L’intelligenza artificiale (artificial intelligence, AI) è un termine nato negli anni ’50 per indicare quelle tecnologie che permettono ad una macchina di eseguire compiti caratteristici dell’intelligenza umana (ad esempio: capire il linguaggio parlato e scritto, decidere la mossa migliore da fare in una partita di scacchi, distinguere se si sta guardando una bici o un’automobile, raggruppare delle viti secondo la loro forma e dimensione). Si può parlare quindi di AI quando una macchina non si limita ad eseguire una sequenza prefissata di azioni, ma è in grado di fare dei ragionamenti e delle scelte con una qualche forma di intelligenza appunto.
Il machine learning (ML) è un ramo dell’AI, viene inteso come “la capacità di una macchina di apprendere senza essere programmata esplicitamente”.
Un esempio di ML che tutti noi conosciamo ed usiamo inconsciamente è il saper leggere o scrivere: non siamo nati con queste capacità, ma abbiamo raccolto e assimilato una moltitudine di informazioni fin dall’infanzia (il parlare delle altre persone, i libri, l’insegnamento scolastico, etc) e con il tempo abbiamo imparato a svolgere questi compiti.
In egual modo, il ML permette di “educare” un algoritmo in modo che possa apprendere a svolgere dei compiti, che potrebbero essere di difficile o impossibile attuazione utilizzando tecniche standard di programmazione “hard-coded, ossia decisa in principio e ripetuta inalterata per sempre.
Un esempio pratico molto apprezzato da chi utilizza spesso le email sono i filtri antispam: l’algoritmo impara a classificare quali email sono per noi spam da quelle valide, in modo dinamico e imparando costantemente le nostre abitudini nel corso del tempo, più email elabora e più accurato ed efficace diventa.

L’ultimo approccio tecnologico basato sul ML, è il Deep Learning: algoritmi che apprendono ed elaborano i dati utilizzando delle strutture di elaborazione simili al cervello umano, composte da più livelli di “profondità” e numerosi “neuroni” (unità elementari di calcolo), il tutto fortemente interconnesso.
Queste strutture hanno il nome appunto di reti neurali (neural network) e rappresentano lo stato dell’arte nella ricerca attuale.

Si può quindi vedere il ML come un insieme di metodi matematici e algoritmi altamente sofisticati e ottimizzati che permettono ad un computer di imparare ad agire in modo simile a noi, nei confronti di specifici compiti.
Ma di cosa ha bisogno un computer per venire addestrato ad un compito? Di una grande quantità di dati riguardanti quello specifico compito: possono essere delle immagini, come nel caso dei sistemi a guida autonoma, di email (filtro antispam) o semplici numeri, ad esempio delle misure dimensionali di viti per un compito di raggruppamento, detto clustering.
L’addestramento del computer è un passo fondamentale per ottenere un sistema efficace: utilizzando i dati raccolti, gli algoritmi li analizzano e cercano di imparare quanto più possibile ad eseguire correttamente il compito richiesto.
Completato l’addestramento, si ha un computer che può agire autonomamente e in modo dinamico nello svolgere la funzione voluta, anche se questa si dovesse presentare leggermente diversa da quanto conosce; per esempio, riuscirà a riconoscere l’immagine di una persona anche se questa è visibile solo in parte, oppure a ricostruire una traccia audio comprensibile anche in presenza di rumore di fondo.

Sono innumerevoli le possibilità di impiego di questi sistemi:

• Manutenzione predittiva: monitorare i dati dei macchinari attraverso sensori IoT e automaticamente segnalare quelle condizioni anomale di funzionamento al fine di prevenire un danno, con conseguenti riduzione dei costi di riparazione, dei tempi di fermo macchina e di possibili infortuni dei lavoratori connessi al malfunzionamento.
  
• Visione: rendere i sistemi di visione intelligenti, più accurati rispetto le soluzioni classiche e in grado  di adattarsi ai cambiamenti mantenendo l’efficacia.
  
• Logistica: ottimizzare i flussi delle merci e dei prodotti, ridurre gli spostamenti non necessari e i tempi di attesa, evidenziare i colli di bottiglia in un processo.
  
• Controllo: qualora un processo sia influenzato da un notevole numero di variabili, ad esempio, temperatura, umidità, posizione, luminosità, etc. Una programmazione hard-coded risulterebbe complessa e inefficiente; un sistema di ML opportunamente addestrato riuscirebbe invece ad agire in modo migliore di quanto un umano sarebbe in grado di prevedere in fase di progettazione.
  
• Sempre aggiornati: i sistemi di ML possono costantemente imparare, in tempo reale, dai dati ricevuti, è dinamico e segue i cambiamenti.

Plumake sta attualmente lavorando ad un progetto di serra tecnologica basata su PLC con algoritmi di Machine Learning, al fine di ottenere una gestione dell’ambiente in serra ottimale, configurabile dall’utente, energicamente efficiente ed adattabile agli imprevisti.