L’annoso problema della previsione Se il mio modello mi predice il guasto e io intervengo, come faccio ad essere sicuro che si sarebbe presentato? Se vado a fare un’ispezione ma non trovo nessuna anomalia, ha sbagliato il modello o sono io che non ho cercato bene perché il modello è troppo sensibile? Queste domande saltano…
Il data scientist è una fugra mitologica, con competenze che spaziano dalla porgrammazione all’analisi dei dati alla statistica applicata alla creazione di viste e reportistica d’effetto.
Spoiler: di solito non esiste il data scientist, ma piuttosto il team di data science: un isnieme di professionisti che lavorano insieme per raggiungere il risultato.
Sia come sia, queste figure mitologiche hanno un codice e un vocabolario tutto loro, spesso incomprensibile ai più. Cerchiamo quindi di svelare alcune delle parole più usate dal team, che vi capiterà di trovare sparse nelle presentazioni di sprint o stato avanzamento lavori.
Una delle grandi sfide dell’implementazione di soluzioni di intelligenza artificiale industriale è farsi capire da chi deve sviluppare il modello.
Nel contesto italiano le piccole e medie aziende rappresentano la colonna dorsale dell’industria.
Mi dispiace deludere i lettori, purtroppo l’AI non è infallibile. Lo so, prendetevi il tempo che vi serve per elaborare il lutto.
Infatti, i modelli di machine learning e di deep learning, imparando solo dai dati senza senso critico, spesso replicano quello che hanno osservato in modo errato, o non sanno gestire alcune situazioni.
Nel 1908 il New York Times ha pubblicato un articolo dedicato ad un cane che ha imparato a ingannare il sistema.
Gli algoritmi imparano osservando dati rappresentativi di uno specifico sistema.
In particolare, i dati possono essere raccolti in parallelo con il training, oppure in un momento separato.
L’AI fa predizioni generalizzando informazioni che ha già visto nel passato, in base alla situazione che sta osservando nel momento presente.
In particolare, in industria osservare la situazione del momento presente significa elaborare in real-time i dati dal campo – temperatura, pressione, portata, ma anche immagini superficiali o di altro tipo. Questi diventano gli input del modello.
Il modello, in base agli input, cerca di fare una predizione, chiamata output. Gli output possono essere ad esempio il valore di temperatura o consumo attesi, o la probabilità che la condizione specifica sia sintomo di un guasto, o se l’immagine contiene o meno un difetto o un pezzo di scarto.