<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1761680687464727&amp;ev=PageView&amp;noscript=1">
por
statwolf

Un moltiplicatore di opportunità. Da non lasciarsi sfuggire.

Sviluppo di un sistema per il riconoscimento di anomalie interpretabile nell’Industria 4.0 grazie al Bando regionale della DGR Veneto n° 805 del 11 giugno 2019

Il progetto “ExplAIn4.0” di Statwolf

Statwolf Data Science SRL è un’azienda alla costante ricerca di innovazione nei propri prodotti e servizi. A tale scopo, si è avvalsa anche delle opportunità previste dalla DGR n° 805 dell'11/06/2019, con il Bando per il sostegno a progetti di ricerca che prevedono l’impiego di ricercatori - asse 1 “ricerca, sviluppo tecnologico e innovazione”, con obiettivo specifico “Incremento dell’attività di innovazione delle imprese”, Azione 1.1.1 “Sostegno a progetti di ricerca alle imprese che prevedono l’impiego di ricercatori (dottori di ricerca e laureati magistrali con profili tecnico-scientifici) presso le imprese stesse”.

Grazie a tale bando, ha avviato un progetto di ricerca e sviluppo di un innovativo sistema per il riconoscimento di anomalie, orientato all’Industria 4.0, con caratteristiche di interpretabilità. L'esecuzione del progetto di ricerca e sviluppo ha rispettato i tempi e il budget previsti nella domanda di contributo, e ha permesso di ottenere i risultati di innovazione attesi.

Il Machine Learning (ML) traduce la crescente disponibilità di misure inerenti processi e prodotti, tipica dell’Industria 4.0, nella possibilità di anticipare i guasti, ridurre gli sprechi ed ottimizzare i costi. Tra le metodologie di ML maggiormente diffuse in questo scenario, l’Anomaly Detection (AD) ricopre un ruolo di primo piano. Infatti, spesso rappresenta per le aziende il primo passo della transizione al Digital Manufacturing. Ciò è motivato dal fatto che l’AD non richiede la presenza di un dato storico etichettato, ma permette comunque di aumentare la conoscenza del processo produttivo e può fornire importanti informazioni per l’implementazione di approcci supervisionati più evoluti.

Per quanto performanti, spesso i modelli di AD presentano il limite di essere scatole nere totalmente prive di trasparenza. Questo aspetto può minare la fiducia degli utenti finali nei confronti di queste soluzioni, limitandone l'adozione. Il problema è ancor più sentito nel caso delle PMI, all’interno delle quali spesso mancano competenze di tipo statistico che sono alla base del funzionamento dei modelli di ML. Inoltre, l’interpretabilità dei risultati abilità un’analisi delle cause scatenanti l’anomalia (Root Cause Analysis), che agevola l’identificazione delle azioni correttive più adatte per risolvere efficacemente eventuali problematiche.

img1

Nel progetto ExplAIn 4.0 sono state sviluppate soluzioni interpretabili di Machine Learning (ML), pensate per l’AD nel contesto dell’Industria 4.0. Il ricercatore reclutato, dopo aver esplorato la letteratura scientifica del settore, ha saputo identificare i punti di forza e di debolezza delle soluzioni algoritmiche allo stato dell’arte. Sulla base di questi risultati, il ricercatore ha sviluppato un approccio algoritmico innovativo, in grado di produrre, in maniera agnostica rispetto al metodo di ML sottostante, una spiegazione ‘interpretabile’ delle predizioni, sia a livello globale, sia a livello locale. Tale approccio, chiamato AcME (Accelerated Model Explanation), mima le visualizzazioni del popolare SHAP (basato sulla teoria degli Shapley values), ma consente di calcolare le informazioni in modo computazionalmente molto più efficiente, abilitando analisi on-the-fly che sono tipicamente necessarie nel mondo industriale.

img2

Il ricercatore ha collaborato anche all’integrazione del nuovo approccio all’interno della piattaforma Statwolf. Il risultato è un sistema a supporto delle decisioni cloud-based. Questo prototipo offre funzionalità di riconoscimento delle anomalie e l’interpretazione delle predizioni ottenute dal modello di ML.
Infine, il ricercatore ha avuto un ruolo attivo nelle azioni di divulgazione dei risultati.



Maggiori dettagli sugli aspetti metodologici dell'Anomaly Detection interpretabile sono stati raccolti nel booklet informativo: https://www.statwolf.com/hubfs/Bando_POR/Statwolf_anomaly_detection.pdf