Quale delle seguenti affermazioni non è vera riguardo al deep learning?

È un concetto/capacità tecnologica "nuova".
È la stessa cosa del machine learning.
Richiede un investimento significativo in infrastrutture on-premise (e un grande team di data scientist).

Se avete detto "Tutto quanto sopra", avete assolutamente ragione.

Le basi del deep learning (cioè l'apprendimento automatico e le reti convoluzionali) esistono da molto tempo, da quasi un secolo. Tuttavia, l'apprendimento profondo, così come lo conosciamo oggi, ha raggiunto lo status di hashtag solo circa 10 anni fa, quando noi esseri umani abbiamo iniziato a capire, o forse ad accettare, i nostri limiti. Più siamo stati spinti a lavorare più velocemente e a fare tutto alla perfezione, più velocemente ci siamo resi conto che queste due ambizioni non vanno d'accordo.

Non importa quante persone del vostro team siano concentrate sul completamento di un compito, né che siano gli specialisti più esperti del mondo. Quando si deve prendere una decisione in fretta e furia, e prendere la decisione giusta, le probabilità di sbagliare aumentano. Così come il costo della decisione (eventualmente sbagliata).

Secondo uno studio McKinsey condotto poco prima della pandemia, i lavoratori a tutti i livelli "passavano il 37% del loro tempo a prendere decisioni, e si riteneva che più della metà di questo tempo fosse speso in modo inefficace". Per i manager di un'azienda media di Fortune 500, questo potrebbe tradursi in oltre 530.000 giorni di tempo lavorativo perso e in circa 250 milioni di dollari di costi di lavoro sprecati all'anno".

Questo è solo uno dei tanti motivi per cui un numero sempre maggiore di dirigenti aziendali è desideroso di saperne di più sul deep learning.

"Secondo i risultati [di McKinsey], il livello di inefficienza [nel processo decisionale] diminuisce con l'anzianità. Mentre il 68% dei dirigenti di medio livello afferma che la maggior parte del tempo dedicato alle decisioni è inefficiente, il 57% dei dirigenti di livello C riferisce lo stesso. Esaminando più da vicino i dati, si nota una scarsa evidenza di economie di scala. Gli intervistati che dedicano la maggior parte del loro tempo al processo decisionale non si ritengono migliori dei loro colleghi nell'utilizzare bene il tempo a disposizione."

In altre parole, nessuno è perfetto, nemmeno i dirigenti che dovrebbero avere tutte le risposte e guidare la nave nella giusta direzione. Forse è per questo che stiamo iniziando a capire che, in alcuni casi, l'IA (e il deep learning in particolare) dovrebbe essere usata per compensare i nostri limiti fisici e informatici.

Come esseri umani, possiamo vedere solo fino a un certo punto, fare solo fino a un certo punto e pensare fino a un certo punto prima di iniziare a perdere colpi. E per quanto ci sforziamo di essere perfetti al lavoro, avremo sempre dei pregiudizi o degli svantaggi. Per esempio, non sempre riusciamo a capire se una bottiglia è deformata o se le indicazioni di una pillola sono più arancioni che rosse. Possiamo anche avere difficoltà a prendere la decisione giusta perché non conosciamo il contesto completo della situazione.

Tuttavia, possiamo fare in modo che queste limitazioni non siano un problema addestrando l'intelligenza artificiale a vedere le cose, a collegare i punti tra i dati apparentemente disparati e a prendere decisioni in modi che noi non possiamo fare. In questo modo si riduce il rischio di sbagliare, il che è enorme se si pensa a ciò che serve per avere successo nel mondo degli affari.

Detto questo, l'intelligenza artificiale è intelligente solo nella misura in cui le permettiamo di esserlo. Non può aiutarci se non le insegniamo come farlo. Ecco perché è così importante che il modello di IA - e il modello di addestramento - siano corretti quando si decide di chiedere l'assistenza dell'IA per determinate attività aziendali. Ciò è particolarmente vero quando si utilizza l'IA per informare o prendere decisioni (come ad esempio una decisione di accettazione/rifiuto durante le ispezioni di qualità).

Parliamo quindi di ciò che è necessario sapere prima di spendere soldi in strumenti di deep learning (o in assistenti di automazione basati sull'IA).

Apprendimento profondo 101

Ci sono molti termini che vengono usati in relazione all'IA, tra cui deep learning, machine learning e reti neurali. Probabilmente vi starete chiedendo: "Qual è la differenza tra machine learning e deep learning?".

Tecnicamente, il deep learning è un sottoinsieme dell'apprendimento automatico, ed è più probabile che venga utilizzato quando "la dimensionalità dei dati e la complessità del modello sono troppo grandi da gestire". Prendiamo ad esempio il rilevamento dei volti. È vero che è possibile ridurre la dimensionalità utilizzando approcci tradizionali come l'analisi delle componenti principali (PCA), e questo è stato fatto nel famoso approccio Eigenfaces. Ma la PCA offre solo un modello lineare, che non può competere con le non linearità delle attuali reti profonde quando vengono applicate a immagini megapixel.

Ad esempio, Zebra utilizziamo il deep learning quando aiuta i clienti a:

_ Focalizzare un sistema di visione artificiale su articoli, o su determinate qualità di articoli, da ispezionare.
_ Migliorare la sicurezza dei lavoratori. In questo caso, si può utilizzare il deep learning insieme alle telecamere per rilevare quando i lavoratori entrano in aree non sicure, si avvicinano troppo ai macchinari o non indossano i dispositivi di protezione individuale (DPI) adeguati.
_ Programmare in modo predittivo gli interventi di manutenzione per evitare i tempi di inattività di apparecchiature e sistemi.
_ Determinare quali parti devono essere prodotte quando e dove, in modo da poter programmare più efficacemente la produzione ed evitare ritardi nelle consegne o sprechi nelle scorte.

Infatti, Zebra sta utilizzando una soluzione basata sul deep learning per aiutare un cliente del settore dei beni di consumo in rapida evoluzione (FMCG) ad automatizzare e migliorare l'efficienza del processo di restituzione. Prima che gli articoli restituiti possano essere rimessi in circolazione, il loro numero di lotto deve essere registrato e la data di scadenza verificata da un addetto. Le dimensioni ridotte dei caratteri, la scarsa qualità dei segni e l'uso di testi a basso contrasto rendevano questo lavoro lungo e poco apprezzato, creando colli di bottiglia e sprechi poiché i prodotti scadevano prima di poter essere rimessi sugli scaffali. La soluzione di deep learning che implementata consente ora ai lavoratori di verificare automaticamente questi dettagli mostrando l'articolo a una telecamera, con conseguente miglioramento dell'efficienza e riduzione degli sprechi.

Poiché il deep learning è l'addestramento delle reti neurali, può apprendere attraverso processi supervisionati o non supervisionati, proprio come facciamo noi esseri umani. Impariamo sia in un contesto educativo strutturato (scuola, corsi di formazione professionale, ecc.), sia durante la nostra giornata. Ogni nuova esperienza che facciamo e ogni interazione con una persona può essere un "allenamento". Ci portiamo via più informazioni o una prospettiva diversa.

La differenza tra il modo in cui il cervello umano apprende e il modo in cui l'apprendimento profondo avviene all'interno di una rete neurale è che l'"apprendimento" dell'IA/rete neurale avviene in un ambiente totalmente controllato. Noi (esseri umani) trasferiamo ciò che abbiamo imparato dal nostro cervello all'intelligenza artificiale/rete neurale per aiutarla a capire cosa è giusto e cosa è sbagliato. In un certo senso, fa quello che gli diciamo di fare. Ad esempio, addestriamo il sistema di intelligenza artificiale utilizzato per ispezionare i semiconduttori che escono da una fabbrica utilizzando immagini "buone" e "cattive" grazie al deep learning. Gli insegniamo cosa cercare in modo che alla fine possa lavorare autonomamente.

Perché usare l'apprendimento profondo o l'intelligenza artificiale per le ispezioni quando si può semplicemente insegnare a una persona cosa è buono o cattivo? Tutto si riduce ai nostri limiti fisici e informatici e alla necessità di renderli inutili.

Se volete davvero essere sicuri che ciò che spedite a un cliente sia della massima qualità o che la qualità di un prodotto non si sia degradata lungo la catena di fornitura, dovrete controllarlo come nessun essere umano può fare. Avrete bisogno di una qualche forma di intelligenza artificiale per ispezionarlo in modo rapido e perfetto, probabilmente utilizzando una combinazione di telecamere e software basati sull'intelligenza artificiale, come un sistema di visione artificiale o persino uno scanner industriale fisso con funzionalità di riconoscimento ottico dei caratteri (OCR) ad apprendimento profondo.

Quale modello di Deep Learning è migliore?

Non esiste una regola standard che dica: "Questo tipo di modello di deep learning sarà universalmente applicabile in questo tipo di flusso di lavoro o di ambiente aziendale". Tuttavia, questi sono i modelli a cui di solito ci si affida quando si hanno determinati obiettivi:

_Deep Learning Optical Character Recognition (OCR): È un modo semplice per leggere automaticamente il testo di un'immagine o di un articolo, come il numero di lotto, il numero di parte o la data di scadenza. L'aspetto interessante di questa funzionalità è che può essere implementata in soli 5 minuti. Non è necessario un addestramento e non è necessario un data scientist esperto per metterla online. Per saperne di più su come funziona, è possibile vederlo in azione qui.

_Rilevamento di anomalie/difetti: Potremmo utilizzare le immagini dello scanner industriale fisso o della telecamera per la visione artificiale per insegnare alla rete neurale a individuare la differenza tra questa e quella immagine. Questo è utile per il controllo qualità. È possibile insegnare alla rete neurale cosa è corretto e poi farle cercare tutto ciò che appare anche solo leggermente diverso.

_Localizzazione e segmentazione degli oggetti a livello di pixel: L'obiettivo è identificare e localizzare determinati elementi, come il posizionamento di una vite, una marcatura, ecc.

_Classificazione a livello globale: In questo scenario, la rete neurale viene addestrata a guardare l'intera immagine e a decifrare il contenuto. (Ad esempio, è uno spazzolone o un cane?).

Esistono anche modelli di deep learning preaddestrati, basati su soluzioni, in cui si disegna un riquadro intorno a qualcosa, si insegna alla rete neurale a cercare ciò che si trova all'interno di quel riquadro e il gioco è fatto. C'è anche il deep learning tradizionale, in cui di solito annotiamo cosa cercare in un insieme di immagini e poi costruiamo un modello intorno all'annotazione. Questi modelli sono in genere molto personalizzati per un particolare obiettivo aziendale, quindi sarebbe impossibile parlare di tutti gli esempi in questa sede.

Tuttavia, l'esempio citato prima su come un'azienda di beni di largo consumo utilizza il deep learning per accelerare l'elaborazione dei resi e il riassortimento degli articoli è un ottimo esempio di ciò che è possibile fare. Per citarne un altro, un grande cliente del settore automobilistico fa sì che il suo team in prima linea cerchi le anomalie sui pacchi batteria utilizzando il deep learning. Queste anomalie includono sporco, detriti, graffi, contaminanti, pieghe, ecc.
Il deep learning può aiutarvi a garantire che le combinazioni di sushi confezionate che vengono messe sugli scaffali di un negozio o di un ristorante siano esattamente quelle etichettate e allestite in modo corretto.

In Sintesi

Cosa significa che il deep learning può aiutare a fermare le emorragie all'interno della vostra azienda?

In breve, è necessario eliminare gli sprechi. In molti casi, gli sprechi si verificano quando i prodotti superano inizialmente l'ispezione (umana), ma in seguito viene identificato un difetto e si rende necessario un richiamo di massa. In alternativa, gli sprechi derivano dall'identificazione tardiva di un difetto, che porta alla produzione di massa di un prodotto difettoso che non arriva mai sul mercato. Anche quando l'ispezione è gestita esclusivamente dall'uomo si verifica un notevole spreco di tempo, perché semplicemente non possiamo lavorare alla stessa velocità di una macchina, per quanto ci sforziamo.