Federico Bertoni, 29 anni, dopo una laurea in Matematica e un dottorato applicato al Machine Learning a Parigi, da un anno e mezzo è entrato nel team Iprel Progetti.
Il gruppo di lavoro di cui fa parte si occupa principalmente di creare e costruire dei modelli di Machine Learning (ML) per l’automazione industriale.
Questo avviene principalmente su macchine Sacmi, ma anche con altri clienti esterni.
 
IPREL PROGETTI: Ciao Federico, ci puoi raccontare a partire dal tuo background come hai vissuto il passaggio da ambiente universitario all’azienda?

FEDERICO BERTONI: Certamente. All’università ho potuto applicare tecniche di Machine Learning (ML) nell’ambito biomedicale, più precisamente sistemi di visione che si ispiravano a modelli della retina. In sintesi, si trattava di modelli matematici ma relativi all’occhio e al cervello, cioè a come l’uomo interpreta l’immagine che riceve dall’esterno.
Il passaggio da università ad azienda è stato come mi aspettavo entusiasmante. Sono due mondi molto diversi, una grossa differenza tra i due ambienti sta nella concretezza delle cose che si fanno. Capita spesso che all’università manchi un po’ di concretezza e quindi non si riesce a vedere l’applicazione di quello che si sta facendo, qual è l’obiettivo concreto cui si tende.
Durante il dottorato si fa fatica a capire dove si sta andando, qual è l’obbiettivo e se quello che si sta facendo avrà una vera e propria applicabilità.
Si trattano contesti molto teorici, che potrebbero avere un’utilità ma non lo si sa con esattezza.
Invece in ambito aziendale c’è sempre un obbiettivo ben preciso, ma soprattutto, cercando di raggiungere quell’obbiettivo con le proprie conoscenze e i propri strumenti, poi lo si vede applicato.
Questa è una cosa molto positiva perché si può vedere finalmente in concreto ciò a cui si sta lavorando ed è una grande soddisfazione: è questo ciò che all’università un po’ manca.
L’ambiente aziendale mi è piaciuto molto, in particolare in Iprel mi sono trovato particolarmente bene, non è sempre così scontato trovare un ambiente umano sereno.
 
IP: Quali pensi che siano le competenze necessarie per lavorare in ambito Machine Learning?

FB: Nel nostro team c’è una forte competenza sull’analisi dei dati, quindi una capacità sia di interpretare, capire i dati, visualizzandoli e studiandoli, sia di cercare di estrapolare informazioni sui dati.
Più che le capacità informatiche, sicuramente utili (lavoriamo con diversi software e linguaggi informatiche) ma è sicuramente secondario rispetto alla capacità di interpretazione dei dati che viene da un tipo di preparazione più matematico/statistico.
Poi c’è tutta una parte tecnica che uno impara entrando nell’ambiente es strumenti di visualizzazione dati come ad esempio Microsoft BI.
Tutti abbiamo un po’ di competenze in analisi dati, poi ognuno di noi le sfrutta in maniera diversa, per esempio c’è chi lavora più nell’ambito dell’architettura: infatti la parte di ML è molto interessante, non banale o scontata, però c’è una parte architetturale che è iper-complicata dove bisogna avere certe capacità per poterci mettere le mani, io ad esempio inizialmente non le avevo e ho cominciato a entrare piano piano in alcuni argomenti.
Chi è qui da più anni conosce meglio l’architettura ci lavora a piene mani.
Il lavoro non è solo ML ma manche creare le infrastrutture, gestire visualizzare i dati, raccoglierli dalla macchina.
So che in futuro sarà sempre più preponderante e la parte più architetturale verrà gestita fuori dal team per poterci consentire di occuparci e concentrarci solo su obiettivi di data analysis perché l’obiettivo di Sacmi per i prossimi anni è quello di sviluppare questi modelli anche per altre macchine per espandere il ventaglio di opzioni che si hanno.
 
IP: Entriamo un pochino nello specifico senza rivelare troppi dettagli, cosa possiamo dire delle tecniche algoritmiche?

FB: Noi lavoriamo molto con la manutenzione predittiva su una macchina principale dove ci sono tanti segnali.
Il team che segue la macchina che conosce bene com’è fatta, sa quali sono le problematiche e ci indirizza su certi problemi da affrontare per cercare di prevedere in anticipo eventualmente il malfunzionamento di alcuni pezzi e quindi la sua sostituzione preventiva, l’usura di pezzi e di qui poter dire che da un certo periodo di tempo è consigliabile la sostituzione.
Come strumenti noi adesso utilizziamo molto Python perché è un linguaggio da una parte molto semplice da utilizzare ma dall’altra anche molto potente e offre tante possibilità dal punto di vista del ML.
Nel nostro caso noi usiamo molto Python per fare il pre-processing dei dati (pulizia dei dati, aggiunta dei valori mancanti, aggiustamento dei dati rumorosi etc) attività che all’università non avveniva perché i dati erano standard e perciò sempre perfetti e puliti, non c’era questo bisogno di sistemarli.
Invece in azienda i dati non sono mai belli come quelli standard; quindi, c’è stato un grosso sforzo da parte del team per preparare una libreria di algoritmi già pronti per essere sfruttati e fare pre-processing dei dati.
Così adesso possiamo attingere a queste librerie create da noi. La parte dei modelli è più “rapida” perché quando il dato è “bello” il modello viene bene. Se il dato è “brutto” il modello non verrà mai bene come si vuole.
Come modelli utilizziamo sia algoritmi che si possono costruire da Python sia altre piattaforme come Auto ML che testano tanti modelli uno dopo l’altro e vanno a selezionare il migliore; stiamo quindi utilizzando diversi strumenti per costruire questi algoritmi.
 
IP: Adesso parlaci della tua esperienza con iTools®:

FB: Certo, iTools® è uno strumento che permette di raccogliere dati su una macchina in maniera molto semplice, grazie al fatto di essere facilmente configurabile; inoltre permette di raccogliere ogni tipo di variabile che la macchina produce e di storicizzarle.
Nell’ultimo anno c’è stata l’idea di voler portare anche dei modelli di machine learning all’interno di iTools® per poterlo sfruttare direttamente sulla macchina.
L’idea è duplice: da una parte si è voluto costruire dei modelli abbastanza semplici di ML ma che potessero essere fruibili all’utente in maniera praticamente istantanea nel senso che l’utente può trainarli direttamente in macchina e utilizzarli, implementarli direttamente.
L’alternativa è quella di costruire dei modelli più complessi in locale per poi poterli inserire con pochi passaggi all’interno di iTools®, cosa che abbiamo fatto in particolare con un cliente con cui lavoriamo da un anno.
Da una parte quindi possiamo raccogliere dati con uno strumento di raccolta molto forte e rapido come iTools®, e dall’altra possiamo utilizzare i nostri modelli pre-trainati per fare previsione sulla macchina.
Quindi questa esperienza è il primo approccio di iTools® come strumento di previsione/analisi dati, cosa che fino adesso non era, in futuro probabilmente ci sarà un pacchetto dedicato da offrire alle aziende.
 
IP: Sembrerebbe l'anticipazione di qualcosa di molto interessante, staremo a vedere! Per concludere ci vuoi dare una prospettiva sul futuro di questo campo e di iTools® dal tuo punto di vista?

FB: Come in tanti altri ambienti tutti i modelli di ML/Intelligenza Artificiale stanno prendendo piede e stanno diventando una realtà, sono convinto al 100% che anche nell’ambiente industriale questo avverrà e sarà una trasformazione un po’ più lenta, principalmente perché a mio avviso le aziende che ci sono in questo momento hanno infrastrutture molto grandi e costose, che risalgono a qualche tempo fa e quindi per fare una transizione digitale con tutti questi strumenti nuovi ci vuole più tempo e ci vogliono risorse. In sostanza ci vuole tempo per implementare un nuovo sistema ma piano piano queste novità si inseriranno all’interno delle aziende.
Alcune aziende possiedono già questi nuovi strumenti, sono s già realtà, ma per come la vedo questo processo avrà un iter più lungo, che durerà ancora per un po’ di anni.
Dall’altra parte però questi strumenti sono molto utili, si stanno rivelando già come molto utili, interessanti, permettono alle aziende di risparmiare ad esempio sull’elettricità, sulle manutenzioni, per tante cose, di fare certi lavori in maniera rapida e veloce quindi risparmiare anche tempo.
Tutto questo è interessante per tutte le aziende, poita alla singola azienda decidere “come “, “quando” e “quanto” investire in queste nuove tecnologie.
Per quanto riguarda noi di Iprel Progetti, come gruppo Sacmi, stiamo puntando molto su questo ambiente di ML e AI; infatti, il nostro team è cresciuto molto in relativamente poco tempo.
Inoltre c’è l’intenzione di espandere ancora il comparto per puntare su questo nuovo approccio perché è vincente e perché molte aziende lo richiedono e quindi è necessario che anche il gruppo Sacmi si adegui a queste richieste per due motivi: oltre ad offrire un servizio in più, permette di attrarre nuovi clienti.
 iTools® è uno strumento molto duttile, molto semplice e proprio la sua semplicità è la sua forza. A mio avviso ha grosse potenzialità. So che hanno già implementato tante cose anche all’interno di Sacmi dove ormai tutti lo conoscono, sanno cos’è e come funziona: questo non può che giovare al software stesso perché ci permette di averlo all’interno del gruppo e poi può fare da ponte per arrivare anche a tante altre aziende che acquisteranno le macchine Sacmi.