Reinforcement Learning
Implementiamo a livello algoritmico ciò che facciamo normalmente ogni giorno: nella vita reale lo chiamiamo “trial and error” oppure “learn by doing”.
Explainable AI
Consentiamo alle persone di collaborare con le macchine per risolvere problemi complessi.
Generative Methods
Studiamo programmi che possono utilizzare contenuti esistenti come testo, file audio o immagini per creare nuovi contenuti plausibili.
Transformers
Implementiamo una delle più grandi rivoluzioni in atto nel campo dell’intelligenza artificiale, sia per quanto riguarda l’analisi di testi, che di dati industriali o di immagini, che si basa su meccanismi di attenzione, esattamente come il nostro cervello.
DEEP LEARNING
Facciamo tutto questo, grazie a reti neurali complesse: si tratta di riuscire a replicare qualcosa di molto simile al cervello umano (le chiamiamo “reti neurali” perché il comportamento dei nodi che le compongono ricordano vagamente quello dei neuroni biologici).
Le reti neurali, alla base del Deep Learning, sono un algoritmo utilizzato per risolvere problemi di natura complessa non facilmente codificabili. Si tratta di una scatola nera, con degli input, alcuni strati intermedi e output che costituiscono il risultato atteso.
E le reti complesse? Il deep learning utilizza reti neurali “deep”, ovvero profonde diversi layer (strati della rete).
Lo scopo di avere diversi layer è che attraverso la generalizzazione l’algoritmo sarà in grado di riconoscere molti più elementi.
Con il Deep Learning i nostri sistemi possono gestire iterazioni complesse tra le variabili, senza utilizzare regole (impossibili da definire) ma esempi.
L’Intelligenza Artificiale … secondo noi
Classifichiamo le anomalie
Le anomalie sono tutte diverse, ma in alcuni casi si ripetono con frequenza più alta: usando i dati che sono stati analizzati in fase di apprendimento collaborativo, si possono usare delle regole di similarità (classificatori) per cercare di capire non solo che “qualcosa è andato storto” ma anche “che cosa”.
Siamo i numeri uno nel rilevare anomalie sconosciute
Le anomalie non sono conoscibili a priori, proprio perché per loro natura indeterminate. Per questo, per addestrare gli algoritmi, non usiamo esempi di anomalie, ma esempi di normalità: otteniamo così un rilevatore di scostamento dalla normalità.
Manutenzione predittiva
Se dopo il verificarsi di un’anomalia ci sono stati dei fermi di produzione o delle rotture del sistema, attraverso i dati raccolti è possibile stimare il tempo di vita residuo di una macchina
o di un componente.
Sì all’autoapprendimento delle “macchine”, ma con l’aiuto dell’uomo
Nelle prime fasi i sistemi di Anomaly Detection possono dare origine a falsi allarmi (perché ancora non sono state registrate condizioni di lavoro considerabili normali, ma rare), per questo ci avvaliamo anche della supervisione umana (il sistema di Deep Learning viene riaddestrato su un nuovo set dati più esteso).