Intervista al Prof. Mauro Tortonesi un anno dopo il lancio del progetto DISSEM 

Attraverso lo sviluppo di soluzioni innovative in ambito Big Data e Machine Learning, il progetto PR-FESR 2021-2027 Data-driven IT Services for Sustainable and Efficient Manufacturing (DISSEM), coordinato dal Prof. Mauro Tortonesi del laboratorio IN4, intende realizzare una piattaforma di servizi IT di larga applicabilità per l’ottimizzazione dei processi produttivi, che abiliti una manifattura 5.0 efficiente, senza sprechi e difetti.

Qual è lo stato attuale del progetto DISSEM a un anno dall’inizio dei lavori?

Siamo ancora nelle fasi iniziali del secondo anno, con il progetto che terminerà a metà 2026, ma abbiamo già raggiunto traguardi significativi sia per quanto riguarda lo sviluppo di metodologie innovative per l’analisi di dati, sia nello sviluppo della piattaforma DISSEM.

Grazie alla collaborazione con le aziende partner Bonfiglioli Group e Carpigiani Group, che hanno fornito casi d’uso e dataset rappresentativi, abbiamo sviluppato modelli avanzati basati sulla Generative AI per produrre dati sintetici, consentendo di risolvere il problema di dataset sbilanciati che si riscontra tipicamente in applicazioni Industria 5.0.

Inoltre, abbiamo realizzato una metodologia innovativa per l’anomaly detection di serie temporali multidimensionali, che rappresenta una tipologia di dato tipica del mondo Industria 5.0 e notoriamente difficile da analizzare. La nostra soluzione sfrutta le reti neurali per trasformare una serie temporale multidimensionale in un embedding monodimensionale, facilitandone il processamento attraverso algoritmi di Machine Learning (ML).

Infine, abbiamo sviluppato una metodologia molto innovativa, che abbiamo chiamato “multi-milestone”, per consentire l’anomaly detection efficiente e in tempo reale in più fasi di un processo produttivo. In questo modo, con un solo modello ML è possibile effettuare l’analisi dei dati sia a inizio processo, con un’accuratezza limitata ma con molto tempo a disposizione per eventuali azioni correttive, che nelle fasi successive, con accuratezza sempre crescente.

Parallelamente, insieme ai laboratori partner CIRI ICT dell'Alma Mater Studiorum di Bologna e CRIS dell'Università di Modena e Reggio Emilia e all'azienda partner Imola Informatica stiamo lavorando a metodologie e strumenti per il distributed learning e una piattaforma scalabile per la gestione del ciclo di vita dei modelli ML.

Quali sono i vantaggi che le metodologie di analisi dei dati da voi realizzate consentono di ottenere?

Le nostre soluzioni forniscono alle aziende strumenti di larga applicabilità e facile adozione che consentono di realizzare sofisticate applicazioni di analisi dei dati in ambito Industria 5.0 con CAPEX e time-to-market molto limitati, e quindi elevata produttività.

DISSEM permette alle aziende di avere accesso alle più innovative tecnologie e best practice nell’ambito dell’analisi dei dati e del Machine Learning senza dover sviluppare internamente apposite competenze - che sono notevoli e che richiederebbero investimenti molto maggiori. Infatti, nel mondo dell’analisi dei dati e del Machine Learning è molto difficile rimanere al passo dei vorticosi sviluppi scientifici e tecnologici e la differenza tra ricerca scientifica e ricerca applicata si sta riducendo sempre di più.

Ad esempio, abbiamo presentato la metodologia di anomaly detection basata sull’uso di embedding che abbiamo realizzato nel progetto DISSEM a ITADATA 2024, la conferenza di riferimento per la comunità scientifica italiana che lavora nell’analisi dei dati. Il lavoro è stato molto apprezzato, al punto da ricevere (ex aequo) il Best Paper Award dagli organizzatori. È un risultato che dimostra il valore del nostro team e la rilevanza del progetto nel panorama scientifico.

Quali obiettivi vi ponete per il prossimo anno?

Puntiamo a consolidare il lavoro sul distributed learning, avanzare nello sviluppo della piattaforma e testare le soluzioni con i nostri partner industriali. In particolare, stiamo lavorando su strumenti di Federated Learning semi-supervised, che consentono di addestrare modelli senza centralizzare i dati, migliorando efficienza e privacy. Lo scopo è quello di abilitare l’analisi dei dati “a bordo macchina”, come nel caso delle macchine per gelato Carpigiani, che operano in tutto il mondo, spesso in zone con connessione internet limitata, ad esempio per consentire alla macchina di verificare se l’operatore ha caricato una miscela sbilanciata e adottare automaticamente misure correttive.

Più in generale, DISSEM vuole trasformare la gestione dell’IA industriale, rendendola più accessibile, sostenibile ed efficiente, con un impatto significativo su ricerca e industria. La piattaforma DISSEM, sviluppata con tecnologie open source e Cloud-native come KubeFlow, è pensata per essere scalabile, portabile e facile da usare, anche per le PMI.


Per ulteriori informazioni sul progetto o entrare in contatto con il gruppo di ricerca del Tecnopolo di Ferrara non esitate a contattarci all'e-mail: tecnopolo@unife.it