Uomo + macchina: l’unione fa la forza

Nella produzione moderna, in cui la personalizzazione e la customizzazione sono aspetti fondamentali, approcci non flessibili non sono più accettabili. Per questo motivo, nella maggior parte delle fabbriche in tutto il mondo, oggi molte attività di classificazione binaria (ovvero di selezione buono/scarto) vengono eseguite manualmente, da ispettori umani che osservano ciascun prodotto fabbricato per controllarlo attentamente alla ricerca di eventuali difetti. Indipendentemente dal valore economico intrinseco dell’oggetto – dagli alimenti a basso costo agli smartphone di alta gamma – l’ispezione visiva eseguita da esseri umani è spesso una parte fondamentale della strategia di controllo della qualità di ogni azienda. Infatti, oltre il 50% di tutti i controlli qualità nel mondo sono ancora eseguiti da persone in carne ed ossa.

Noi esseri umani possediamo un’eccellente capacità nell’eseguire classificazioni. Una rapida occhiata a un cesto pieno di mele, ad esempio, e siamo in grado di distinguere immediatamente le mele sane da quelle danneggiate, o le mele rosse da quelle verdi ecc. La forma di classificazione più semplice è quella binaria: sì o no. La classificazione binaria risponde a domande come “questa mela è buona?” Nell’industria manifatturiera, l’applicazione della classificazione binaria diventa indispensabile perché risponde alla domanda fondamentale: “questo prodotto è fabbricato secondo le specifiche?” Individuare i difetti non è un compito facile ed è influenzato da molti fattori, come la formazione e il turn over degli operatori, la loro esperienza, la salute dei loro occhi e le loro abilità.

Se le persone hanno i loro limiti, anche la visione artificiale “tradizionale” ha avuto non poche difficoltà nel classificare beni e prodotti, e per una buona ragione: la classificazione è una funzione molto complessa da programmare. Richiede che un esperto di prodotto si affianchi ad uno specialista di visione artificiale, per scrivere formalmente tutte le regole ovvero per identificare tutte le caratteristiche necessarie per distinguere un oggetto “buono” da un oggetto “non buono”. Ancora più importante, il programma così attentamente elaborato deve essere ulteriormente modificato e corretto ogni volta che gli oggetti da classificare cambiano anche leggermente.

Il deep learning supera tutti i limiti della visione artificiale fondata su regole e offre nuovi scenari di collaborazione uomo-macchina. L’idea è semplice: assistere gli operatori del controllo qualità collocando telecamere e monitor accanto alla loro postazione di lavoro. Gli oggetti da ispezionare, movimentati automaticamente o manualmente dagli operatori stessi, vengono analizzati dai sistemi di visione e presentati sui monitor. Qui, sulle immagini degli oggetti vengono evidenziate le aree critiche con tutti i difetti rilevati dall’intelligenza artificiale. Spetta poi agli operatori controllare l’area del difetto riscontrato e confermare o meno la sua presenza e prendere così la decisione finale buono/scarto.

I vantaggi di questo approccio sono molteplici, e derivano dall’unione dei punti di forza delle due componenti: l’esperienza e la capacità di giudizio dell’essere umano e l’oggettività e l’efficienza del deep learning. In questo sistema di visione uomo-macchina, lo strumento non sostituisce l’operatore umano ma ne potenzia le capacità, con benefici che ricadono sulle persone, sulla qualità del lavoro e sulla produzione.