Il Machine Learning sta prendendo il controllo dell'industria di processo?

La frase "i dati sono il nuovo petrolio" (The Economist, 2017) circola da qualche anno e sottolinea il cambiamento che stiamo affrontando in tutti i settori: dalla vendita al dettaglio ai media e all'intrattenimento, dalla sanità e dagli assistenti personali ai trasporti e alle piattaforme sociali, la realtà iper-interconnessa genera enormi quantità di dati. Gli algoritmi di analisi e di Machine Learning (ML), alimentati da questi dati, cercano modelli e informazioni per alimentare applicazioni, aziende in espansione e nuovi modelli di business.

Il Machine Learning è applicabile a tutti i settori? Qual è il posto del Machine Learning nell'industria di processo? Quanto sono sicuri e affidabili questi algoritmi per il funzionamento dei processi?

Queste risposte si trovano alla confluenza della teoria dei sistemi di controllo, del Machine Learning e dell'apertura del settore alle nuove tecnologie.

La grande maggioranza degli algoritmi utilizzati sono di apprendimento supervisionato: ciò significa che questi algoritmi necessitano di serie di dati di addestramento simili (con la stessa distribuzione) ai dati di test o di normale funzionamento. Una volta addestrato, il modello di Machine Learning viene utilizzato su nuovi dati per valutarlo.
Le aziende che hanno sviluppato i loro prodotti e servizi integrando l'uso dei dati nel loro nucleo e che applicano la raccolta di dati supportata dalla monetizzazione di questi dati stanno ottenendo ottimi risultati utilizzando l'intera gamma di algoritmi che il Machine Learning ha da offrire. L'esempio più chiaro di questo tipo di azienda è Facebook, che genera ricavi quasi esclusivamente dalla pubblicità digitale. Un altro indizio di quanto sia importante avere i dati integrati nel cuore del business è il fatto che tutti i dati che queste aziende possiedono possono essere monetizzati al massimo valore solo dalla stessa azienda; tolti dalla loro piattaforma, supponiamo su un dispositivo di archiviazione (molto grande), gli stessi dati non generano lo stesso valore da soli; il valore arriva quando i dati sono utilizzati nel contesto della piattaforma dell'azienda: i prodotti, i servizi, le interfacce con altre terze parti sono quelli che generano valore dai dati.

Per le aziende che avevano un'attività prima dell'era del Machine Learning, applicare gli algoritmi di Machine Learning ai dati disponibili e modificare le operazioni per includere le nuove tecnologie al loro pieno potenziale è una sfida - ed è questo il senso della trasformazione digitale.

L'industria di processo, come dice il nome, si occupa di far funzionare vari processi per produrre beni, è una "industria fisica". Il risultato dell'operazione è un prodotto finale. Se si tratta di un impianto farmaceutico, petrolchimico, energetico o di trattamento delle acque, il processo deve funzionare a set-point controllati, essere robusto a disturbi e guasti e avere una stabilità garantita. Tutto ciò si ottiene applicando la teoria dei sistemi di controllo, una branca della matematica applicata che negli ultimi due secoli ha reso possibile l'applicazione di tutti i progressi tecnologici. Dal mantenimento di una pressione costante in un serbatoio o di una potenza costante in un impianto energetico o di un flusso d'acqua da un impianto di trattamento, la teoria dei sistemi di controllo aiuta a progettare i cicli di retroazione che mantengono i processi operativi in modo ottimale.

L'aspetto più importante nella progettazione del controllo è assicurare la stabilità di un processo. Un ricordo vivido dei fallimenti della stabilità è presente nella cultura popolare come il ricordo del disastro della centrale di Chernobyl. La prima conferenza del premio IEEE Bode, "Respect the unstable" (Stein, 2003), offre una visione approfondita dell'uso degli strumenti dei sistemi di controllo per valutare la stabilità di un processo.

Oltre alla stabilità, il controllo del funzionamento di un processo implica la robustezza: garantire che le azioni di controllo siano influenzate solo in minima parte da misure rumorose, errori di progettazione e assicurare che il processo operi entro i limiti di progetto.

Un altro aspetto è la natura deterministica del processo e del controllo: anche se i processi sono solitamente non lineari e vengono applicati diversi tipi di algoritmi di sistemi di controllo, alla fine si ottiene e si utilizza un modello matematico; questo modello ha un'interpretazione diretta nel mondo fisico e l'intero sistema (processo + controllo) può essere compreso in dettaglio. Questo aspetto è molto diverso dall'uso di una rete neurale di Machine Learning, in cui i diversi coefficienti dei neuroni su tutti i vari strati non hanno un'interpretazione fisica: questo rappresenta un grosso ostacolo all'adozione del Machine Learning in questo settore.

Chiudere il feedback attraverso una rete neurale e lasciare che un algoritmo di Machine Learning prenda il pieno controllo di un processo potrebbe essere molto lontano. Tuttavia, gli algoritmi di Machine Learning, con la loro capacità di identificare modelli, possono essere utilizzati per valutare lo stato del processo in un ciclo aperto e fornire supporto agli operatori; in altre parole, per funzionare come un sistema di supporto alle decisioni.

I principali vantaggi dell'utilizzo di algoritmi di Machine Learning in questi settori includono: la previsione di guasti, la programmazione della manutenzione, la riduzione dei tempi di inattività e dei costi operativi, il miglioramento dell'efficienza attraverso l'identificazione di colli di bottiglia e stati operativi non ottimali.

Gli algoritmi di ML più comuni utilizzati per i processi sono il rilevamento delle anomalie e la classificazione. Un algoritmo di Machine Learning può essere addestrato con anni di dati storici al fine di prevedere e avvisare quando un componente è destinato a non funzionare correttamente, quando si discosta dal normale funzionamento. L'arte consiste nel fornire all'algoritmo i dati corretti e le etichette corrette: esso segnalerà un'anomalia al di fuori della regione rappresentata dal set di addestramento.
L'algoritmo di apprendimento per rinforzo sta colmando il divario tra l'apprendimento automatico e i sistemi di controllo, poiché chiude il ciclo di feedback e interagisce con il processo in entrambi i modi: leggendo le misure e inviando azioni. Questo algoritmo mappa l'ambiente in un modello interno e a ogni passo seleziona una serie di azioni possibili per interagire con l'ambiente reale allo scopo di minimizzare una funzione di ottimizzazione. Questo tipo di algoritmi è stato utilizzato da DeepMind per vincere a Go contro il campione del mondo (Silver, 2018) e anche per vincere contro avversari umani che giocano al PC (Hodson, 2019). Questi algoritmi sono stati utilizzati anche in un'applicazione più critica per i processi, ovvero l'ottimizzazione del consumo energetico dei centri dati (Judge, 2019). La sfida di questo tipo di algoritmi è l'elevata sensibilità ai cambiamenti dell'ambiente (come sempre accade nell'industria): un cambiamento nelle dimensioni del tavolo da gioco, la variazione delle azioni possibili in un gioco per PC o un cambiamento fisico di un elemento di un processo rende il modello obsoleto e impone una riqualificazione costosa e lunga.

Anche se è ancora molto ottimistico aspettarsi che il Machine Learning risolva tutti i problemi che abbiamo e ottimizzi il funzionamento di un intero impianto, questi algoritmi possono funzionare molto bene in alcune applicazioni particolari che possono supportare il processo decisionale. Come per l'ottimizzazione, il "controllo ottimale" è una branca consacrata e matura dei sistemi di controllo, con molti anni di studi e implementazioni di successo.

Bibliografia

• Hodson, H., 2019. 1843magazine. [Online] Disponibile all'indirizzo: https://www.1843magazine.com/features/deepmind-and-google-the-battle-to-control-artificial-intelligence [Accessed 18 September 2019].
• Judge, P., 2019. datacenterdynamics. [Online] Disponibile all'indirizzo: https://www.datacenterdynamics.com/analysis/smartening-how-ai-and-machine-learning-can-help-data-centers/ [Consultato il 18 settembre 2019].
• Silver, D., 2018. DeepMind. [Online] Disponibile all'indirizzo: https://deepmind.com/blog/article/alphazero-shedding-new-light-grand-games-chess-shogi-and-go [Consultato il 18 settembre 2019].
• Stein, G., 2003. Rispettare l'instabilità. IEEE Control Systems Magazine, 7, pp. 12-25, agosto 2003, doi: 10.1109/MCS.2003.1213600 [Online] Disponibile a: https://ieeexplore.ieee.org/document/1213600
• TheEconomist, 2017. TheEconomist. [Online] Disponibile all'indirizzo: https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data [Consultato il 18 settembre 2019].