-
Quali dati mi servono per questa soluzione di AI industriale?
Per selezionare i dati giusti, è necessario chiedersi prima di tutto cosa si vuole ottenere. In base alla risposta, si seleziona il parametro target – il nostro output – e si analizza il sistema da modellare. L’analisi si basa sul perimetro, da cui entrano ed escono flussi, regolazioni ed interazioni.
-
Quanto mi costi? Stimare il ROI di un progetto di AI industriale
Per valutare il ROI bisogna avere ben chiaro quanto stiamo spendendo oggi in energia, manutenzione, gestione di processo, risorse sprecate e tempo delle persone. A partire da questa fotografia, si valuta per ogni voce di costo cosa potrebbe migliorare con l’AI, oltre al costo del mancato investimento
-
AI e SDG: come integrare il bilancio di sostenibilità
L’AI è un potente strumento, in positivo e in negativo. Considerati i vari target degli SDG, le analisi dicono che quasi l’80% di questi vedrebbe positivamente l’utilizzo di sistemi di AI. Il 35% dei target sarebbero invece ostacolati da sistemi di intelligenza artificiale non regolamentati. Ecco perché è necessario nei prossimi anni introdurre una regolamentazione…
-
Perché la giraffa ha il collo lungo? Escamotage evolutivi per ottimizzare i processi
I meccanismi di selezione naturale che hanno fatto allungare il collo alle giraffe possono essere sfruttati per trovare la combinazione di setpoint migliore per minimizzare il costo o massimizzare la qualità di un processo.
-
Human in the Loop: come l’uomo e l’AI collaborano
Esiste un approccio utile per l’allenamento continuo dei modelli di machine learning, che coinvolge le persone nel processo grazie ad un modo semplice di interagire con le previsioni del modello.
-
10 parole strane che usano i data scientists
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,…
-
Piccola guida per comunicare con un data scientist
Una delle grandi sfide dell’implementazione di soluzioni di intelligenza artificiale industriale è farsi capire da chi deve sviluppare il modello.
-
Quando l’intelligenza artificiale è stupida, e come evitare che ci rovini i piani
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.
-
Quattro modi in cui l’AI impara dai tuoi dati, e come sfruttarli al meglio
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.
-
I benefici dell’Intelligenza artificiale Industriale, in numeri
L’intelligenza artificiale avrà un impatto sull’industria e sulle nostre vite equivalente all’avvento del computer o di internet, e si sta diffondendo velocemente in moltissimi campi e settori. Quando si guarda all’industria – e non solo – c’è molta confusione e un altissimo interesse. In questo post cerchiamo di fare ordine tra le varie applicazioni dell’AI…
Tag: Responsabile di processo
Archivio
Categorie
- AI
- Altro
- Anomaly detection
- Applicazioni dell'AI industriale
- Apprendimento
- Benefici
- CER
- Data science
- Energia
- Generative AI
- Industria
- Intelligenza artificiale industriale
- Manutenzione predittiva
- Monitoraggio delle performance
- Monitoraggio di processo
- Non supervisionato
- Ottimizzazione di processo
- Per rinforzo
- Processo
- Rinnovabili
- Smart Cities
- Sostenibilità
- Supervisionato
