Giocare le percentuali

In termini generali, l’intelligenza artificiale (AI) è l’intelligenza dimostrata dalle macchine. Questa definizione indica che l’IA copre una gamma di argomenti. Per esempio, un algoritmo piuttosto semplice implementato tramite circuiti elettronici potrebbe essere considerato AI non appena il sistema iniziasse a mostrare un comportamento intelligente (per esempio, se la temperatura della macchina raggiungesse una certa soglia, la macchina saprebbe spegnersi da sola).

I miglioramenti nell’IA hanno permesso alla tecnologia di eseguire l’apprendimento profondo, il riconoscimento delle immagini e il riconoscimento vocale. Anche se la ricerca sull’IA esiste dagli anni ’40, i progressi nella potenza di calcolo durante gli ultimi decenni hanno finalmente portato l’IA a raggiungere traguardi più notevoli. Nelle sue prime versioni, l’IA ha battuto il miglior giocatore di scacchi umano nel 1997. Poi, nel 2017, l’IA è stata in grado di battere il miglior giocatore umano di Go.

L’IA è stata utilizzata per anni anche in applicazioni di riciclaggio. Per quanto riguarda l’uso dell’IA nella visione artificiale, come fanno esattamente le macchine a identificare un oggetto e se è qualcosa che deve essere tenuto nel flusso o rimosso? Queste sono sfide chiave da risolvere relative all’uso dell’IA nelle tecnologie di smistamento dei materiali riciclabili.

Storia dell’IA nello smistamento

L’uso dell’IA nello smistamento è iniziato con sistemi negli anni 70-80. Questi sistemi erano basati su sensori ottici ed elettronici che confrontavano valori di grigio o colori. In base al rapporto tra questi colori, il circuito elettronico prendeva una decisione basata su regole se tenere o espellere il materiale. Per esempio, il primo distributore automatico inverso (RVM) riconosceva la forma di una bottiglia in base all’ombra che generava, che veniva rilevata da sensori ottici preposizionati.

Nei primi anni ’90, la classificazione basata sui pixel delle immagini delle telecamere in scala di grigi e a colori veniva utilizzata in combinazione con l’elettronica personalizzata, che limitava le capacità dell’IA in termini di soglie e decisioni. Con l’emergere dei personal computer (PC), è diventato possibile utilizzare questa tecnologia per la classificazione delle immagini.

La tecnologia delle telecamere personalizzate è stata utilizzata per acquisire proprietà spettrali specifiche e migliori possibilità di clustering, portando a una migliore precisione dell’IA. Ciò ha reso possibile assegnare a ogni pixel una specifica classe di materiale in base al suo contenuto spettrale. Il colore non era più l’unico criterio di identificazione.

Questa tecnologia è stata poi combinata con il riconoscimento degli oggetti alla fine degli anni ’90, che ha reso possibile raggruppare diversi pixel con proprietà simili e combinarli in un oggetto.

Negli anni 2000, i sistemi di imaging iperspettrali divennero disponibili, e la potenza dei PC aumentò ulteriormente. Le reti neurali artificiali (ANN) hanno cominciato a diventare disponibili per i problemi di classificazione nell’elaborazione dei dati. Sulla base di campioni precedentemente addestrati per l’applicazione e la macchina specifica, questa classe di IA poteva ora combinare diverse caratteristiche e proprietà per fare una classificazione. Di conseguenza, è stato possibile rilevare materiali più complessi e raggiungere un altro livello di precisione di classificazione.

Più tardi negli anni 2000, le cosiddette macchine vettoriali di supporto (SVM) divennero disponibili. Anche se suona come una macchina fisica, si tratta di modelli matematici che permettono a una macchina di definire cluster nello spazio multidimensionale. Memorizzare i risultati in tabelle sul selezionatore fisico migliorava ancora le prestazioni.

Comune a tutte le forme di IA precedentemente menzionate usate per l’ordinamento è il fatto che il cosiddetto addestramento o apprendimento dell’IA deve essere supervisionato. Nell’esempio molto semplice della RVM degli anni ’70, l’ingegnere doveva fisicamente posizionare il sensore ottico nella posizione corretta, e una serie di campioni etichettati doveva essere disponibile per insegnare al sistema prima di mettere in funzione il selezionatore.

AI oggi

Oggi, l’insegnamento iniziale del sistema richiede un ingegnere di computer vision per definire le caratteristiche rilevanti per il compito di smistamento. Questo genera vettori di caratteristiche dai dati dell’immagine, che vengono poi utilizzati insieme alle etichette per l’addestramento automatico della ANN o SVM. Poiché l’addestramento è fatto automaticamente senza interazione da parte dell’ingegnere, questo approccio è chiamato apprendimento non supervisionato.

Il passo successivo nell’evoluzione dell’IA nell’ordinamento è l’impiego di metodologie di apprendimento profondo che sono diventate disponibili negli anni 2010 e sono ora utilizzate in una serie di applicazioni. Questi tipi di reti sono stati inventati decenni fa. A causa di un massiccio aumento della potenza di elaborazione nelle moderne unità di elaborazione grafica e di milioni di immagini generalmente disponibili ed etichettate, è ora possibile applicarle a problemi pratici.

Le cosiddette reti neurali convoluzionali profonde sono ancora una RNA; ma, rispetto alle prime derivazioni, hanno un numero molto maggiore di strati e neuroni. Di conseguenza, le reti sono più potenti. Tuttavia, richiedono anche molti più dati di allenamento rispetto agli approcci tradizionali.

Il grande vantaggio delle reti neurali convoluzionali è che anche la fase di estrazione delle caratteristiche viene eseguita automaticamente durante l’addestramento della rete. Di conseguenza, un ingegnere di computer vision non è più tenuto a definire manualmente le caratteristiche rilevanti per il compito. Tipicamente, i primi strati della rete generano caratteristiche, che vengono integrate in caratteristiche più complesse negli strati successivi e poi classificate negli ultimi strati.

Queste reti possono essere combinate quasi come blocchi di costruzione, con ognuna preaddestrata per un certo compito. Facendo questo, il design può essere adattato all’applicazione in questione. Le tecnologie di apprendimento profondo hanno un grande impatto nel riconoscimento delle immagini in particolare.

Uno sguardo al futuro

L’attuale fase di sviluppo dell’IA – in particolare gli aspetti di apprendimento profondo – permetterà all’industria del riciclaggio di affrontare le sfide attualmente irrisolte.

Oggi, una stazione di raccolta a mano alla fine di una linea è ancora necessaria per migliorare la qualità del prodotto finale al livello desiderato. Un esempio potrebbe essere visto con le cartucce di silicio, che non sono desiderabili in un flusso di polietilene. Per raccoglierle con un robot, o per espellerle attraverso un ultimo sorter ottico, avrebbero bisogno di essere individuate prima.

Per questa capacità, l’AI e l’apprendimento profondo giocheranno un ruolo importante nel migliorare l’efficienza. La combinazione di queste nuove forme di AI con il potenziale dei big data (ad esempio, con i dati che già oggi possiamo raccogliere dalle macchine) aprirà ancora più opportunità per aumentare la produzione, ridurre i costi e migliorare la qualità.

C’è questa idea che l’IA di oggi è come trovare un pranzo gratis e un brutto anatroccolo. Entrambe le idee sono veri e propri teoremi matematici che si riferiscono al tema dell’intelligenza artificiale.

Il primo teorema afferma fondamentalmente che nessuna singola soluzione di IA è superiore a tutte le altre per una specifica applicazione. Ogni soluzione può avere certi benefici che vengono al costo di alcuni svantaggi altrove – quindi, non esiste una cosa come un “pranzo gratis”.

Il teorema del brutto anatroccolo è simile, affermando che non esiste una serie di caratteristiche ottimali per tutte le applicazioni. Anche se potessimo trovare un’IA generica che risolva molte sfide diverse, non si adatterebbe ad almeno un’applicazione o problema e non fornirebbe una soluzione adeguata, rendendola il “brutto anatroccolo”.

Con questo in mente, dovremmo rimanere modesti nelle nostre aspettative riguardo a ciò che è possibile con le reti neurali convoluzionali e l’apprendimento profondo. Sono disponibili molti esempi in cui l’apprendimento profondo sta risolvendo problemi di riconoscimento difficili e poco strutturati, ma con altri compiti di ordinamento altri approcci AI avranno prestazioni migliori. Trovare la giusta combinazione di diversi tipi di IA è stata la chiave in passato e rimarrà una chiave per garantire le migliori prestazioni di smistamento dei materiali riciclabili in futuro.

L’intelligenza artificiale è stata impiegata nell’industria del riciclaggio per diverso tempo. Tuttavia, le possibilità che l’apprendimento profondo può offrire quando i campi della visione artificiale e dell’apprendimento automatico sono riuniti sotto un unico ombrello sono nuove ed eccitanti per l’industria.

Gli autori sono vicepresidenti con responsabilità di ricerca per TOMRA Sorting GmbH, con sede in Germania, www.tomra.com/en/sorting/recycling, parte di TOMRA Systems ASA con sede in Norvegia.