Industria 4.0

Intelligenza artificiale

Machine learning

Prof. Salvatore Mancarella

salvatore.mancarella@unisalento.it

Industria 4.0

´ https://www.youtube.com/watch?v=FfjdIRSgzuk

Storia. Industria 4.0

´ Dalla prima rivoluzione industriale alla quarta

rivoluzione industriale.

Prima rivoluzione industriale

´ Iniziò nella seconda metà del 700’

ed interessò il Settore tessile e

metallurgico. E’ stato un processo di

evoluzione sia economica sia

industriale della società che da

sistemi Agricoli , artigianali

,commerciali divenne un sistema

unico e moderno caratterizzato

dall’uso di macchine azionate da

energia e dall’utilizzo di nuove fonti

energetiche

´ La macchina a vapore e

l’evoluzione agricola.

Seconda rivoluzione industriale

´ Iniziò intorno al 1870 e proseguì fino al 1945. Fù

un processo che portò l’Europa ad un

ribaltone mondiale, si rinforzarono i settori

industriali ed economici.

´ Ci furono delle innovazioni dell’elettricità e del

petrolio, dell’acciaio e lo sviluppo della

chimica e della medicina, migliorando la vita

quotidiana in tutto il mondo.

Seconda rivoluzione industriale

´ Importanza dell’elettricità, del petrolio, dell’acciaio,

dello sviluppo della chimica e della medicina

Terza rivoluzione industriale

´ Iniziò dopo la Seconda Guerra Mondiale, intorno al

1950. Ci furono grandi innovazioni come la nascita del

computer, l’innovazione tecnologica, la creazione dei

robot e le prime navicelle spaziali che portarono

l’essere umano alla scoperta di nuovi pianeti.

´ La ricerca e lo sviluppo diventarono un settore

essenziale per la crescita economica Innovazione

tecnologica, con la nascita di:

´ Computer, robot, prima navicella spaziale e satelliti

Quarta rivoluzione industriale

(industria 4.0)

´ Che integra alcune nuove

tecnologie produttive per

migliorare le condizione di lavoro e

per aumentare la produttività e la

quantità produttiva degli impianti

cioè più prodotti al minor tempo

Caratteristiche dell'Industria

4.0

´ Connessione: Internet delle cose (IoT), connettività tra

macchine e sistemi

´ Digitalizzazione: Utilizzo di dati e tecnologie digitali

´ Automazione: Robotica avanzata e sistemi autonomi

´ Personalizzazione: Produzione su misura e di massa

Caratteristiche dell'Industria

4.0

´ Connessione: Internet delle cose (IoT)

´ Definizione: Rete di dispositivi interconnessi che

raccolgono e scambiano dati.

´ Applicazioni:

´ Monitoraggio remoto e controllo delle macchine.

´ Ottimizzazione della produzione in tempo reale.

´ Miglioramento della manutenzione preventiva.

Caratteristiche dell'Industria

4.0

Digitalizzazione

´ Utilizzo di dati e tecnologie digitali per migliorare i

processi produttivi.

´ Digitalizzazione dei processi di progettazione,

produzione, e gestione.

Automazione

´ Implementazione di robotica avanzata e sistemi

autonomi.

´ Ruoli dei robot: dalla produzione all'assemblaggio, alla

logistica.

´ Riduzione dell'intervento umano nei processi ripetitivi e

pericolosi.

Caratteristiche dell'Industria

4.0

Personalizzazione

´ Produzione su misura e di massa per soddisfare le esigenze

dei clienti.

´ Utilizzo di tecnologie come la stampa 3D per la produzione

personalizzata.

´ Miglioramento dell'esperienza del cliente attraverso prodotti

e servizi personalizzati.

Caratteristiche dell'Industria

4.0

Benefici

´ Aumento della produttività e dell'efficienza operativa.

´ Miglioramento della qualità dei prodotti e dei servizi.

´ Maggiore adattabilità ai cambiamenti di mercato e alle

esigenze dei clienti.

´ Riduzione dei costi operativi e ottimizzazione delle risorse.

Vantaggi dell’industria 4.0.

´ Maggiore produttività attraverso minori

tempi di set-up, riduzione errori e fermi

macchina

´ Maggiore velocità dal prototipo alla

produzione in serie attraverso tecnologie

innovative

´ Maggior flessibilità attraverso la produzione

di piccoli lotti ai costi della grande scala

Vantaggi dell’industria 4.0.

´ Maggiore competitività del prodotto

grazie a maggiori funzionalità

derivanti dall’Internet delle cose

´ Migliore qualità e minori scarti

mediante sensori che monitorano la

produzione in tempo reale

Caratteristiche dell'Industria

4.0

Rischi

´ Dipendenza dalla tecnologia e vulnerabilità agli attacchi

informatici.

´ Problemi di privacy e gestione dei dati sensibili.

´ Necessità di formazione continua per il personale e

adeguamento delle competenze.

Tecnologie chiave

dell’industria 4.0

´ Internet delle cose (IoT)

´ Big Data e Analytics

´ Intelligenza Artificiale (AI) e Machine Learning

´ Robotica avanzata e Automazione

´ Stampanti 3D

´ Cyber-sicurezza

Internet delle cose (IoT)

´ Definizione: Rete di dispositivi fisici, veicoli, elettrodomestici e

altri oggetti incorporati con sensori, software, elettronica e

connettività di rete.

´ Ruolo nell'Industria 4.0:

• Raccolta e scambio di dati in tempo reale tra macchine e

sistemi.

• Monitoraggio e controllo remoto delle operazioni.

´ Esempi di applicazioni:

• Sensori di temperatura nelle catene di produzione.

• Tracciamento degli asset e monitoraggio dello stato delle

macchine.

Big Data e Analytics

´ Definizione: Analisi dei grandi volumi di dati generati da

dispositivi, sensori e sistemi.

´ Ruolo nell'Industria 4.0:

• Estrazione di informazioni significative per prendere decisioni

informate.

• Ottimizzazione dei processi produttivi e della catena di

approvvigionamento.

´ Esempi di applicazioni:

• Analisi predittiva per prevedere guasti delle macchine.

• Ottimizzazione dei flussi di produzione basata sui dati di vendita e

previsione della domanda.

Intelligenza Artificiale (AI)

Machine Learning

´ Deﬁnizione: Tecnologie che consentono ai computer di

apprendere dai daꢀ e migliorare le prestazioni senza essere

esplicitamente programmaꢀ.

´ Ruolo nell'Industria 4.0:

• Automazione dei processi decisionali e delle aꢀvità ripeꢁꢁve.

• Oꢀmizzazione dei processi di produzione e manutenzione.

´ Esempi di applicazioni:

• Sistemi di controllo di qualità basaꢁ su visione arꢁﬁciale.

• Oꢀmizzazione della manutenzione prediꢀva uꢁlizzando algoritmi di

machine learning.

Robotica avanzata e

Automazione

´ Definizione: Utilizzo di robot e sistemi autonomi per eseguire

attività industriali.

´ Ruolo nell'Industria 4.0:

• Aumento dell'efficienza e della precisione nelle operazioni di

produzione.

• Riduzione del lavoro manuale e rischio di errore umano.

• Esempi di applicazioni:

• Robot collaborativi nell'assemblaggio e nella movimentazione di

materiali.

• Automazione dei processi di picking e packaging nei magazzini.

Stampanti 3D

´ Definizione: Tecnologia di fabbricazione additiva che consente la

produzione di oggetti tridimensionali.

´ Ruolo nell'Industria 4.0:

• Produzione rapida di prototipi e componenti personalizzati.

• Riduzione dei tempi e dei costi di produzione.

´ Esempi di applicazioni:

• Prototipazione rapida per lo sviluppo di nuovi prodotti.

• Produzione di parti di ricambio on-demand.

Cyber-sicurezza

´ Definizione: Pratiche e tecnologie per proteggere i sistemi

informatici, le reti e i dati dalle minacce informatiche.

´ Ruolo nell'Industria 4.0:

• Garantire la sicurezza dei dati sensibili e dei sistemi di controllo

industriale.

• Minimizzare il rischio di attacchi informatici e sabotaggi.

´ Esempi di applicazioni:

• Crittografia dei dati trasmessi tra i dispositivi IoT.

• Monitoraggio costante delle reti per rilevare e prevenire intrusioni.

Industria 4.0

´ https://www.youtube.com/watch?v=CObyT2P9C-U

Industria 4.0

´ E’ ispirata da un progetto tedesco, infatti i 3

principali fondatori sono tedeschi e sono:

Henning Kagermann, Wolf-Dieter Lukas e

Wolfgang Wahlster.

Industria 4.0

Il metodo meno complesso per capire la quarta

rivoluzione industriale è riflettere sulle tecnologie,

come ad esempio:

´ Materiali innovativi: come le leghe metalliche

e la plastica che garantiscono di stimolare settori

come la produzione ed energie rinnovabili.

´ Con robotica: si occupa dello studio, della

costruzione e dell'impiego dei robot.

Industria 4.0

´ La realtà virtuale (VR) mette a disposizione

esperienze digitali a 360° (grazie ad un visore

VR) che imitano il mondo reale

´ Con stampa 3D si intende la realizzazione di

oggetti tridimensionali mediante produzione

additiva, partendo da un modello 3D digitale.

SMART FACTORY

L ‘Industria 4.0 passa anche per il concetto di smart

factory, che si compone in 3 fasi:

´ Smart production: nuove tecnologie che creano

collaborazione.

´ Smart service: permettono a tutte le aziende di

operare anche con le strutture esterne.

´ Smart energy: avendo molta attenzione ai consumi

energici, creando sistemi più veloci e riducendo gli

sprechi.

Industria 5.0

´ Attualmente, il concetto di "Industria 5.0" non è così consolidato

come l'Industria 4.0. Mentre l'Industria 4.0 si concentra

sull'automazione, sull'IoT, sull'analisi dei dati e sull'integrazione

digitale dei processi industriali, l'idea di Industria 5.0 spesso

riflette una visione futura o una continuazione dell'evoluzione

tecnologica.

´ Tuttavia, il termine "Industria 5.0" è stato talvolta utilizzato per

descrivere una fase successiva di sviluppo industriale che

potrebbe includere concetti come la collaborazione uomo-

macchina, la personalizzazione estrema e la sostenibilità.

Intelligenza artificiale

Machine learning

Intelligenza artificiale

´ L'intelligenza artificiale (in sigla IA) è una disciplina

che studia se e in che modo si possano realizzare

sistemi informatici intelligenti in grado di simulare la

capacità e il comportamento del pensiero umano.

I Primi passi dell’intelligenza

artificiale

Algoritmo

Intelligenza Artificiale

Apprendimento

data

Computer

risultati

Computer

Nuovi

risultati

data

Tre tipi di apprendimento

Apprendimento non

supervisionato

Cluster Analysis

´ Creazione di gruppi elementari omogenei con

l’obiettivo di riconoscere similarità strutturali tra gli

elementi di un dataset.

´ Esempio: Classificazione dei fabbricati per il prezzo e

per la loro età di fabbricazione.

Intelligenza artificiale

´ L'intelligenza artificiale è una disciplina appartenente

all’informatica che studia i fondamenti teorici, le

metodologie e le tecniche che consentono la

progettazione di sistemi hardware e sistemi di

programmi software capaci di fornire all’elaboratore

elettronico prestazioni che, a un osservatore comune,

sembrerebbero essere di pertinenza esclusiva

dell'intelligenza umana.

(Marco Somalvico)

Intelligenza artificiale

´ Definizioni specifiche possono essere date

focalizzandosi sui processi interni di ragionamento o sul

comportamento esterno del sistema intelligente e

utilizzando come misura di efficacia la somiglianza

con il comportamento umano o con un

comportamento ideale, detto razionale:

´ Agire in modo analogo a quanto fatto dagli esseri

umani: il risultato dell'operazione compiuta dal sistema

intelligente non è distinguibile da quella svolta da un

umano.

Intelligenza artificiale

´ Pensare in modo analogo a quanto fatto dagli esseri umani.

Questo approccio è associato alle scienze cognitive.

´ Pensare razionalmente: il processo che porta il sistema

intelligente a risolvere un problema è un procedimento

formale che si rifà alla logica.

´ Agire razionalmente: il processo che porta il sistema

intelligente a risolvere il problema è quello che gli permette di

ottenere il miglior risultato atteso date le informazioni a

disposizione.

Machine learnig

´ Il Machine Learning (ML) o l'intelligenza artificiale

(AI) si occupano di creare sistemi che

apprendono o migliorano le performance in base

ai dati che utilizzano

Machine learnig

´ Intelligenza artificiale è un termine generico e si riferisce

a sistemi o macchine che imitano l'intelligenza umana.

´ I termini machine learning e AI vengono spesso utilizzati

insieme e in modo interscambiabile, ma non hanno lo

stesso significato. Un'importante distinzione è che

sebbene tutto ciò che riguarda il machine learning

rientra nell'intelligenza artificiale, l'intelligenza artificiale

non include solo il machine learning.

Machine learnig

´ Attualmente, il machine learning è utilizzato ovunque.

Quando interagiamo con le banche, acquistiamo

online o utilizziamo i social media, vengono utilizzati gli

algoritmi di machine learning per rendere la nostra

esperienza efficiente, facile e sicura.

´ Il Machine Learning e la tecnologia associata si stanno

sviluppando rapidamente e noi abbiamo appena

iniziato a scoprire le loro funzionalità.

Machine learnig

´ Il machine learning è stato adottato in una vasta

gamma di settori per supportare diversi obiettivi

aziendali, come:

´ Calcolo del valore del ciclo di vita del cliente

´ Rilevamento delle anomalie

´ Determinazione dei prezzi dinamici

´ Manutenzione predittiva

Obiettivo di business del machine

learning - modellare il valore vita utile

cliente

´ La creazione di un modello per il calcolo del valore del

ciclo di vita del cliente è fondamentale per le aziende di

e-commerce, ma è applicabile anche in molti altri settori.

´ In questo modello, le organizzazioni utilizzano algoritmi di

machine learning per identificare, conoscere e fidelizzare

i clienti più importanti.

´ Questi modelli valutano enormi quantità di dati dei clienti

per determinare quelli che effettuano più acquisti, i più

fidelizzati o una combinazione di questi due tipi di

clientela.

Machine learning - modellare il

valore vita utile cliente

´ I modelli per il calcolo del valore del ciclo di vita del cliente

sono particolarmente efficaci nel prevedere le entrate

future che un'azienda otterrà da un singolo cliente in un

determinato periodo.

´ Queste informazioni consentono alle aziende di

concentrarsi sulle strategie di marketing per incoraggiare i

clienti di alto valore ad interagire più spesso con il loro

brand. I modelli di questo tipo aiutano inoltre le

organizzazioni a indirizzare le loro spese di acquisizione per

attirare nuovi clienti con profili simili ai clienti di alto valore

già esistenti.

Machine learning - modellare il

valore vita utile cliente

´ La creazione di un modello per il calcolo del tasso di

abbandono dei clienti aiuta le aziende a identificare i

clienti che probabilmente smetteranno di interagire con

loro e i motivi dell'abbandono.

´ Un modello efficace utilizza algoritmi di machine learning

per fornire insight completi: dai punteggi relativi al rischio di

abbandono dei singoli clienti, i fattori principali di

abbandono, classificati in ordine di importanza. Questi

risultati sono fondamentali per lo sviluppo di una strategia di

retention basata su algoritmi.

Machine learning - modellare il

valore vita utile cliente

´ Acquisire una visione più approfondita del tasso di

abbandono dei clienti aiuta le aziende a ottimizzare le

offerte di sconto, le campagne e-mail e altre iniziative di

marketing mirate che fanno sì che i clienti di alto valore

continuino ad acquistare e tornino per fare ulteriori acquisti.

´ I consumatori hanno maggiori possibilità di scelta rispetto a

quante ne abbiano mai avute sinora e possono

confrontare all'istante i prezzi attraverso una vasta gamma

di canali

Machine learning – prezzi

dinamici

´ La determinazione dei prezzi dinamici, nota anche come

determinazione dei prezzi basati sulla domanda, consente

alle aziende di restare aggiornate sulle dinamiche del

mercato in rapida evoluzione.

´ Permette alle organizzazioni di assegnare il prezzo degli

articoli in modo flessibile in base a fattori quali il livello di

interesse del cliente target, la domanda al momento

dell'acquisto e se il cliente era interessato a una campagna

di marketing.

Machine learning – prezzi

dinamici

´ Questo livello di agilità aziendale richiede una strategia di

machine learning affidabile e una grande quantità di dati

per comprendere come cambia la disponibilità dei clienti a

pagare per un bene o un servizio nelle diverse situazioni.

´ Nonostante la complessità dei modelli di pricing dinamici,

aziende come compagnie aeree e servizi di trasporti

condivisi hanno implementato con successo strategie di

ottimizzazione dei prezzi dinamici per massimizzare le

entrate.

Machine learning – processo

decisionale

´ Una delle caratteristiche più convincenti del machine

learning è la capacità di automatizzare e velocizzare il

processo decisionale nonché accelerare il time to value,

consentendo di ottenere una migliore visibilità aziendale e

una maggiore collaborazione.

Machine learning – La potenza

delle previsioni

´ Un'altra straordinaria caratteristica del machine learning è

la sua capacità predittiva. In passato, le decisioni

aziendali venivano spesso prese sulla base di risultati

storici. Oggi, il machine learning utilizza analisi dei dati

avanzate per eseguire previsioni. Le organizzazioni

possono prendere decisioni proattive e lungimiranti

anziché fare affidamento sui dati passati.

Machine learning – La potenza

delle previsioni

´ Ad esempio, la manutenzione predittiva può consentire ai

produttori, alle aziende energetiche e ad altri settori di

prendere l'iniziativa e verificare che le loro operations

rimangano affidabili e ottimizzate.

´ In un giacimento petrolifero con centinaia di trivelle in

funzione, i modelli di machine learning possono individuare

apparecchiature a rischio di malfunzionamento a breve

termine e quindi avvisare i team di manutenzione in anticipo.

´ Questo approccio non solo ottimizza la produttività, ma

aumenta le performance delle risorse, dei tempi di attività e la

durata delle apparecchiature. Può inoltre ridurre al minimo i

rischi per i lavoratori, ridurre le passività e migliorare la

compliance normativa.

Machine learning – La potenza

delle previsioni

´ I vantaggi della manutenzione predittiva si estendono al

controllo e alla gestione dell'inventario.

´ L'eliminazione dei tempi di inattività non pianificati delle

apparecchiature grazie all'implementazione della

manutenzione predittiva aiuta le organizzazioni a

prevedere in modo più accurato la necessità di parti di

ricambio e riparazioni, riducendo in modo significativo i

costi operativi e di capitale.

Machine learning – Piattaforma

Software

´ L'enorme potenziale del machine learning può aiutare le

aziende a trasformare la mole di dati attualmente

disponibili in un valore per l'azienda. Tuttavia, flussi di

lavoro inefficienti possono impedire alle aziende di

sfruttare appieno questo potenziale.

´ Per avere successo a livello aziendale, il machine learning

deve essere incluso in una piattaforma completa che

aiuta le organizzazioni a semplificare le operations e

implementare modelli su larga scala. La soluzione giusta

consentirà alle aziende di centralizzare tutte le attività di

Data Scienze in una piattaforma collaborativa e

accelerare l'uso e la gestione di strumenti, framework e

infrastrutture open source.

Machine learning –

Collaborazione

´ "Abbiamo spesso notato che le persone non sono in grado

di collaborare", afferma Rich Clayton, Vice Presidente del

reparto di strategia del prodotto per Oracle Analytics.

´ "L'aggiunta della funzionalità di machine learning a

Oracle Analytics Cloud contente alle persone di

organizzare il proprio lavoro e creare, addestrare e

implementare questi modelli di dati. Si tratta di uno

strumento di collaborazione che consente di accelerare il

processo e permette alle diverse funzioni aziendali di

collaborare e offrire una qualità e modelli migliori da

implementare".