cosa possono fare insieme?

L’articolo di Towardsdatascience.com spiega quando l’applicazione del Machine Learning è fondamentale per le aziende: nel caso in cui si conoscano i pattern ricorsivi (ovvero, gli indizi) che consentono di determinare l’accadimento di un evento (quindi, predirlo), si possono creare dei sistemi definiti di “Weak AI”, ovvero dei sistemi di intelligenza artificiale che compiono attività semplici, perché sono già note le variabili che consentono di fare un’analisi predittiva. La vera AI, e quindi il ML (Machine Learning), viene in soccorso quando non sono noti i pattern e le variabili di un problema, di cui però vediamo i risultati. Proprio a partire dai risultati, i sistemi di ML possono trovare quali sono i pattern e studiarne i comportamenti, per poter dire ai sistemi hardware e software come ottenere il risultato che vogliamo, in risposta al problema che abbiamo rilevato.

Per fare un esempio concreto, l’autore dell’articolo, Muhammad Anser, mostra il grafico (che riportiamo sotto) e spiega come Google abbia utilizzato sistemi di ML per diminuire il consumo di energia elettrica per la refrigerazione nei propri data center. Il sistema di ML ha calcolato il comportamento dei sistemi di refrigerazione e le temperature dei computer nei data center, per poter stabilire come poter diminuire il consumo elettrico, preservando la sicurezza degli elaboratori. Quindi, è stato applicato il controllo da parte del sistema di ML e quello che potete vedere di seguito è il risultato, con un notevole risparmio di costi…

Fonte: Machine Learning application in IoT – Towards Data Science

Le tecnologie IoT, quindi, che consentono il monitoraggio, il controllo e la configurazione in remoto dei macchinari connessi, se integrati con sistemi di Machine Learning, offrono un binomio sicuramente vincente, perché i macchinari possono apprendere e risolvere in autonomia delle problematiche a cui l’uomo non saprebbe rispondere da solo. E il ruolo degli specialisti dedicati ai macchinari diventa di configuratore e monitoraggio, diminuendo in maniera esponenziale il tempo e gli sforzi necessari per ottenere dei risultati sicuramente significativi per le aziende in termini di risparmio e di produttività.

Il successo è nei dettagli (dei dati)

Sicuramente, l’uomo non potrebbe elaborare con la stessa precisione e velocità una mole di dati come analizzati dai sistemi Big Data. Il Machine Learning applicati all’analisi dei Big Data e alle tecnologie IoT, consentono di risolvere problemi complessi con un numero di variabili enorme, grazie, come abbiamo visto, alla capacità di scoperta e analisi dei pattern comportamentali dei sistemi che si riescono a riscontrare analizzando in dettaglio lo storico di dati provenienti dalle macchine connesse.

Un nuovo esempio ci viene suggerito dall’articolo di iotforall.com, che spiega come Caterpillar abbia utilizzato un sistema di Machine Learning per risparmiare oltre 650.000 dollari l’anno sui costi di carburante della propria flotta di cinquanta navi.

L’azienda ha utilizzato il ML per scoprire come il consumo di carburante fosse legato all’energia prodotta dai generatori elettrici presenti sulle navi, grazie ai dati provenienti dai sensori disposti nei diversi settori e macchinari all’interno delle strutture. L’azienda è giunta alla conclusione che avere più generatori all’interno delle navi che producono meno tensione è più conveniente, risparmiando così fino a 30 dollari l’ora.

Il binomio tra Machine Learning e IoT ha, come visto, un potenziale altissimo. Le idee di applicazione al business sono molteplici e l’articolo di medium.com ne fornisce addirittura 120 per 12 settori industriali, tra cui il manifatturiero. Possiamo prendere ad esempio la predizione di trend futuri e di problematiche lungo tutta la supply chain per la produzione di un prodotto.

Abbiamo sempre detto che con un sistema di Things Relationship Management tutto l’ecosistema di aziende che vive intorno alla produzione può trarre i benefici delle tecnologie IoT attraverso i dati provenienti dai macchinari connessi. E se il software TRM si integrasse con un sistema di Machine Learning, potendo così stabilire regole e algoritmi per fare analisi predittive sui trend e addirittura anticipare le necessità dei clienti senza bisogno di specifiche da parte dell’azienda manifatturiera?