IVEX sta ampliando il proprio lavoro nell’intelligenza artificiale industriale integrando visione artificiale, MLOps e robotica in un ecosistema orientato alla cosiddetta Physical AI. Fondata nel 2020, l’azienda è partita dall’ispezione visiva automatizzata e ha progressivamente esteso le proprie attività verso sistemi in cui dati, modelli AI e macchine fisiche operano all’interno dello stesso processo produttivo. Uno degli esempi più recenti riguarda una soluzione realizzata per un’importante azienda coreana attiva nei materiali per batterie secondarie, dove IVEX ha automatizzato completamente la fase di rimozione degli imballaggi dai pallet di crogioli impiegati nella produzione dei materiali catodici. Il sistema riconosce le corde di fissaggio, genera il percorso di intervento, individua i punti di giunzione, determina automaticamente l’orientamento verticale delle corde, rileva la posizione degli elementi di protezione, corregge eventuali disallineamenti dei crogioli, calcola il percorso di taglio della pellicola e verifica il risultato dopo l’operazione.
Una parte centrale dello sviluppo tecnologico è affidata a un gruppo di ricerca sul deep learning composto da cinque persone, che interviene sui problemi algoritmici più complessi non risolti dai team dedicati alle attività sul campo e alla messa in produzione. Il gruppo ha recentemente ottenuto l’accettazione alla conferenza internazionale ICML del lavoro “Memory-Distilled Selection for Noise-Robust Anomaly Detection”, dedicato a una nuova tecnica di rilevamento delle anomalie progettata per mantenere prestazioni elevate anche quando il dataset di addestramento contiene dati contaminati. Il problema è particolarmente rilevante nei contesti industriali, dove raccogliere grandi quantità di esempi difettosi è spesso difficile e imprevedibile e risulta quindi più pratico ricorrere a metodi non supervisionati che apprendono il comportamento dei prodotti conformi.
L’anomaly detection industriale viene infatti utilizzata in scenari differenti rispetto alla semplice manutenzione predittiva binaria. Mentre quest’ultima può essere impostata distinguendo condizioni di guasto e non guasto, nell’ispezione visiva non è sempre possibile conoscere in anticipo tutte le tipologie di difetto che potranno presentarsi. Per questo i modelli vengono spesso addestrati prevalentemente su campioni considerati normali, identificando come anomalie le deviazioni rispetto ai pattern appresi. Il limite principale è che anche la raccolta di un dataset composto esclusivamente da prodotti realmente conformi può essere problematica: alcuni difetti possono passare inosservati e contaminare il materiale di addestramento, mentre la definizione della soglia che separa un campione normale da uno anomalo può richiedere ulteriori attività manuali di etichettatura.
La tecnologia sviluppata da IVEX utilizza un processo definito memory distillation, pensato per ridurre l’effetto dei dati contaminati senza richiedere necessariamente un dataset iniziale perfettamente pulito. Il metodo considera le caratteristiche dell’intero insieme di dati, nel quale possono essere presenti contemporaneamente campioni normali e difettosi, e cerca di attenuare l’influenza dei secondi durante l’apprendimento. In una prima fase viene effettuato un sottocampionamento casuale che seleziona circa il 10% dei dati; questa operazione viene ripetuta più volte e i diversi risultati vengono poi combinati attraverso una procedura di ensemble. In questo modo il sistema riesce a ottenere prestazioni comparabili a quelle raggiungibili con un dataset composto esclusivamente da campioni puliti.
Il metodo sfrutta inoltre una caratteristica osservata durante l’addestramento delle reti neurali: il modello tende inizialmente ad apprendere i pattern più semplici e coerenti e soltanto successivamente incorpora quelli più difficili o rumorosi. IVEX utilizza questa dinamica per evitare il cosiddetto noise overfitting, cioè il fenomeno per cui il sistema finisce per memorizzare anche i campioni difettosi presenti nel dataset e perde capacità di distinguere le vere anomalie. L’addestramento viene quindi interrotto attraverso una procedura di selezione e fine-tuning prima che il modello inizi ad adattarsi in maniera eccessiva ai dati contaminati.
Un ulteriore problema riguarda la sensibilità intrinseca dei sistemi non supervisionati. Piccole variazioni che non rappresentano un difetto reale, come differenze nell’illuminazione, nell’angolazione del prodotto o nelle condizioni di acquisizione dell’immagine, possono essere interpretate come casi completamente nuovi e quindi come possibili anomalie. Per ridurre questi falsi positivi, IVEX combina il modello principale con un secondo sistema incaricato di valutare i casi ambigui. Quando il livello di confidenza non è sufficiente, il sistema può rimandare il giudizio anziché classificare forzatamente il campione come normale o difettoso.
Il lavoro sulla anomaly detection rientra in una strategia più ampia orientata all’integrazione tra software AI e robotica. Quando un algoritmo viene collegato direttamente a dispositivi fisici, infatti, devono essere affrontati anche problemi legati alla sicurezza degli operatori, alla precisione delle traiettorie e alla capacità di adattare il movimento della macchina alle condizioni specifiche della linea produttiva. IVEX sta lavorando in particolare su tecniche di taglio personalizzate per i diversi processi industriali e, in un recente progetto legato ai semiconduttori, ha aumentato di circa dieci volte la proporzione di dati sintetici utilizzati, ottenendo comunque risultati positivi.
Parallelamente, il team dedicato alla robotica sta sviluppando l’integrazione con modelli Vision-Language-Action, o VLA, che combinano percezione visiva, comprensione linguistica e generazione di azioni. L’azienda ha inoltre inaugurato un Technical Center a Gunpo, utilizzato per eseguire internamente test, sperimentazioni e verifiche prima dell’implementazione negli impianti produttivi.
Uno dei vincoli principali rimane il tempo ciclo della produzione industriale. In una fabbrica i prodotti vengono realizzati a intervalli regolari e il sistema di ispezione deve rispettare il Takt Time, cioè il ritmo necessario affinché la linea mantenga la produttività prevista. L’obiettivo di IVEX è quindi migliorare contemporaneamente accuratezza ed efficienza dei modelli, riducendo il carico computazionale richiesto direttamente in fabbrica e contenendo al minimo i limiti di velocità introdotti dall’AI. La direzione di sviluppo punta così a trasformare i sistemi di visione da semplici strumenti di controllo qualità in componenti direttamente integrate nei processi robotizzati e nelle piattaforme di automazione industriale.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)