Machine vision: vecchio o nuovo?

Con l’avvento e il dilagare delle AI generative, il termine AI non è più solo una tecnologia, ma un vero e proprio marchio di innovazione. Basta pronunciare quelle due lettere per rendere qualsiasi software più interessante, una soluzione più moderna, un problema risolto. Il messaggio è chiaro, se non c’è l’AI il sistema è sorpassato.

La realtà però, in particolare nell’automazione industriale e nella visione artificiale, è meno spettacolare e molto più interessante.

L’AI, o più precisamente il deep learning, è sicuramente uno strumento potentissimo e come tale va sfruttato, non come soluzione a tutti i problemi. Gli algoritmi tradizionali non sono tecnicamente sorpassati e anzi possono risolvere problemi in cui il deep learning è mancante.

Visione artificiale tradizionale: affidabilità e chiarezza

Gli algoritmi tradizionali analizzano immagini e nuvole di punti 3D attraverso determinate regole chiare: filtri, soglie e geometrie. La logica con cui sono scritti porta ad un’elevata affidabilità. Quando il problema è ben definito, difficilmente hanno rivali per velocità, ripetibilità e, soprattutto, sono più semplici e prevedibili. In un contesto industriale, dove i ritmi esigono risposte e soluzioni rapide, quest’ultimo punto è fondamentale e può contare molto in termini di produzione persa. Al contrario, il loro limite è quanto il problema smette di essere ben definito e diventa reale. Il loro approccio basato su regole precise mostra il fianco contro variabilità, rumore, deformazioni. Per sopperire vengono richiesti più casi particolari e la loro semplicità si perde.

Deep learning: potente e complesso

Il deep learning ha cambiato le regole del gioco risolvendo problemi prima impossibili. Riconoscimento di pattern complessi, adattabilità al variare delle condizioni, algoritmi che comprendono davvero immagini e nuvole di punti invece che applicare regole. Alcune immagini campione e il sistema è pronto ad entrare in produzione. Ma è tutto vero? In realtà per avere un affidabilità adeguata ad una linea produttiva servono molti dati etichettati, rappresentativi delle situazioni che si presenteranno e ben distribuiti. Serve tempo per il training, competenze e una infrastruttura adeguata. Ovviamente esistono molte tecniche per sopperire a questi svantaggi, ma il deep learning resta un potente strumento da saper sfruttare. Infine è spesso necessario sacrificare la prevedibilità e la chiarezza degli algoritmi tradizionali e fidarsi dei risultati della “black box”.

La collaborazione è la vera chiave

Trattare questi due mondi come disgiunti e in competizione è l’errore più comune. Un sistema ben progettato saprà cogliere i lati positivi di entrambi, mitigare quelli negativi, e coniugare le due tecniche per raggiungere l’obbiettivo. Far interpretare e gestire ambiguità e variabilità al deep learning ed affidarsi alla precisione ed affidabilità degli algoritmi tradizionali è sicuramente la scelta giusta per ottenere un risultato più robusto e stabile sul lungo periodo.

Uno sguardo al futuro

La ricerca attualmente è molto sbilanciata verso il campo del deep learning. Generalizzare i problemi e proporre una base comune alla loro risoluzione è senz’altro un obbiettivo ambizioso, ma possibile. Al contempo la ricerca si sta espandendo anche per la generazione di dati sintetici per minimizzare i dati richiesti e ridurre i tempi di deploy dei sistemi. Nonostante questo, i sistemi più moderni sfruttano soluzioni ibride e complementari.

Riassumendo, il deep learning non è la risposta a tutti i problemi, gli algoritmi tradizionali, seppur con le loro limitazioni, funzionano e sono più robusti. La differenza sta nell’usare correttamente tutti gli strumenti a disposizione.

Nel nostro software Nemesis non ti chiediamo di scegliere tra le due. Supportiamo sia algoritmi classici che deep learning e possiamo combinarli tra loro per migliorare le prestazioni dell’intero sistema e costruire soluzioni che funzionano davvero.

In produzione non conta la tecnologia più alla moda. Conta quella che funziona. Ogni lunedì mattina.