In modo più o meno evidente e sfacciato, la produttività guida ogni strategia aziendale, comprese quelle che riguardano l’innovazione tecnologica. E la qualità della produzione è oggi più che mai una priorità perché, oltre ai costi, vanno minimizzati anche gli sprechi di materiale ed energia in modo certosino. In molti ambiti, infatti, abbiamo infatti “scoperto” che non sono risorse infinite e sempre in mani “amiche”.
È in questo contesto di accesa consapevolezza ed evoluzione che si ottimizzano anche le tecnologie, combinandole in modo nuovo ed efficace, per rispondere alle necessità passate in primo piano.
Fruibilità e immagini pesanti: due sfide vinte
Eyerus può costituire un “azzeccato” esempio di innovazione figlio di questi tempi, nato per rispondere a un bisogno chiaro e concreto del mondo del manufacturing: migliorare i processi di controllo qualità.
Si tratta di una piattaforma altamente modulare e personalizzabile che sfrutta l’intelligenza artificiale e il machine learning, per consentire a tutti di realizzare dei modelli di computer vision.
“Soprattutto nella produzione in serie, molte attività ripetitive per identificare difetti vengono effettuate da operatori umani. Ciò comporta un grosso spreco di tempo e di risorse e non garantisce standard di qualità elevati come quelli ottenibili con l’automazione. L’AI assicura sempre livelli alti e costanti, ed è in grado di riconoscere oggetti o estrarre informazione da immagini o video” spiega Jonni Malacarne, CEO di BlueTensor, azienda di soluzioni AI che ha ideato Eyerus premiata conquistando così il “Huawei Business Acceleration Award 2022”.
La computer vision non è nulla di nuovo, anzi, è una tecnologia che in un certo senso rassicura un settore tendenzialmente tradizionalista come il manufacturing. Facendo leva su questo, Eyerus introduce innovazione utilizzando in modo spinto l’AI e massimizzando la fruibilità della sua piattaforma grazie al paradigma no code. “Non è richiesta alcuna competenza di sviluppo software o di algoritmi avanzati – spiega Malacarne – solo assemblando una serie di blocchi già esistenti si riesce a confezionare in tempi rapidi un flusso completo di lavoro per estrarre informazioni da immagini e video”.
All’estrema facilità di utilizzo, Malacarne associa anche una spinta tecnologica innovativa, rappresentata dai dati sintetici. “Potendo utilizzarli, molte aziende con pochi dataset a disposizione possono comunque spingere sul controllo qualità intelligente. Non restano più tagliate fuori dai benefici legati all’AI che necessita un training”.
“Rendere semplice e innovativa una piattaforma che compie operazioni complesse in modo che non si richieda di scrivere nemmeno una riga di codice” è stata la principale sfida per il team che ha sviluppato Eyeron. Incombente e impegnativo anche il peso di video e immagini. Quelli che servono per mirare a una produzione quasi perfetta possono essere anche di decine di megapixel, sempre da processare in tempo reale e sul posto senza cloud. Malacarne spiega che “spesso si effettua un pre processing dei dati in modo che siano accessibili agli algoritmi. Resta comunque una grossa criticità per linee ad alta velocità come quelle industriali”
Non solo manufacturing: Eyerus “guarda” anche altrove
In azione nel suo naturale campo da gioco, l’ambiente industriale, Eyerus riconosce i difetti e fornisce un valore quantitativo sulla loro tipologia, utile per migliorare il processo di produzione. Può essere inserito anche in mezzo al flusso del processo, per intercettare anomalie il prima possibile e mitigare i danni sui lotti finali.
“Per implementarlo, prima va integrato con gli hardware di acquisizione immagini: collegata la sorgente con la piattaforma, le si insegna a riconoscere i difetti. Usiamo tecniche di apprendimento non supervisionato – spiega Malacarne – supportate dall’acquisizione di qualche centinaio di frame significativi. Dopo una breve fase di training, in pochi click la piattaforma è pronta a operare. Grazie ad alcune API si interfaccia quindi con i sistemi posti a valle, per trasmettere le azioni di ottimizzazione da intraprendere, in base all’esito del controllo qualità effettuato”.
Simile è l’iter di implementazione anche in un ambito come quello della sorveglianza. Qui si passa ai video, ma la loro gestione non ha richiesto alcun upgrade tecnologico, data la velocità media dei flussi industriali già attorno all’ordine di decine di frame al secondo. In questo caso, Eyerus è chiamato a identificare movimenti e dinamiche. Quelli pericolosi per l’incolumità delle persone, ma non solo: anche auto nei parcheggi o nel traffico oppure aree da monitorare dal punto di vista ambientale, se montato su un drone.
“Abbiamo studiato anche un algoritmo che riconosce gli snodi di persona, le sue articolazioni – aggiunge Malacarne- per capire se sta camminando in modo anomalo. Lo stiamo sperimentando sulle piste da sci e nei cantieri ma esistono molti altri ambiti di applicazione possibili”.
Il sogno è di entrare in corsia
Nel settore industriale, a cui deve la propria esistenza, Eyerus sta suscitando interesse non solo nelle aziende produttrici. “Molti costruttori di macchine stanno pensando di integrare questa piattaforma all’interno delle loro soluzioni” racconta Malacarne. E spiega che nel mondo delle telecamere di videosorveglianza, sono invece gli utenti finali i più aperti all’innovazione proposta da BlueTensor, soprattutto se si trovano a dover gestire tante telecamere e prevenire rischi di diversa natura.
Un ambito in cui vale il “vorrei ma (per ora) non posso” è poi quello della sanità. Eyerus potrebbe contribuire al miglioramento delle analisi mediche tramite computer vision, con il suo tandem AI e no code, “ma siamo bloccati dalle certificazioni e dai trial clinici. In questo caso, la tecnologia è molto più avanti di quello che poi si riesce a portare realmente sul campo. Abbiamo già pratiche di analisi ottimizzate sulla tomografia industriale che sarebbero solo da riaddestrare su immagini diverse. Abbiamo già sperimentato il riconoscimento su ecografie polmonari, ma gli iter di certificazione sono molto lunghi e complessi. Questo è un problema con cui chiunque vuole portare innovazione tecnologica in campo medico deve tuttora purtroppo fare i conti”.
Articolo originariamente pubblicato il 09 Gen 2023
