A cosa serve l’intelligenza artificiale?
I sistemi di elaborazione di immagine tradizionali utilizzano algoritmi basati su regole che offrono un’elevata affidabilità per le attività ripetitive. A causa delle fasi del processo che si svolgono sempre in modo identico, vengono tollerate solo piccole deviazioni. Non appena la varianza delle immagini aumenta, ad esempio a causa di variazioni naturali dell’oggetto, come sfumature di colore, forme o condizioni ambientali variabili come le condizioni di luce, l’applicazione diventa sempre più complessa e può quindi diventare non economica. In caso contrario, la varianza influisce direttamente sulla precisione o sulle prestazioni dell’algoritmo. Ciò comporta decisioni errate da parte del sistema di elaborazione delle immagini basato su regole, come ad esempio pezzi buoni scartati (denominati anche pseudo scarti) o pezzi difettosi non riconosciuti (denominati anche slittamento). L’elaborazione di immagine industriale mira sempre a ridurli al minimo.
Le tecnologie di IA ampliano le possibilità di utilizzo della Machine Vision tollerando le fluttuazioni nei dati di immagine, consentendo, ad esempio, di identificare in modo affidabile anche errori irregolari. Aumentano la redditività grazie a tassi di rilevamento più robusti con un’elevata variabilità e riducono l’ostacolo all’accesso alla Machine Vision, poiché in parte non sono più necessarie conoscenze approfondite degli algoritmi.
L’intelligenza artificiale è il termine generico per le tecnologie che consentono alle macchine di risolvere autonomamente i compiti, spesso ispirate al pensiero e all’apprendimento umano. Il machine learning è una parte dell’IA in cui gli algoritmi non sono programmati rigidamente, ma imparano modelli e correlazioni dai dati di esempio. Invece di impostare ogni regola manualmente, il sistema “impara” come tradurre gli input in output. Il deep learning è una forma specializzata di machine learning basata su reti neurali artificiali con molti strati di elaborazione (“deep” = profondo). Questa architettura consente di riconoscere schemi molto complessi e di fornire risultati precisi anche in condizioni variabili.
Deep Learning
Apprendimento automatico
Intelligenza artificiale
Quali sono i vantaggi dell’utilizzo dell’IA nel controllo qualità?
Nonostante l’elaborazione di immagine basata su regole, il controllo qualità nei processi è spesso ancora eseguito manualmente dall’uomo, poiché l’ampia varietà di errori è spesso difficile o impossibile da rilevare. In questo caso è opportuno utilizzare un sistema di elaborazione di immagine basato sull’IA.
| Aree problematiche del controllo manuale | Soluzione con i vantaggi dell’elaborazione di immagine basata sull’IA |
|---|---|
| Valutazione incoerente della qualità | Valutazione coerente e ripetibile basata su grandi serie di dati |
| Intervallo di attenzione limitato | 24/7 senza affaticamento |
| Documentazione complessa delle decisioni | Salvataggio automatico delle immagini con rappresentazione heatmap e valore di punteggio per la tracciabilità |
| Costi del personale più elevati, carenza di personale ed elevati costi di formazione | Scalabile indipendentemente dalla disponibilità di personale, barriera di accesso ridotta grazie alla minore necessità di formazione |
|
Aree problematiche del controllo manuale
|
|||
|---|---|---|---|
|
Valutazione incoerente della qualità
|
Intervallo di attenzione limitato
|
Documentazione complessa delle decisioni
|
Costi del personale più elevati, carenza di personale ed elevati costi di formazione
|
|
Soluzione con i vantaggi dell’elaborazione di immagine basata sull’IA
|
|||
|
Valutazione coerente e ripetibile basata su grandi serie di dati
|
24/7 senza affaticamento
|
Salvataggio automatico delle immagini con rappresentazione heatmap e valore di punteggio per la tracciabilità
|
Scalabile indipendentemente dalla disponibilità di personale, barriera di accesso ridotta grazie alla minore necessità di formazione
|
L’IA sostituisce l’elaborazione di immagine basata su regole?
L’IA amplia le possibilità dell’elaborazione di immagine industriali, ma raramente sostituisce completamente le soluzioni basate su regole collaudate. La combinazione di elaborazione di immagine basata su regole e basata sull’IA amplia la versatilità della Machine Vision. L’IA consente di eseguire attività di ispezione che sarebbero troppo complesse o poco economiche con una valutazione basata su regole.
Quando vengono utilizzati i sistemi di elaborazione di immagine basati su regole e quando i sistemi di IA?
L’approccio basato su regole del tradizionale sistema di elaborazione di immagine è ancora una soluzione comprovata per le attività di ispezione visiva. Le tecnologie di IA ampliano i campi di applicazione dell’elaborazione di immagine industriale. Nonostante i diversi algoritmi, le capacità di entrambe le tecnologie si sovrappongono.
Di solito viene utilizzata una combinazione di strumenti basati su regole e IA. Ad esempio: La localizzazione basata su regole con tracciamento dei pezzi e taglio dell’oggetto da ispezionare è combinata con la classificazione degli errori basata sull’IA. Infine segue la misurazione basata su regole del difetto.
Campi di applicazione tipici
Elaborazione di immagine basata su regole
| Rilevamento, attività di misurazione |
| Lettura di codici |
| Allineamento e posizionamento precisi (anche Robot Vision, Robot Guidance) |
Combinazioni e sovrapposizioni
| Ispezione, individuazione dei difetti |
| Identificazione (lettura codice, OCR/riconoscimento caratteri) |
| Localizzazione di oggetti e feature (anche Robot Vision, Robot Guidance) |
Elaborazione di immagine basata su IA
| Rilevamento di oggetti molto variabili o errori |
| OCR difficile (ad es. scarsa qualità di stampa, sfondi variabili) |
| Localizzazione di oggetti con elevata varianza |
| Classificazione (ad es. di materiali o texture) |
Quali tecnologie di IA vengono utilizzate nell’elaborazione di immagine?
Classificazione
La classificazione assegna un’immagine a una o più classi predefinite. Si distingue tra Multi Class e Multi Label.
Multi Class: una classe per immagine, ad es. “vite”
o classificazione degli errori con classi che si escludono a vicenda: “OK” (senza difetti) o “NOK” (difettoso). È esclusa una classificazione simultanea in entrambe le classi.
Multi label: Possibilità di più classi per immagine, ad es. “vite”, “chiodo”
o classificazione degli errori con etichette indipendenti: “Ammaccature” e “graffi”. Un oggetto può presentare un’ammaccatura, un graffio, entrambi o nessuno dei due, poiché queste classi non si escludono a vicenda.
Riconoscimento dell’oggetto
Il riconoscimento dell’oggetto localizza e classifica più oggetti nell’immagine utilizzando i cosiddetti Bounding Box. Per ogni oggetto trovato, indica a quale classe appartiene e dove si trova esattamente nell’immagine. Occorre distinguere tra riconoscimento dell’oggetto “parallelo all’asse” (come si vede nella figura) e “orientato”. Nel riconoscimento dell’oggetto orientato, le caselle di delimitazione sono allineate all’oggetto e descrivono la casella di delimitazione più piccola possibile.
Segmentazione
Assegna a ogni singolo pixel nell’immagine una classe per la delimitazione esatta di oggetti (ad es. chiodo, vite, sfondo) o difetti (ad es. difetti di verniciatura).
Nota: Oltre ai modelli di IA più comuni, esistono sempre più modelli di IA addestrati per un caso d’uso specifico, come Deep OCR. Il riconoscimento ottico dei caratteri con Deep OCR utilizza reti neurali allenate su grandi quantità di immagini di testo per estrarre lettere e numeri. A differenza dell’OCR classico, consente il riconoscimento preciso di testi dinamici con dimensioni dei caratteri variabili e sfondi diversi, anche in caso di stampe ed etichette dal design specifico o danneggiate.
Cos’è un modello IA?
I modelli di IA sono modelli computerizzati ispirati al cervello umano. Sono composti da neuroni artificiali che elaborano informazioni e sono collegati tra loro da pesi. Un peso è un valore numerico che determina quanto un segnale di ingresso influisce sul neurone.
La costruzione di un modello di IA avviene a livelli: Il livello di input (Input Layer) riceve i dati grezzi (ad es. immagini). Nei livelli nascosti (Hidden Layers) vengono riconosciute automaticamente le caratteristiche e il livello di uscita (Output Layer) prende una decisione in base ad esse.
Durante il training, il modello di IA confronta le sue previsioni con la verità fondamentale e regola gradualmente i pesi. Questo processo di apprendimento si ripete in molti esempi fino a quando il modello di IA non riconosce in modo affidabile i modelli.
La costruzione di un modello di IA avviene a livelli: Il livello di input (Input Layer) riceve i dati grezzi (ad es. immagini). Nei livelli nascosti (Hidden Layers) vengono riconosciute automaticamente le caratteristiche e il livello di uscita (Output Layer) prende una decisione in base ad esse.
Durante il training, il modello di IA confronta le sue previsioni con la verità fondamentale e regola gradualmente i pesi. Questo processo di apprendimento si ripete in molti esempi fino a quando il modello di IA non riconosce in modo affidabile i modelli.
Modello di IA o rete neurale: qual è la differenza?
Non tutti i modelli di IA sono reti neurali. Il termine “modello di IA” è un termine generico per molti tipi di algoritmi, tra cui alberi decisionali, modelli statistici e reti neurali. Questi ultimi sono una forma di modelli di IA particolarmente adatti a compiti complessi come il riconoscimento delle immagini o l’elaborazione del parlato. Tuttavia, i termini “rete neurale” e “modello di IA” sono spesso utilizzati come sinonimi.
Non tutti i modelli di IA sono reti neurali. Il termine “modello di IA” è un termine generico per molti tipi di algoritmi, tra cui alberi decisionali, modelli statistici e reti neurali. Questi ultimi sono una forma di modelli di IA particolarmente adatti a compiti complessi come il riconoscimento delle immagini o l’elaborazione del parlato. Tuttavia, i termini “rete neurale” e “modello di IA” sono spesso utilizzati come sinonimi.
Livello di input
Livelli nascosti
Livello di uscita
ONNX – il formato di scambio universale
Il software di elaborazione di immagine uniVision 3 consente l’integrazione perfetta delle reti ONNX. Tramite GitHub è inoltre possibile quantificare la rete ONNX per l’utilizzo sull’hardware wenglor.
wenglor AI Loop: come funziona l’IA nell’elaborazione di immagine industriale
Raramente, all’inizio di un’applicazione, è disponibile un record di dati rappresentativo e completo. I modelli di IA altamente precisi e affidabili sono creati dall’espansione continua dei dati e dalla convalida delle reti una volta create. Con un approccio incentrato sui dati e sui processi, è possibile ottimizzare sistematicamente e mantenere costante la precisione di un modello di IA durante l’intero ciclo di vita di un impianto di collaudo. I dati esistenti vengono nuovamente controllati o vengono acquisiti e annotati nuovi dati.
Creazione e gestione di un record
Annotare (etichettare) il record di dati
Formazione e convalida del modello di IA
Distribuzione ed esecuzione del modello di IA
Nella prima fase, che è fondamentale per l’approccio incentrato sui dati, vengono acquisite immagini che rappresentano l’applicazione nel modo più rappresentativo possibile. Successivamente verranno continuamente aggiunte nuove immagini.
Cosa è importante quando si creano record adeguati?
50–100 immagini reali per classe possono essere sufficienti per ottenere i primi risultati pratici. I dati devono essere ben selezionati, ricchi di varianti e coerenti. Molti dati di immagine non significano automaticamente modelli migliori. L’obiettivo è quello di ottenere, con poche immagini di alta qualità, l’intera dispersione naturale di lotti, colori, effetti dell’illuminazione, ecc. per creare una soluzione robusta e generalizzabile.
Un esempio: Se una fabbrica acquisisce solo immagini di circuiti stampati difettosi da una macchina in determinate condizioni di illuminazione, il modello di IA potrebbe imparare a collegare gli errori alle particolari condizioni di sfondo o di illuminazione di quella macchina, anziché alle caratteristiche effettive degli errori. Questa distorsione potrebbe portare il modello a classificare erroneamente gli errori provenienti da altre macchine o in altre condizioni di illuminazione. Il modello di IA acquisisce le caratteristiche effettive dei difetti, includendo diverse immagini provenienti da diverse macchine, condizioni di illuminazione e angolazioni, garantendo un rilevamento affidabile in tutti gli scenari di produzione.
Una strategia di illuminazione mirata riduce la varianza dell’immagine, aumenta la precisione del modello e riduce la necessità di immagini di apprendimento. Ad esempio, è possibile ottenere la stessa precisione con solo un quarto della quantità di immagine, migliorando significativamente la qualità dell’immagine scegliendo il principio di illuminazione corretto, il colore della luce (lunghezza d’onda), un’illuminazione omogenea e filtri ottici.
Come per i sistemi di elaborazione di immagine basati su regole, anche in questo caso vale: Immagini scadenti portano a una precisione significativamente inferiore del modello di IA. Assicurarsi che le immagini siano nitide con una profondità di campo, un contrasto e una coerenza sufficienti nella configurazione (camera, illuminazione, ottica).
Una risoluzione più elevata mostra più dettagli, ma richiede tempi di apprendimento più lunghi e un maggiore fabbisogno di risorse. Le immagini dei record di dati vengono spesso ridotte per l’apprendimento, ad es. a 320 × 320 pixel (immagine di ingresso IA).
Importante: La caratteristica decisiva deve essere ancora chiaramente riconoscibile anche in questa risoluzione ridotta. Ciò che è visibile all’occhio umano può generalmente essere rilevato anche dal modello di IA.
Le immagini devono essere reali e possibilmente scattate in condizioni vicine alla produzione. Fornire variazioni naturali, come variazioni dello sfondo, condizioni di luce leggermente diverse, polvere, rumore o lievi variazioni di posizione, per rendere il record di dati più robusto. Tuttavia, una lavorazione intensa o pezzi difettosi prodotti artificialmente possono portare a modelli di apprendimento non realistici. È importante anche evitare errori sistematici, come ad esempio che ogni pezzo buono abbia una marcatura, ma non i pezzi difettosi. Assicurarsi che la camera, l’illuminazione e l’ottica siano configurate in modo uniforme.
Durante l’apprendimento utilizza solo l’area dell’immagine in cui si trova l’oggetto rilevante o il punto difettoso. In questo modo si evita che il modello di IA impari inavvertitamente dal background o che i dettagli importanti siano sottorappresentati in modo proporzionato. Il ritaglio consente di ottenere dettagli più rilevanti a bassa risoluzione e di risparmiare tempo di apprendimento.
Si consiglia una rappresentazione ponderata in modo uguale di tutte le classi (ad es. pezzo buono, pezzo difettoso). Uno squilibrio, come ad esempio il 99% OK e l’1% NOK, porta a modelli di IA distorti che spesso trascurano gli errori nell’applicazione. Una base di dati bilanciata impedisce la distorsione del campione del modello di IA e migliora le prestazioni di rilevamento anche in casi di errore rari.
L’aumento è la generazione artificiale di varianti, ad esempio mediante rotazione, ingrandimento (zoom), distorsione, rumore o variazione della luminosità. Ciò consente di espandere i record di dati esistenti e di preparare il modello di IA per le dispersioni reali, cosa particolarmente importante per i record di dati di piccole dimensioni per ottenere rapidamente una maggiore precisione.
Importante: L’aumento deve rimanere realistico e vicino all’applicazione, poiché l’uso ha un grande impatto sulla precisione bilanciata del modello di IA. Ad esempio, una rotazione potrebbe essere un caso di errore e pertanto non è adatta a ogni applicazione.
Importante: L’aumento deve rimanere realistico e vicino all’applicazione, poiché l’uso ha un grande impatto sulla precisione bilanciata del modello di IA. Ad esempio, una rotazione potrebbe essere un caso di errore e pertanto non è adatta a ogni applicazione.
Nella seconda fase le immagini vengono annotate o etichettate. Per ogni immagine, l’utilizzatore indica una cosiddetta verità fondamentale, ad esempio se si tratta di un pezzo buono o di un pezzo difettoso.
Come si può ridurre al minimo il dispendio del processo di etichettatura?
Per garantire un’annotazione coerente, è necessario coinvolgere nel processo esperti delle applicazioni, ad esempio dalla produzione e dal controllo qualità.
La classificazione secondo “NOK” e “OK” può essere soggettiva, pertanto è necessario prestare attenzione a una chiara delimitazione delle classi prima di allenarsi e annotare ulteriormente.
Suggerimento: I campioni limite devono essere contrassegnati in modo mirato con l’ausilio di tag. Questa informazione può quindi essere inclusa nella successiva convalida della rete.
Suggerimento: I campioni limite devono essere contrassegnati in modo mirato con l’ausilio di tag. Questa informazione può quindi essere inclusa nella successiva convalida della rete.
Quando si valutano i dati di apprendimento, è fondamentale basarsi esclusivamente sulle immagini, non sull’oggetto reale. Anche se un difetto sul componente originale è più visibile, per il modello IA conta solo ciò che è visibile nell’immagine. Se si prendono in considerazione ulteriori conoscenze provenienti dall’oggetto reale, si creano incongruenze, poiché anche il modello di IA in seguito funzionerà solo con informazioni di immagine.
La gestione di un catalogo dei difetti con tipi di difetto descritti chiaramente e immagini esemplificative aiuta a definire i criteri di esclusione in modo sicuro e comprensibile. Se viene aggiornato regolarmente, ad es. in caso di nuovi errori o prodotti, ciò facilita il trasferimento delle conoscenze e l’integrazione di etichette aggiuntive.
I tag consentono l’aggiunta di parole chiave, rendendo i record di dati più chiari e ordinabili. Attraverso l’assegnazione di tag è possibile, ad esempio, rendere visibili quali dati sono stati acquisiti in quale giorno di calendario e a quale ora del giorno o quali dati sono considerati campioni limite.
Nella fase successiva, il modello di IA viene allenato o riallenato. Esistono diversi approcci, in cui un record di dati viene sempre suddiviso in dati di apprendimento e test.
A cosa bisogna prestare attenzione durante l’apprendimento di un modello di IA?
La scelta dell’architettura di rete in un formato adatto all’hardware di inferenza (ad es. INT8) è fondamentale per la latenza (velocità di esecuzione) e la precisione bilanciata del modello di IA. A seconda dell’applicazione, è possibile ottimizzare la latenza o la precisione.
Suggerimento: L’apprendimento ripetuto del modello di IA con lo stesso record di dati può portare a valori di performance diversi. Differenze superiori al 5% indicano un record di dati incoerente.
Suggerimento: L’apprendimento ripetuto del modello di IA con lo stesso record di dati può portare a valori di performance diversi. Differenze superiori al 5% indicano un record di dati incoerente.
Per il training è necessario definire una risoluzione per l’immagine iniziale.
Più alta è la risoluzione,
Più alta è la risoluzione,
- maggiore è il tempo di valutazione,
- più elevati sono i requisiti di interferenza (esecuzione) della RAM,
- più a lungo dura il training dura più a lungo,
- più dati di apprendimento sono necessari per ottenere la stessa precisione bilanciata.
Ora è il momento di convalidare il modello IA. L’IA è spesso considerata una scatola nera con input e output, ma senza informazioni chiare per convalidare il modello di IA. Il report del modello di IA fornisce informazioni su accuratezza bilanciata (richiamo e precisione), previsioni errate, tempo di inferenza previsto, contribuendo così alla tracciabilità.
Consigli e suggerimenti per la tracciabilità del modello di IA
La matrice mostra quanto spesso le previsioni di un modello di IA corrispondono alle classi effettive e dove si verificano gli errori.
Suggerimento: Le cause più comuni di previsioni errate sono annotazioni errate o modelli di confine. In questo caso, è necessario adattare l’annotazione e ripetere l’apprendimento. L’obiettivo è ridurre al minimo le previsioni errate.
La mappa termica mostra quale area dell’immagine è stata determinante per la previsione del risultato. La visualizzazione dettagliata consente di trarre conclusioni sugli errori di annotazione o sulla distorsione del campione. Ciò garantisce una maggiore trasparenza e tracciabilità dei modelli di dati.
La previsione di un modello di IA si basa sul cosiddetto punteggio, che indica quanto il modello di IA è sicuro nella sua decisione. Il fattore decisivo non è ottenere i punteggi più alti possibili in tutti i casi, ma ottenere una chiara distinzione tra casi sicuri e insicuri: I punteggi elevati dovrebbero verificarsi solo in caso di risultati chiari, mentre i punteggi intenzionalmente più bassi hanno senso in casi insicuri. In questo modo si evita che il modello di IA decida “falsamente troppo sicuro” anche in situazioni poco chiare.
Sia nell’apprendimento che nell’inferenza del modello di IA, la risoluzione di ogni immagine del record di dati viene ridotta prima di essere utilizzata come immagine di ingresso dell’IA. Pertanto, verificare se la caratteristica rilevante è ancora riconoscibile. In caso contrario, possono essere utili, ad esempio, un ritaglio più coerente o la scelta di una risoluzione più elevata dell’immagine di ingresso dell’IA.
Esistono diversi metodi di convalida per valutare i modelli di IA. In genere, i record sono suddivisi in dati di apprendimento, convalida e test.
Nota: Soprattutto per i record di dati più piccoli, gli utilizzatori beneficiano della solida valutazione della convalida K-Fold. La scelta di un metodo di convalida inadeguato comporta valutazioni inaffidabili del modello di IA.
- I dati di apprendimento vengono utilizzati per apprendere il modello di IA e in genere costituiscono il 70–80% dei dati.
- I dati di convalida vengono utilizzati durante l’apprendimento per regolare i pesi e verificare se il modello di IA è sovradimensionato. In genere rappresentano il 10–20% dei dati.
- I dati dei test vengono utilizzati solo per valutare la qualità finale del modello di IA e costituiscono il 10–20% dei dati.
| Caratteristica | Convalida hold-out | Convalida incrociata K-Fold |
|---|---|---|
| Descrizione | Il record di dati viene suddiviso una sola volta, ad es. 80% apprendimento / 20% test | Il record di dati viene suddiviso in k parti, il modello IA viene valutato k volte con dati di test diversi |
| Vantaggi |
|
|
| Svantaggi |
|
|
Il modello di IA completamente appreso viene trasferito dall’ambiente di apprendimento alla piattaforma di inferenza, spesso anche su più impianti contemporaneamente. Questa messa in servizio iniziale è nota come distribuzione del modello di IA.
Come si implementa l’IA nell’applicazione di elaborazione di immagine?
Utilizzare l’IA in modo efficace ed efficiente richiede competenze adeguate, altrimenti l’implementazione sarà molto complessa. Con l’AI Lab, wenglor offre una piattaforma di apprendimento intuitiva per la creazione di modelli di IA che possono essere eseguiti senza problemi sul potente hardware wenglor. weHub consente di eseguire continuamente cicli di apprendimento e di ampliare continuamente i record di dati con nuovi dati rilevanti.
Quando si crea un modello di IA, l’utente sceglie innanzitutto un’architettura di rete appropriata. Sulla base di ciò, si sceglie quindi una piattaforma di apprendimento idonea e gli strumenti per l’esecuzione. Il formato di scambio universale Open Neural Network Exchange (ONNX) per le reti di IA offre l’utilizzo multipiattaforma dei modelli di IA come standard aperto. Il software Machine Vision uniVision 3 consente una perfetta integrazione dei modelli IA nel formato ONNX. GitHub consente inoltre di quantificare la rete ONNX per l’utilizzo sull’hardware wenglor.
Dopo aver eseguito la messa in funzione, possono esserci i seguenti motivi per eseguire un nuovo apprendimento:
- Vengono visualizzate nuove classi da riconoscere.
- I valori di punteggio si riducono, ad es. a causa di cambi di lotto, portapezzi sporchi o usurati o potenza luminosa ridotta.
- I requisiti di precisione bilanciata cambiano.
Prima di acquisire nuovi dati, assicurati che il database esistente sia coerente e univoco. Esamina le previsioni errate e rivedi ogni annotazione, se necessario. Utilizza strumenti di convalida come la mappa termica, i punteggi e la matrice di confusione. Concentrati quindi sulla classe con le prestazioni peggiori e metti a disposizione circa 100 immagini aggiuntive di questa classe, idealmente di varianti o prodotti in cui il modello ottiene risultati particolarmente deboli e il punteggio è di conseguenza basso. In alternativa è possibile aggiungere anche 50 nuove immagini per classe.
Maggiore è la qualità dei dati, più robusto è il modello di IA. La qualità prevale sempre sulla quantità. Focalizzarsi su dati di alta qualità, bilanciati e realistici porta a modelli di IA più affidabili, riduce il rischio di overfitting e aumenta l’idoneità all’uso quotidiano in produzione. Se si investe tempo nella selezione intelligente dei dati, si risparmia tempo e fatica durante l’apprendimento e si ottengono più rapidamente risultati tracciabili e di elevata precisione.
Confronto tra tre approcci fondamentali per l’apprendimento dei modelli di IA
Il deep learning utilizza reti neurali complesse ed è particolarmente adatto per applicazioni con un’elevata variabilità di immagine e requisiti di precisione elevati. Ciò richiede solitamente una notevole potenza di calcolo e tempi di apprendimento più lunghi. Anche l’edge learning si basa sul deep learning, ma si differenzia per il fatto che il training avviene direttamente sul dispositivo edge. Ciò consente un’implementazione rapida e semplice, ma di solito porta a modelli di IA meno potenti, più adatti a compiti di verifica semplici.
L’edge learning è spesso utilizzato dai principianti dell’IA come soluzione semplice per le attività di elaborazione di immagine, anche laddove le pratiche classiche basate su regole sono più adatte e hanno dimostrato la loro validità da anni. L’utilizzo dell’edge learning comporta dei rischi, poiché la facilità di configurazione delle soluzioni edge spesso va a scapito della robustezza, della tracciabilità e dell’accuratezza del rilevamento.
| Cloud (ad es. AI Lab) | On-Premise | Edge | |
|---|---|---|---|
| Funzionalità | Cloud in hosting esterno | Cloud aziendale, server, PC locale | Locale, direttamente sul dispositivo in produzione |
| Complessità dell’applicazione | Da semplice a complesso | Individuale | Semplice |
| Controllo costi | Pay-per-use, nessun costo di acquisto per l’hardware di apprendimento | Investimenti in hardware e costi operativi | Nessun costo aggiuntivo (funziona su Smart Device) |
| Configurazione e accesso | Nessuna configurazione speciale necessaria, accessibile tramite browser con connessione Internet | È necessaria l’installazione e la configurazione di hardware di apprendimento adeguato | Funziona direttamente sull’hardware (ad es. Smart Camera), è necessario un browser/software di terze parti |
| Flessibilità di apprendimento | Elevata flessibilità da modelli di IA semplici a complessi e record di dati da piccoli a grandi
|
La responsabilità spetta al gestore | La flessibilità di apprendimento è spesso limitata
|
| Convalidabilità e tracciabilità | Validazione statisticamente solida basata su grandi quantità di dati, archiviata centralmente | Validazione statisticamente solida basata su grandi quantità di dati, l’archiviazione è responsabilità dell’utente | Semplice verifica manuale del funzionamento dei singoli componenti |
| Collaborazione e gestione dei record | Amministrazione centralizzata e possibilità di lavorare in team | A seconda della configurazione | Solo soluzione standalone, nessuna vera collaborazione o controllo basato sui ruoli |
| Scalabilità | Scalabilità automatica tramite server cloud | Dipende dal gestore (memoria, potenza di calcolo, soluzione software) | Scalabile solo con ulteriori acquisti di dispositivi Edge |
| Disponibilità e distribuzione | Centrale, utilizzabile da qualsiasi dispositivo Distribuzione scalabile: Distribuzione di modelli di IA su più linee, sedi o regioni |
Disponibile localmente o all’interno della rete | Disponibile in modo decentralizzato, sull’hardware locale o in rete (offline) |
| Sicurezza dei dati, controllo degli accessi e backup | Dipende dal provider di servizi cloud, centralizzato con ruoli utente e backup | A seconda della configurazione, è responsabilità dell’utente | L’archiviazione locale dei dati è sicura, ma senza gestione centralizzata degli utenti o backup automatici |
|
Funzionalità
|
||
|
Cloud (ad es. AI Lab)
Cloud in hosting esterno
|
On-Premise
Cloud aziendale, server, PC locale
|
Edge
Locale, direttamente sul dispositivo in produzione
|
|
Complessità dell’applicazione
|
||
|
Cloud (ad es. AI Lab)
Da semplice a complesso
|
On-Premise
Individuale
|
Edge
Semplice
|
|
Controllo costi
|
||
|
Cloud (ad es. AI Lab)
Pay-per-use, nessun costo di acquisto per l’hardware di apprendimento
|
On-Premise
Investimenti in hardware e costi operativi
|
Edge
Nessun costo aggiuntivo (funziona su Smart Device)
|
|
Configurazione e accesso
|
||
|
Cloud (ad es. AI Lab)
Nessuna configurazione speciale necessaria, accessibile tramite browser con connessione Internet
|
On-Premise
È necessaria l’installazione e la configurazione di hardware di apprendimento adeguato
|
Edge
Funziona direttamente sull’hardware (ad es. Smart Camera), è necessario un browser/software di terze parti
|
|
Flessibilità di apprendimento
|
||
|
Cloud (ad es. AI Lab)
Elevata flessibilità da modelli di IA semplici a complessi e record di dati da piccoli a grandi
|
On-Premise
La responsabilità spetta al gestore
|
Edge
La flessibilità di apprendimento è spesso limitata
|
|
Convalidabilità e tracciabilità
|
||
|
Cloud (ad es. AI Lab)
Validazione statisticamente solida basata su grandi quantità di dati, archiviata centralmente
|
On-Premise
Validazione statisticamente solida basata su grandi quantità di dati, l’archiviazione è responsabilità dell’utente
|
Edge
Semplice verifica manuale del funzionamento dei singoli componenti
|
|
Collaborazione e gestione dei record
|
||
|
Cloud (ad es. AI Lab)
Amministrazione centralizzata e possibilità di lavorare in team
|
On-Premise
A seconda della configurazione
|
Edge
Solo soluzione standalone, nessuna vera collaborazione o controllo basato sui ruoli
|
|
Scalabilità
|
||
|
Cloud (ad es. AI Lab)
Scalabilità automatica tramite server cloud
|
On-Premise
Dipende dal gestore (memoria, potenza di calcolo, soluzione software)
|
Edge
Scalabile solo con ulteriori acquisti di dispositivi Edge
|
|
Disponibilità e distribuzione
|
||
|
Cloud (ad es. AI Lab)
Centrale, utilizzabile da qualsiasi dispositivo
Distribuzione scalabile: Distribuzione di modelli di IA su più linee, sedi o regioni |
On-Premise
Disponibile localmente o all’interno della rete
|
Edge
Disponibile in modo decentralizzato, sull’hardware locale o in rete (offline)
|
|
Sicurezza dei dati, controllo degli accessi e backup
|
||
|
Cloud (ad es. AI Lab)
Dipende dal provider di servizi cloud, centralizzato con ruoli utente e backup
|
On-Premise
A seconda della configurazione, è responsabilità dell’utente
|
Edge
L’archiviazione locale dei dati è sicura, ma senza gestione centralizzata degli utenti o backup automatici
|
