Course Syllabus
Obiettivi
Il corso presenta tecniche di intelligenza artificiale per progettare, addestrare ed implementare in modo efficace sistemi intelligenti per una vasta gamma di applicazioni industriali. Dopo la descrizione degli standard e delle certificazioni della normativa nel monitoraggio industriale, vengono presentate tecniche di progettazione per sistemi intelligenti, che vanno dalla raccolta di dati di addestramento ai principali metodi di apprendimento. Il corso presenta anche una serie di casi d'uso, strumenti e ambienti per la loro implementazione.
Contenuti sintetici
Il corso include sia parti teoriche che pratiche. La parte teorica presenta le tendenze attuali per l'implementazione di sistemi intelligenti di monitoraggio, i principali task per scenari industriali e le principali tecniche utilizzate per ottimizzare i sistemi basati su intelligenza artificiale. La parte pratica fornisce agli studenti le competenze per analizzare, progettare e risolvere problemi del mondo reale.
Programma esteso
- Legislazione nel campo del monitoraggio industriale: standard e certificazioni;
- Descrizione dei sistemi intelligenti per l'automazione industriale, la robotica, le reti di distribuzione elettrica, i sistemi automobilistici e i sistemi di trasporto;
- Intelligenza artificiale: tendenze attuali, applicazioni e principali sfide;
- Intelligenza artificiale per i processi industriali;
- Tecniche di data augmentation e transfer learning;
- Explainable AI (XAI) per applicazioni industriali;
- Modellazione generativa per sistemi di controllo e scenari industriali;
- Tecniche di valutazione della qualità dell'immagine (IQA);
- Rilevamento e segmentazione;
- Analisi dei difetti dei prodotti e delle linee di produzione e rilevamento delle anomalie;
- Apprendimento self-supervised (SSL) per sistemi intelligenti;
- Reti di attenzione e memoria per il rilevamento delle anomalie;
- Apprendimento continuo per il controllo e l'ottimizzazione;
- Manutenzione predittiva per componenti industriali;
- Federated learning e metodi basati su grafi per i sistemi di controllo;
- Apprendimento unimodale e multimodale, e fusione delle informazioni;
- Ottimizzazione ed efficienza della memoria per il edge computing.
Un elenco dettagliato degli argomenti di ogni lezione è presentato e regolarmente aggiornato sul sito del corso.
Prerequisiti
Sono richieste basi di programmazione informatica ed algoritmi, nonché di matematica, nozioni di teoria delle
probabilità e statistica, e algebra lineare. È anche consigliabile essere familiari con i concetti di base dell'intelligenza artificiale, dell'apprendimento automatico, dell'elaborazione delle immagini e dei segnali, e del
riconoscimento dei pattern.
Modalità didattica
Il corso consiste in 8 lezioni da 4 ore svolte in modalità erogativa in presenza e 12 attività di laboratorio da 2 ore svolte in modalità interattiva in presenza. Gli esercizi permetteranno agli studenti di sperimentare, in diversi scenari operativi, le tecniche introdotte in classe ed esercitare un giudizio critico.
Materiale didattico
- Simon J. D. Prince, "Understanding Deep Learning", MIT Press, 2023;
- Kevin P. Murphy, “Probabilistic Machine Learning: Advanced Topics”, MIT Press, 2023;
- Jeremy Howard, Sylvain Gugger, “Deep Learning for Coders with fastai and PyTorch”, O'Reilly Media, Inc., 2020;
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, “Deep Learning”, MIT Press, 2016.
Risorse online e dispense fornite durante le lezioni disponibili sul sito web ufficiale del corso.
Periodo di erogazione dell'insegnamento
Primo semestre.
Modalità di verifica del profitto e valutazione
L'esame consiste nello sviluppo di un piccolo progetto focalizzato su uno o più argomenti presentati nel corso. Agli studenti viene chiesto di presentare e discutere il loro progetto, nonché di rispondere a qualche domanda sugli argomenti trattati in classe. La presentazione dovrebbe concentrarsi sul task selezionato, sulla metodologia utilizzata per risolverlo e sui risultati ottenuti. Gli studenti devono anche affrontare, in modo critico, tutte le problematiche emerse durante lo sviluppo del progetto. Il voto è espresso in trentesimi.
Orario di ricevimento
Appuntamento tramite e-mail.
Sustainable Development Goals
Aims
The course presents artificial intelligence techniques for designing, training and effectively deploying intelligent systems for a wide range of industrial applications. After the description of standards and certifications of the legislation in industrial monitoring, design techniques for intelligent systems are presented, ranging from the collection of training data to the main learning methods. The course also presents a number of use cases, tools and environments for their implementation.
Contents
The course includes both theoretical and practical sessions. The theoretical part presents the current trends for deploying intelligent monitoring systems, the relevant tasks for industrial scenarios and the main techniques used to optimize AI-based systems. The practical part equips students with the skills to analyze, design, and solve real-world problems.
Detailed program
- Legislation in the field of industrial monitoring: standards and certifications;
- Description of intelligent systems for industrial automation, robotics, power distribution grids, automotive, and transport systems;
- Artificial intelligence: current trends, applications, and major challenges;
- Artificial Intelligence for industrial processes;
- Data augmentation and transfer learning techniques;
- Explainable methods for industrial applications;
- Generative modeling for control systems and industrial scenarios;
- Image quality assessment (IQA) techniques;
- Detection and segmentation;
- Defect analysis of products and production lines and anomaly detection;
- Self-supervised Learning (SSL) for intelligent systems;
- Attention networks and memory for anomaly detection;
- Continual learning for control and optimization;
- Predictive maintenance for industrial components;
- Federated learning and graph-based methods for control systems;
- Unimodal and multimodal learning, and information fusion;
- Optimization and memory efficiency for edge computing.
A detailed list of topics of each lesson is presented and regularly updated on the course site.
Prerequisites
The student should have basic knowledge of computer programming and algorithms, as well as mathematics, notions of probability theory and statistics, and linear algebra. It is also advisable to be familiar with basic concepts in artificial intelligence, machine learning, image and signal processing, and pattern recognition.
Teaching form
The course consists of 8 four-hour lectures conducted in-person and 12 two-hour lab activities conducted interactively in-person. The exercises will allow students to experiment with the techniques introduced in class in various operational scenarios and to develop critical judgment.
Textbook and teaching resource
- Simon J. D. Prince, "Understanding Deep Learning", MIT Press, 2023;
- Kevin P. Murphy, “Probabilistic Machine Learning: Advanced Topics”, MIT Press, 2023;
- Jeremy Howard, Sylvain Gugger, “Deep Learning for Coders with fastai and PyTorch”, O'Reilly Media, Inc., 2020;
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, “Deep Learning”, MIT Press, 2016.
Online resources and handouts are available throughout the lectures on the official course website.
Semester
First semester.
Assessment method
The exam consists of developing a small project focusing on one or more topics presented in the course. Students are asked to present and discuss their project, and answer a few questions about the topics addressed in class. The presentation should focus on the selected task, the methodology used to solve it, and the achieved results. Students are also expected to address, in a critical fashion, all the issues dealt with during its development. The mark is expressed in thirtieths.
Office hours
Via appointment by email.
