Grazie al finanziamento della Regione Toscana nell’ambito del Nuovo Piano Sviluppo e coesione – FSC, sostegno alle attività collaborative realizzate da aggregazioni pubblico-private per lo sviluppo e la promozione di settori ad alta tecnologia per il sistema regione, il Dipartimento di Matematica annuncia il lancio del progetto MAmMUT, volto a sviluppare avanzati metodi di apprendimento automatico su dataset multi-tipo. Segue una breve descrizione del progetto.
Un problema di fondamentale importanza in ambito manifatturiero è la capacità di predire guasti, necessità di intervento o in generale condizioni critiche. Diventa decisivo poter predire tali accadimenti per anticipare le azioni e le decisioni necessarie a evitare o porre rimedio alle condizioni critiche. Alla base delle predizioni ci sono dati di differente natura (numerici, categoriali, o in forme più elaborate come immagini) e provenienti da sorgenti differenti (sensoristica, RFID, NFC, dati esterni, sistemi di monitoraggio della produzione, etc.), rilevati in differenti fasi del processo produttivo, in particolare manifatturiero, elaborati da algoritmi matematici/statistici, nello spirito del paradigma Industria 4.0. Nel panorama attuale dei modelli predittivi automatici, però, metodi differenti possono essere ottimali su alcune classi di dati, e solo sub-ottimali su altre. Il problema al centro del progetto è di coniugare in un unico modello predittivo dati di natura differente allo scopo di aumentare le capacità predittive, e di razionalizzare la raccolta e la gestione dei dati. Nel corso dello svolgimento del progetto si esamineranno diverse strategie per affrontare il problema, eventualmente producendo nuove tipologie di modelli, per identificare quale tra i metodi che saranno esaminati risulti il più efficace, testandoli su casi studio di interesse aziendale nel settore manifatturiero. Le ricadute del progetto non si computano solo in termini economici, grazie all’atteso aumento della capacità predittiva, ma anche in termini di sostenibilità economica e ambientale, grazie alle opportunità di ri-uso e integrazione dei dati raccolti.