Il progetto “Talent Lab”
Nell’ambito dell’iniziativa “Talent Lab” della Regione Calabria, Revelis ha sviluppato una piattaforma per lo sviluppo di soluzioni di Intelligenza Artificiale basata su tecniche di machine learning, deep learning e reasoning.
POR CALABRIA FESR-FSE 2014-2020
ASSE I – PROMOZIONE DELLA RICERCA E DELL’INNOVAZIONE
Obiettivo Specifico 1.4 “Aumento dell’incidenza di specializzazioni innovative in perimetri applicativi ad alta intensità di conoscenza”
Azione 1.4.1 “Sostegno alla creazione e al consolidamento di startup innovative ad alta intensità di applicazione di conoscenza e alle iniziative di spin-off della ricerca”.
Revelis Artificial Intelligence Smart Environment
Tramite l’iniziativa “Talent Lab” Revelis ha realizzato il Revelis Artificial Intelligence Smart Environment che integra:
– funzionalità di machine learning e deep learning con meccanismi per il ragionamento automatico, abilitando in tal modo lo sviluppo di soluzioni di Intelligenza Artificiale su Big Data
– meccanismi di explanation dei modelli decisionali utilizzati, in modo da aumentare l’efficacia dell’interazione uomo-macchina nell’ambito di processi industriali e operazionali che vedono coinvolti attori umani e sistemi automatici intelligenti.
Il sistema realizzato può essere erogato in modalità “on-premise” (c/o l’infrastruttura del cliente) o in modalità “Software-as-a-Service” (SaaS)
Data Layer
Consente lo storage e l’interrogazione di:
– dati strutturati
– testi
– stream
Business Layer
In questo livello trovano collocazione:
– strumenti per l’analisi multidimensionale
– un framework per il pre-processing distribuito
– librerie per il machine/deep learning (induzione)
– un motore per il ragionamento automatico (deduzione)
Presentation Layer
Mette a disposizione:
– le analisi visuali di dati
– modelli (Insights)
I vantaggi
Il Revelis Artificial Intelligence Smart Environment è una piattaforma “general purpose”, e dunque potrà essere usata in applicazioni di AI nei settori più disparati, sia con elaborazione in cloud che con riferimento all’edge computing.
Minimizzazione del tempo necessario per passare dalla fase di “design” alla fase di “attuazione” delle soluzioni di AI
Combinazione di tecniche induttive e deduttive per garantire la massima flessibilità nella soddisfazione dei bisogni degli utenti
Disponibilità di meccanismi che, spiegando il comportamento del processo decisionale automatico, consentano agli uomini di interagire in modo più efficace con le macchine
Capacità di effettuare elaborazioni massive ed in tempo reale garantendo la massima efficienza degli algoritmi e delle risorse di calcolo utilizzate
Manutenzione predittiva
PlugAIn
La verticalizzazione per la manutenzione predittiva soddisferà le esigenze delle aziende industriali che, nella fase di produzione/mantenimento degli impianti, hanno la necessità di passare da un modello di maintenance “pianificata” o “straordinaria” ad un modello capace di verificare lo stato di salute dei macchinari al fine di predire quando si verificherà un guasto, e conseguentemente di determinare un’ottimizzazione delle attività manutentive, con enormi miglioramenti e risparmi per il cliente.
Gestione di “serie temporali” di dati diagnostici
Uso di modelli ontologici dei componenti su cui effettuare la diagnosi
Addestramento ed applicazione di modelli di machine/deep learning per la previsione dei guasti
“Fault explanation” dei guasti predetti
Piano di Innovazione
Le attività per la realizzazione del Revelis Artificial Intelligence Smart Environment sono organizzate in 5 workpackages
Studio dello stato dell’arte dei metodi per l’Intelligenza Artificiale su Big Data (approcci induttivi e deduttivi)
1. Studio delle tecniche di Deep Learning
2. Studio dell’applicazione di tecniche di Knowledge Representation and Reasoning (KR&R)
Progettazione e realizzazione del Revelis Artificial Intelligence Smart Environment
1. Studio delle tecnologie per Machine/Deep Learning
2. Progettazione di un componente software per il Machine/Deep Learning
3. Progettazione di un framework per il ragionamento con ASP su big-data
4. Implementazione di PlugAIn
Algoritmi e tecniche di mining per la manutenzione predittiva
1. Analisi di tecniche per il preprocessing ed il feature engineering su Big Data proveniente da dati di sensori
2. Algoritmi di machine learning (in paritcolare, di anomaly detection e outlier explanation) relativi a dati in streaming e ad alta dimensionalità
3. Analisi di tecniche di Deep Learning per la manutenzione predittiva
Modelli e metodi di reasoning per la manutenzione predittiva
1. Analisi di tecniche di Root Cause Analysis basate su approcci deduttivi
2. Modello di dominio per un caso d’uso inerente impianti civili o industriali
Realizzazione di PlugAIn – verticalizzazione di PlugAIn per la manutenzione predittiva
1. Implementazione di tecniche di machine/deep learning per la manutenzione predittiva
2. Implementazione di modelli e metodi di reasoning per la manutenzione predittiva
3. Integrazione dei moduli implementati e realizzazione di PlugAIn
