Secondo una ricerca dell'Associazione europea dei costruttori di automobili, il numero di stabilimenti di produzione del settore automobilistico in Europa è in crescita: nel 2022 saranno circa 322, di cui 38 stabilimenti di batterie elettriche, rispetto ai 301 dell'anno precedente.

E qualche mese fa abbiamo letto che i principali produttori di batterie elettriche della Scandinavia e dell'Asia stanno pianificando investimenti per un totale di circa 10 miliardi di euro in nuove gigafactory europee.

Nuove strutture e la modernizzazione di siti esistenti per supportare la produzione di veicoli elettrici sono ottime opportunità per ripensare utensili e processi per massimizzare efficienza, qualità e manodopera. I notiziari hanno riferito che un produttore di veicoli elettrici ha eliminato oltre cento passaggi dal suo processo di produzione di batterie, 52 pezzi di equipaggiamento dalla carrozzeria e oltre 500 parti dalla progettazione dei suoi veicoli di punta.

Il risultato della rivisitazione dei processi è stata una riduzione del 35% nei costi dei materiali per i furgoni e risparmi di pari entità per gli altri veicoli.

Sappiamo che quando si tratta di sviluppare nuovi stabilimenti o fabbriche esistenti e di procurarsi soluzioni, l'attenzione è rivolta a livello di sito, con input e approvazione condivisi a livello di sito e aziendale.

Ma c'è sempre la possibilità che siti diversi utilizzino soluzioni diverse per flussi di lavoro simili e il rischio che competenze e dati non vengano condivisi tra i siti, anche quando si utilizzano soluzioni basate su intelligenza artificiale più recenti in cui la qualità dei dati è essenziale. Ciò può essere vero anche per i team di ispezione visiva che utilizzano sistemi di visione artificiale per qualità e conformità.

Secondo un rapporto di Zebra che esamina la visione artificiale basata sull'intelligenza artificiale nel settore automobilistico, tra i leader della visione artificiale nel settore automobilistico, quasi il 20% in Germania e nel Regno Unito afferma che la propria visione artificiale basata sull'intelligenza artificiale potrebbe funzionare meglio o fare di più.

Esistono modi in cui tecnologie come la visione artificiale con apprendimento profondo potrebbero essere meglio distribuite e utilizzate? Potremmo bilanciare le discussioni sulla sicurezza e la governance del cloud con le opportunità di sfruttarle per flussi di lavoro di alto valore come test e controllo qualità con la visione artificiale con apprendimento profondo e nuove risorse di elaborazione e collaborazione per ingegneri e data scientist?

L'intelligenza artificiale, in particolare il deep learning, prospera grazie ai dati: volume, varietà e velocità di dati di qualità superiore sono essenziali per addestrare e testare modelli di deep learning, in modo che forniscano i risultati attesi quando vengono implementati nella vita reale.

L'esperienza e il tempo a disposizione possono variare tra team e siti, il che può creare compartimenti stagni e rendere più difficile il raggiungimento della qualità dei dati. I dati devono essere archiviati, annotati e utilizzati per i modelli di training, con altri set di dati necessari per i test dei modelli. In questi casi, non ha senso che i dati aziendali rimangano compartimentati, a scapito di una migliore formazione per i modelli di visione artificiale.

Una rete neurale di apprendimento profondo dovrebbe essere esposta a più variazioni possibili, inclusi orari e giorni di produzione diversi. È necessario un mix di date casuali nel set di dati, il che potrebbe essere scomodo in quanto richiede l'acquisizione di dati per un periodo, a meno che non si utilizzi una piattaforma per simulare i dati di training, ma è fondamentale per il training di un modello robusto.

I processi industriali sono inoltre soggetti a vari fattori ambientali, come la luce ambientale variabile, materiali con leggere variazioni, vibrazioni, rumore, temperature e alterazioni nelle condizioni di produzione. Non tenere conto di queste modifiche nei dati di training può portare a una riduzione dell'accuratezza del modello.

Ogni sito può introdurre variazioni di nitidezza, distanza di lavoro, luce ambientale e altri fattori che il modello imparerà a gestire, quindi i set di dati di training riflettono l'intera gamma di variazioni che il modello può incontrare in scenari del mondo reale. Se i processi industriali coinvolgono più siti di produzione, è un errore raccogliere dati da uno solo di essi o raccoglierli da tutti ma mantenere i dati isolati.

Per risolvere questo problema, i dati dovrebbero essere acquisiti e condivisi da diverse condizioni ambientali e siti di produzione, ma come?

Un altro problema con un approccio di sito isolato riguarda l'annotazione dei dati di training per i modelli di deep learning. Annotazioni imprecise, poco chiare e incoerenti portano inevitabilmente a modelli che non funzionano bene. È fondamentale garantire che le annotazioni siano precise e univoche, anche nei siti di produzione che realizzano gli stessi articoli, ma ciò richiede che i team siano in grado di collaborare ai progetti di annotazione.

Contrassegnare diversi tipi di difetti su immagini diverse lasciando alcuni difetti non contrassegnati affatto è un errore comune nei progetti del mondo reale. E ciò che conta come difetto può anche essere soggettivo, quindi la convalida incrociata è importante. Tutti i difetti, indipendentemente dal tipo, dovrebbero essere contrassegnati chiaramente su tutte le immagini pertinenti.

Ancora una volta, senza adottare un approccio unificato e sfruttare il cloud, rimane la sfida dell'annotazione dei dati tra siti e paesi.

I team di visione artificiale nei settori manifatturieri hanno bisogno di nuovi modi per sfruttare la visione artificiale con apprendimento profondo, che dovrebbe includere l'uso del cloud. Una piattaforma di visione artificiale basata sul cloud consentirebbe ai team di caricare, etichettare e annotare in modo sicuro i dati da più sedi di produzione in tutto il sito, il paese e la regione.

Una gamma più ampia e diversificata di dati aggregati in una piattaforma basata su cloud da siti e ambienti diversi è migliore per la formazione di apprendimento profondo. Tale piattaforma consentirebbe a utenti definiti di lavorare insieme in tempo reale, collaborare a progetti di annotazione, formazione e test e condividere la propria competenza.

Con una piattaforma basata su cloud, gli utenti con ruoli, diritti e responsabilità definiti potrebbero addestrare e testare modelli di deep learning nel cloud. Grazie a dati di addestramento e test molto migliori, potrebbero fornire livelli molto più elevati di analisi e accuratezza dell'ispezione visiva, oltre alla visione artificiale convenzionale basata su regole per determinati casi d'uso.

Questi risultati sono ricercati dai produttori nei settori automobilistico, delle batterie elettriche, dei semiconduttori, dell'elettronica e dell'imballaggio, per citarne alcuni.

Una soluzione basata su cloud offre anche scalabilità e accessibilità della potenza di elaborazione. Con i sistemi tradizionali, alcuni dipendenti selezionati hanno potenti schede GPU nei loro computer per eseguire grandi corsi di formazione. Con il cloud, ogni utente può accedere alla stessa elevata potenza di elaborazione dai propri laptop.

Vengono generati alcuni costi, ma tramite un modello di abbonamento a consumo potrebbe comunque essere più vantaggioso rispetto all'investimento in server aziendali e personale IT aggiuntivo difficile da reperire.

Un modello di software as a service darebbe ai team di visione artificiale la flessibilità e la facilità di investire in una piattaforma basata su cloud con un abbonamento mentre il partner tecnologico aggiunge senza problemi nuove funzionalità, modelli e aggiornamenti. Le piattaforme basate su cloud di apprendimento profondo consentiranno l'implementazione edge del modello su PC e dispositivi per supportare flussi di lavoro flessibili e digitalizzati sulla linea di produzione, su un PC o dispositivo ovunque si trovi un utente o un team.

I leader della produzione si aspettano che l'IA guidi la crescita. Questa impennata nell'adozione dell'IA, unita alla priorità data dai leader alla trasformazione digitale, sottolinea l'intenzione dei produttori di migliorare la gestione dei dati e sfruttare le tecnologie moderne che migliorano la visibilità e la qualità durante tutto il processo di produzione.

Uno dei problemi più significativi di gestione della qualità odierni è l'integrazione dei dati. Con obiettivi di intelligenza artificiale e dati e nuovi impianti automobilistici pianificati, è giunto il momento di esaminare il potenziale del cloud per sfruttare i dati ed estendere i vantaggi della visione artificiale basata su apprendimento profondo.