Course Syllabus
Obiettivi
Il corso presenta tecniche di intelligenza artificiale per la progettazione, l'addestramento e l'implementazione efficace di sistemi intelligenti in un'ampia gamma di applicazioni industriali. Dopo la descrizione degli standard e delle certificazioni previste dalla normativa nel monitoraggio industriale, vengono presentate le tecniche di progettazione dei sistemi intelligenti, che spaziano dalla raccolta dei dati di addestramento ai principali metodi di apprendimento. Il corso si concentra principalmente sull'analisi delle immagini, con occasionali riferimenti ai dati temporali. Il corso presenta inoltre una serie di casi d'uso, strumenti e ambienti per la loro implementazione.
Contenuti sintetici
Il corso include sia sessioni teoriche che pratiche. La parte teorica presenta le tendenze attuali per l’implementazione di sistemi di monitoraggio intelligenti, i compiti rilevanti per gli scenari industriali e le principali tecniche utilizzate per ottimizzare i sistemi basati sull’intelligenza artificiale. La parte pratica fornisce agli studenti le competenze per analizzare, progettare e risolvere problemi del mondo reale.
Programma esteso
- Normativa nel campo del monitoraggio industriale: standard e certificazioni;
- Descrizione dei sistemi intelligenti per l'automazione industriale, la robotica, le reti di distribuzione elettrica, il settore automobilistico 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;
- Metodi spiegabili per applicazioni industriali;
- Rilevamento e segmentazione;
- Analisi dei difetti dei prodotti e delle linee di produzione e rilevamento delle anomalie;
- Manutenzione predittiva dei componenti industriali;
- Apprendimento auto-supervisionato (SSL) per sistemi intelligenti;
- Reti di attenzione e memoria per il rilevamento delle anomalie;
- Apprendimento continuo per il controllo e l’ottimizzazione;
- Apprendimento federato e metodi basati su grafi per i sistemi di controllo;
- Apprendimento unimodale e multimodale, e fusione dell’informazione;
- Ottimizzazione ed efficienza della memoria per l’edge computing;
- Modellazione generativa per sistemi di controllo e scenari industriali;
- Tecniche di valutazione della qualità delle immagini (IQA).
Un elenco dettagliato degli argomenti di ogni lezione è presentato e aggiornato regolarmente sul sito del corso.
Prerequisiti
Sono richieste conoscenze di base di programmazione informatica e algoritmi, nonché di matematica, nozioni di teoria della probabilità e statistica, e algebra lineare. È inoltre consigliabile avere familiarità con i concetti fondamentali di intelligenza artificiale, apprendimento automatico, elaborazione di immagini e segnali, e riconoscimento di pattern.
Modalità didattica
Il corso è composto da 8 lezioni frontali di quattro ore ciascuna e 12 attività di laboratorio di due ore ciascuna, svolte in presenza in modalità interattiva. Gli esercizi permetteranno agli studenti di sperimentare le tecniche introdotte a lezione in diversi scenari operativi e di sviluppare senso 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 sono disponibili sul sito 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 incentrato su uno o più argomenti trattati nel corso. Agli studenti è richiesto di presentare e discutere il proprio progetto, rispondendo ad alcune domande sugli argomenti affrontati a lezione. La presentazione dovrà concentrarsi sul compito selezionato, sulla metodologia utilizzata per risolverlo e sui risultati ottenuti. Gli studenti dovranno inoltre affrontare in modo critico tutte le problematiche emerse durante lo sviluppo del progetto. Il voto è espresso in trentesimi.
Orario di ricevimento
Su appuntamento via email.
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 primarily focuses on image analysis, with occasional reference to time series data. 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;
- Detection and segmentation;
- Defect analysis of products and production lines and anomaly detection;
- Predictive maintenance for industrial components;
- Self-supervised Learning (SSL) for intelligent systems;
- Attention networks and memory for anomaly detection;
- Continual learning for control and optimization;
- Federated learning and graph-based methods for control systems;
- Unimodal and multimodal learning, and information fusion;
- Optimization and memory efficiency for edge computing;
- Generative modeling for control systems and industrial scenarios;
- Image quality assessment (IQA) techniques.
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.
Sustainable Development Goals
Staff
-
Pasquale Coscia
