Le quattro fasi
Ascolta l'articolo
Nel mio ultimo articolo ho parlato di Selene Spa e di come il progetto di riconoscimento automatico dei difetti di produzione, che utilizza ADR-Flow, sia entrato in quella che chiamiamo “fase 3”. Oggi vorrei spiegare meglio come si articola, nella nostra visione, un progetto di riconoscimento automatico dei difetti di produzione industriale e di come ADR-Flow fornisca un supporto completo in tutte le fasi del progetto.
Bisogna innanzitutto chiarire che un progetto di questo genere è quasi sempre supervisionato, infatti è molto difficile che un sistema sia in grado di capire da solo se una fotografia rappresenta un pezzo difettato o no, quindi nel progetto bisogna prevedere, soprattutto nelle sue fasi iniziali, che le immagini debbano essere classificate manualmente da un esperto al fine di poter addestrare il modello (quasi sempre una rete neurale profonda di tipo convolutorio), gli sviluppatori di ADR-Flow sono a disposizione.
Ma c’è qualcosa che necessariamente va fatto ancora prima: acquisire le immagini!
Detta così, può sembrare una banalità, invece acquisire le immagini è un processo delicato e spesso anche sottovalutato: qualche volta ci si sente dire che le immagini per l’addestramento della rete ci sono e basta utilizzarle, per poi scoprire che si tratta di una decina di fotografie scattate in modo estemporaneo, magari anche per produrre un manuale ad uso degli operatori, oppure che basta andare sulla linea con una macchina fotografica e prenderle.
In realtà, l’acquisizione delle immagini, al di là di qualche piccolo esperimento iniziale, puramente indicativo, è parte integrante dell’intero progetto: infatti, è fondamentale che le immagini vengano prese durante tutto il progetto nel modo più uniforme possibile, altrimenti il modello fa molta più fatica a “convergere”, i tempi si allungano, i costi aumentano … e le aspettative vengono frustrate. Inoltre, se ben fatta, oltre ad aprire la strada per una buona conclusione del progetto stesso, l’acquisizione delle immagini vale già di per sé più dell’investimento di cui necessita.
FASE 1
Ecco dunque che la prima fase del progetto consiste nel dotarsi di un sistema di acquisizione di immagini (prima ancora di scattare, per intenderci) tratte direttamente dalla produzione, che permetta di creare un archivio in cui le immagini sono collegate ai loro metadati, come istante, luogo/vista (se si prendono più immagini dello stesso pezzo), codice identificativo del pezzo fotografato (quando questo esiste), eccetera. ADR-Flow, fedele compagno di viaggio, è progettato per realizzare nel modo più semplice possibile tutte queste attività preliminari.
Si può a questo punto partire serenamente con le altre fasi:
FASE 2
La seconda consiste nell’acquisire effettivamente le immagini, classificarle manualmente, addestrare un modello fino a raggiungere una performance soddisfacente. Si tratta di un processo iterativo: una volta raggiunto un primo risultato, solo raramente già soddisfacente, si classificano altre immagini e si vede se il risultato migliora, eventualmente prendendo le opportune contromisure se questo non succede. Anche qui, ADR-Flow mette a disposizione degli utilizzatori (manager, tecnici di dominio, data scientist e sistemisti) tutte le funzionalità che permettono a ciascuno di concentrarsi sul proprio lavoro.
FASE 3
La terza fase consiste nell’attivare il riconoscimento automatico: è un po’ la prova del 9 del sistema e può succedere che ci si accorga che le prestazioni effettive sono inferiori a quelle registrate durante la seconda fase. Nessun problema, se succede, è prevista una nuova fase di analisi, che spesso evidenzia come i problemi siano da imputare a condizioni di acquisizione mutate, nonostante tutti gli sforzi e le attenzioni poste nella prima fase.
FASE 4
Infine la quarta fase: il sistema è in esercizio e segnala i difetti. Ma è possibile che i difetti non vengano sempre segnalati tutti (falsi negativi) e qualche volta ci sono dei falsi positivi (segnalazione di difetti inesistenti), anche in questo caso è previsto da parte degli specialisti di ADR-Flow un intervento, poiché c’è ancora (e sempre durante tutta la vita del progetto) la possibilità di migliorare. Può sembrare strano ad un lettore non avvezzo a queste tematiche scoprire che anche in questa fase finale siano ipotizzabili degli assestamenti, poco male, ADR-Flow mette a disposizione anche funzionalità di monitoraggio e controllo, utili per limitare al massimo riconfigurazioni.
Di criticità, contrattempi e soprattutto successi si potrebbe parlarne a lungo … ma sarà per un’altra volta, anzi invitiamo chi è giunto fino a qui con la lettura a scriverci per fare domande o commentare.
Alla prossima!
Il controllo qualità di Selene entra in fase 3
Ascolta l'articolo
Lo so, avevo promesso di approfondire i temi lasciati aperti nello scorso articolo … ma in questi giorni ho avuto una grossa soddisfazione e non sono capace di trattenermi dal parlarne. E poi, si tratta di machine learning applicato al controllo qualità, cioè dell’evoluzione di un progetto di rilevamento automatico dei difetti di produzione industriale inserito in un vero processo produttivo, non di spiegazioni teoriche!
I fatti in breve
Un’azienda nostra cliente, la Selene, di Lucca, è entrata in quella che noi chiamiamo fase 3 del progetto, cioè la fase in cui la rete neurale, opportunamente addestrata a replicare i giudizi espressi dagli esperti, viene effettivamente messa sulla linea di produzione per controllare la qualità del prodotto, sia pure ancora a livello sperimentale.
La soddisfazione è stata ancora più grande, se si pensa che l’intervento decisivo, quello che dove si è visto che i problemi sorti in precedenza, dovuti ad un aggiornamento del sistema operativo che, coadiuvato da un piccolo problema hardware, ci ha fatto dannare, è stato brevissimo: ricordo bene la faccia stupita della receptionist che mi ha visto uscire dalla zona produttiva con un sorriso largo come la faccia non più di 120 secondi dopo esservi entrato con un’espressione del tipo “speriamo che non ne succeda un’altra”!
Il fascino della manifattura
Selene è un’azienda che mi piace.
Confesso che, io che mi occupo principalmente di software, ho un debole per le aziende manifatturiere, dove si produce qualcosa che si può vedere, toccare, annusare, … anche perché trovo che in queste aziende molto spesso si trovano persone appassionate a quello che fanno, persone che a volte hanno decine di anni di esperienza nel tipo di produzione cui si dedicano e ancora, magari con qualche “resistenza” rispetto alle mirabolanti tecnologie che proponiamo loro, hanno voglia di migliorare.
L’importanza del sentirsi coinvolti da ciò che accade intorno a noi
Selene è una di queste, lo dimostra anche l’episodio della receptionist: poteva non essere affare suo se l’intervento avesse avuto successo o no, ma in realtà tutto il buon funzionamento dell’azienda è affare suo, ed ha gioito assieme a me per il buon esito, pur conoscendomi solo per quelle poche volte che le ero passato davanti: buongiorno … checkin … checkout … arrivederci.
A parte questo … no, probabilmente per gli stessi motivi, Selene è un’azienda che ha saputo innovare ed innovarsi di fronte alle sfide di un mondo, anche produttivo, che cambia: qualche anno fa ha deciso di inserire nel suo processo produttivo, produce tra l’altro sacchetti di plastica per uso industriale, il riciclo della plastica usata. Il mondo non può continuare ad essere sommerso dalla plastica e invece che stare a lamentarsi per le occasioni perse ha pensato di potersene creare delle nuove.
Controllo qualità: sfide e opportunità
Azione di successo, certo, ma non senza difficoltà ed anche qualche incidente di percorso, come quando hanno perso un’importante commessa perché non si sono accorti che la qualità del prodotto che avevano utilizzato non era quella desiderata. Il problema non è banale: se si parte da plastica nuova si ha un controllo della qualità in ingresso molto migliore; soprattutto, la qualità è molto meno soggetta a sbalzi, mentre se il prodotto proviene dal riciclo le cose stanno diversamente.
Non si sono certo persi d’animo ed hanno investito sul miglioramento della qualità. In particolare sul controllo qualità del materiale in ingresso al processo produttivo ed è proprio in questo ambito che hanno pensato di poter utilizzare tecniche di “computer vision” e di “machine learning”.
Whats’ next?
Mi accorgo di aver scritto già tanto, ma di non aver ancora spiegato bene quali sono le quattro fasi di progetto che abbiamo proposto loro, così come più o meno facciamo con tutti i nostri clienti … pazienza, vuol dire che avrò ancora materiale per altri articoli.
Stay tuned!
| L | M | M | G | V | S | D |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | |
| 7 | 8 | 9 | 10 | 11 | 12 | 13 |
| 14 | 15 | 16 | 17 | 18 | 19 | 20 |
| 21 | 22 | 23 | 24 | 25 | 26 | 27 |
| 28 | 29 | 30 | 31 | |||