AO_459

S SI intelligenza artificiale AUTOMAZIONE OGGI 459 SOLUZIONI SOFTWARE PER L’INDUSTRIA 77 PC industriale ultracompatto C6043, Beckhoff offre un hardware scalabile con una GPU integrata di Nvidia in linea con gli standard del settore. In questo modo l’intero ecosistema Beckhoff è orien- tato in modo ottimale all’integrazione dei modelli AI nel livello di controllo della macchina. I modelli di intelligenza artificiale integrati nel controllo offrono il vantaggio che i loro risultati possono essere utilizzati direttamente nel sistema di controllo per eseguire azioni. Creazione automatizzata di modelli AI In linea con la filosofia della tecnologia di controllo aperta, Beckhoff ha progettato i moduli di esecuzione integrati nel PLC esistenti per i modelli AI indipendentemente dall’ambiente di addestramento AI utilizzato, supportando lo standard Onnx. Un file Onnx descrive un modello AI addestrato come una sequenza di operatori con pa- rametri associati. Questi file di descrizione possono essere caricati con le TwinCAT 3 Functions, come il TwinCAT Machine Learning Ser- ver, e quindi eseguiti dal PLC; tuttavia, i framework AI pertinenti, come PyTorch o Scikit-learn, che sono generalmente utilizzati per addestrare i modelli AI, sono rivolti a esperti AI specializzati che pre- parano i dati di addestramento nell’ambiente di programmazione Python, creano strutture di modelli AI e quindi addestrano i modelli AI. Con TwinCAT Machine Learning Creator, Beckhoff offre ora un approccio molto più semplice sotto forma di un’interfaccia basata sul web che guida l’utente attraverso le fasi di caricamento dei dati, formazione del modello, analisi del modello e download. L’obiettivo è quello di standardizzare il processo di formazione dei modelli di intelligenza artificiale. Il caricamento dei dati L’intero concetto di apprendimento automatico ruota attorno all’apprendimento. Per questo motivo, è essenziale disporre di un insieme di dati pulito e rappresentativo da utilizzare per l’ap- prendimento. Ciò richiede solitamente un set di dati annotati: nel campo della classificazione delle immagini, ad esempio, ciò significa che un certo numero di immagini campione è già stato classificato da un umano. Di conseguenza, ogni immagine ha il suo tipo di etichetta, che rappresenta il risultato desiderato. La re- lazione tra immagine ed etichetta è stabilita da un file di etichetta che, nel caso più semplice, è una tabella contenente il nome del file e l’etichetta corrispondente. Il caricamento dei dati è aperto e supporta diversi formati di dati immagine e di file di etichetta. Ciò significa che gli utenti sono liberi di scegliere uno strumento di etichettatura (se necessario). Attualmente si sta lavorando per utilizzare TwinCAT Analytics Data Scout come strumento di etichettatura per ottenere l’integrazione dei dati dal controllore TwinCAT a TwinCAT Machine Learning Creator. L’addestramento del modello di intelligenza artificiale La configurazione di una sessione di addestramento AI è semplice e prevede la creazione di un nome di modello e l’aggiunta di un set di dati (o più set di dati) al processo di addestramento. Tutte le altre configurazioni sono opzionali e consentono di specificare il com- portamento runtime del modello AI sul controllore TwinCAT, se ne- cessario. Se vengono specificati una piattaforma hardware Beckhoff TwinCAT e il software TwinCAT su cui deve essere eseguito il mo- dello AI da creare, gli utenti possono specificare un tempomassimo di esecuzione accettabile per il modello AI. L’analisi del modello I modelli AI, in particolare le reti neurali profonde (modelli di deep learning) create con TwinCAT Machine Learning Creator, hanno ot- time proprietà di generalizzazione. Ciò significa che anche le presta- zioni previste dei modelli sono molto buone; tuttavia, le reti neurali sono ‘scatole nere’ la cui funzionalità può essere decifrata solo at- traverso metodi di analisi specializzati, piuttosto che direttamente. Questi metodi vengono anche definiti Explainable AI e servono ad aumentare l’accettazione del modello AI: in fin dei conti, solo coloro che acquisiscono una conoscenza più approfondita del comporta- mento del modello addestrato saranno disposti a utilizzarlo. Il download del modello Quando il modello è pronto, è scaricabile in formato Onnx, il che lo rende compatibile con TwinCAT e altri sistemi. Inoltre, TwinCAT Machine Learning Creator consente di esportare il codice PLC in formato PLCopen XML, supportando l’intero flusso di processo, dall’acquisizione dati all’esecuzione AI. La transizione da training a esecuzione nel PLC è fluida, garantendo un’implementazione im- mediata e senza interruzioni. In conclusione, TwinCAT Machine Learning Creator rappresenta un passo avanti nella democratizzazione dell’AI per l’automazione in- dustriale, rende l’AI accessibile a tecnici di processo, senza neces- sità di esperti dedicati, permettendo di sfruttare il potenziale dell’AI nell’automazione di processo e nel controllo qualità in modo pra- tico ed efficiente. Beckhoff - www.beckhoff.it Fonte: foto Beckhoff Caricamento di un dataset di classificazione di immagini per la categorizzazione delle uova in ‘buone’, ‘rotte’ e ‘sporche’