Lo sviluppo e l’integrazione del machine learning nei processi aziendali è sostenuto dal piano industria 4.0.
In questo articolo cercheremo di capire meglio cosa si nasconde dietro al machine learning e quanto questa tecnologia sia conosciuta e impiegata in Italia.
Dietro al machine learning si “nascondono” le cosiddette reti neurali artificiali, che fanno riferimento alla statistica computazionale, agli algoritmi adattativi, al data mining, e agli strumenti virtuali, ossia a sistemi in grado di determinare una correlazione, su base statistica, in un set di dati. Le reti neurali vengono impiegate laddove risulta difficile costruire modelli matematici ad hoc o dove sia richiesto un numero limitato di sensori.
Quanto è conosciuto e impiegato il machine learning in Italia?
Da un punto di vista del linguaggio, i termini tecnici non sono nuovi nella coscienza comune: così come dimostra (in figura) un estratto da Google Trends, che fa riferimento al periodo 2004 – 2017 (si tratta di limiti imposti dal sistema). Il termine ecommerce è inserito unicamente come elemento di confronto, unito al fatto che l’utenza di Google è naturalmente varia, e proprio per questo può essere considerata come una sorta di misura della “coscienza comune”. (Trascina le dita sullo schermo se non riesci a vedere bene l’immagine).
Mentre rete neurale risulta un termine ancora poco conosciuto, data mining sta lasciando il passo a machine learning: non si tratta naturalmente solo di questione di linguaggio, ma aiuta a prendere coscienza sulla diffusione del settore.
Da un punto di vista tecnico, quanto sono preparate le aziende?
La tecnologia e l’impiego delle reti neurali sembra “attecchire” in Italia a fine degli anni 80 (con 10 anni di ritardo rispetto agli Stati Uniti). I primi brevetti italiani che fanno riferimento alle reti neurali in modo esplicito e con l’intendo di ottenere protezione su questa tecnologia risalgono al 1989: uno della CELST, titolo diventato poi di proprietà di TELECOM, e uno di ENIRICERCHE, poi diventato ENITECNOLOGIE.
Il brevetto di Celst IT1232109B è riferito ad un metodo di riconoscimento e codifica delle immagini in movimento (come ad esempio la figura di una persona in una video-chiamata). Il fine dell’invenzione è quello di alleggerire la trasmissione dei dati, tramite l’individuazione della figura in movimento e la separazione di questa dallo sfondo, in modo tale da trasmettere solamente i dati relativi all’immagine in primo piano. Le reti neurali sono impiegate per l’individuazione e l’approssimazione della linea di contorno dell’immagine come una funzione continua.
Il brevetto di Enitecnologie IT1237269B è riferito al sistema utilizzato per l’apprendimento in tempo reale: tramite elettrodi riga ed elettrodi colonna interconnessi con materiale elettrocromico e un fotoresistore, il circuito è in grado di registrare la variazione di radiazione luminosa che deriva dal cambiamento di trasparenza dell’ossido di tungsteno, in questo modo si garantisce l’apprendimento della rete in tempo reale.
Da allora l’interesse delle aziende italiane verso lo sviluppo di tecnologie che utilizzano le reti neurali è aumentato, in modo modesto, fino a raggiungere un picco negli anni 2004-2005. E continua, ancora oggi, a rimanere una linea di sviluppo ancora attiva. In figura il numero di brevetti depositati per anno.
(Trascina le dita sullo schermo se non riesci a vedere bene l’immagine).
In 30 anni di innovazione tecnologica all’italiana, emergono dieci aziende, che in modo continuativo o ad ondate successive si sono dedicate più volte alle reti neurali (tutte possiedono almeno tre brevetti nel settore, dettagli in figura). Prime fra tutte TELECOM, dal 1989 al 2007 (anche in partnership con LOQUENDO), il CNR tra il 1998 e il 2013, mentre leader tecnologico in Italia, risulta, ormai da 17 anni, STMICROELECTRONICS (azienda franco-italiana).
(Trascina le dita sullo schermo se non riesci a vedere bene l’immagine).
Non compare in figura l’azienda ACCENTURE, attiva nel settore nell’anno 2005.
Da citare anche l’interessante caso della TEXAS INSTRUMENTS, azienda statunitense, che negli anni tra il 1992 e il 1995 acquistò la nostra tecnologia, per diffonderla nel mercato americano, attraverso quattro diversi titoli di proprietà intellettuale. I brevetti erano riferiti a: circuiti elettronici per lo sviluppo di celle neurali, algoritmi di propagazione e processi di apprendimento.
Dal 1989 a oggi, circa 75 diverse aziende italiane possiedono almeno un brevetto che fa riferimento alle reti neurali, o al machine learning, per un totale di circa 160 documenti.
A che livelli è oggi l’Italia in questo settore?
Sono 3 al momento i brevetti depositati in Italia nel 2017, e non ancora pubblicati che fanno riferimento, alle reti neurali, al machine learning o al data mining: ancora due dell’azienda franco-italiana STMICROELECTRONICS e uno dell’azienda AXÈLERO, di cui al momento non si conoscono i dettagli tecnici.
(I dati per gli anni 2016 e 2017, non possono però considerarsi esaustivi, dato il periodo di segreto – 18 mesi – a cui sono soggetti i depositi brevettuali europei e internazionali.)
Dai brevetti emerge come lo sviluppo della tecnologia associata alle reti neurali sembra spingersi in Italia:
- verso il monitoraggio dei processi o degli impianti, ossia verso l’integrazione di sistemi iterativi volti all’ottimizzazione in tempo reale, o
- verso la misurazione induttiva di quantità, ossia verso l’uso di database a cui attingere per effettuare confronti tra un set di dati di input e un set di dati di riferimento, senza chiudere il ciclo di ottimizzazione.
Settori che utilizzano il machine learning per ottimizzare i processi in tempo reale (sensori virtuali)
I settori coinvolti, negli ultimi 7 anni, nella direzione di sviluppo volta verso l’ottimizzazione e l’impiego di sensori virtuali, sono quelli relativi:
- al miglioramento dell’efficienza energetica e degli impianti,
- alla simulazione del comportamento umano o
- alla previsione di eventi naturali,
in applicazioni del tipo:
- l’ottimizzazione delle performance di impianti idroelettrici, in particolare per turbine kaplan per ENEL (2015), o per impianti eolici per il CNR (2013) e EN ECO (2010), o per impianti solari per l’UNIVERSITA’ DEGLI STUDI DI ROMA 3 (2013) mentre ABB ITALIA già nel 2011 brevettava un’applicazione analoga; la previsione delle proprietà degli olii crudi per ENI (2010 e 2011);
- il monitoraggio e controllo di un sistema tessile, per migliorarne l’efficienza per la CAMOZZI DIGITAL (2015);
- la simulazione del comportamento umano per CAMLIN ITALY in partnership con TOYOTA MOTOR (2015), o la previsione del comportamento umano in un contesto definito per HENESIS (2012);
- la previsione dell‘evoluzione dinamica nel tempo e nello spazio di un territorioper CSI RICERCA & AMBIENTE e SEMEION (2010 e 2011).
Settori che utilizzano il machine learning per misurare
Più vari sono i settori coinvolti, negli ultimi 7 anni, nella direzione di sviluppo volta verso la misurazione induttiva e il riconoscimento mediante confronto di quantità registrate con sensori reali. Gli ambiti in cui vengono impiegate le reti neurali sono quelli relativi:
- alla medicina,
- alla localizzazione,
- all’analisi del sottosuolo,
- allo studio dei componenti elettrici,
- al monitoraggio delle strutture o
- all’analisi delle performance,
in applicazioni del tipo:
- il monitoraggio e il controllo dei segnali vitali umani e l’individuazione di correlazioni prioritarie per XEOS (2015), il riconoscimento di lesioni della pelle per LINKVERSE (2015). Il riconoscimento di un peggioramento di una broncopneumatia per LABORATORI DI INFORMATICA APPLICATA DI GIUSEPPE CAPASSO (2015). L’individuazione di calcoli renali per l’UNIVERSITA’ DEGLI STUDI DI ROMA LA SAPIENZA (2011);
- il riconoscimento dello stile e delle performance di un atleta (sciatore) per WEARIT, il riconoscimento di stati d’animo di una persona per il CENTRO STUDI S.R.I. (2015) e SELEX GALILEO (2011);
- i metodi di generazione di una mappa di profondità per STMICROELECTRONICS (2014) o il riconoscimento e l’analisi del sottosuolo attraverso onde elettromagnetiche per SIRTI (2011);
- il riconoscimento di partial discharges che si verificano in componenti elettrici per PRYSMIAN (2013);
- il riconoscimento dello stato di salute di una struttura di aeromobile attraverso nuvole di punti per AERMACCHI (2012) o stima dei valori del vento e di quelli inerziali di un aereomobile per il POLITECNICO DI TORINO (2013) o il riconoscimento dell’angolo di piegatura di una lamiera attraverso la schematizzazione della struttura come nuvola di punti;
- la misura della velocità di rotazione di un compressore in un motore a combustione interna per MAGNETI MARELLI (2010).
L’analisi lascia fuori altre specifiche applicazioni, che però rientrano in linea generale nei concetti espressi.
È presumibile che lo sviluppo del piano industria 4.0 porti ad ulteriori applicazioni e sviluppi nel settore delle reti neurali e del machine learning, quindi è anche probabile che il meglio debba ancora venire…quindi non ci resta che augurarvi:
Buon lavoro!
Vedi anche: Quali problemi o bisogni risolvono le aziende? (qui)
Nota sulla ricerca: L’articolo fa riferimento ad una analisi preliminare condotta restringendo il settore a brevetti depositati da aziende italiane o con documento di priorità italiano, e che fanno esplicitamente riferimento alle reti neurali, al data mining o al machine learning nelle claims. Non sono stati presi in considerazione i titoli depositati da multinazionali estere e potenzialmente validi in Italia tramite estensioni EP o WO. Dati i limiti intrinseci ai database di ricerca, i dati relativi al periodo 1997-2008 e 2016-2017 devono essere considerati indicativi e non esaustivi degli sviluppi del settore.
