Come l'intelligenza artificiale può leggere i quadri di controllo industriali?

Negli ambienti industriali, i quadri di controllo analogici sono ancora molto usati per la loro affidabilità. Tuttavia, automatizzare la loro lettura è una sfida a causa delle diverse forme, luci e precisioni richieste. Un nuovo studio ha testato modelli di intelligenza artificiale che combinano visione e linguaggio (VLM) per risolvere il problema. Sono stati confrontati tre approcci: modelli generici, modelli specializzati e modelli leggeri per dispositivi portatili. I risultati? Il modello fine-tunato GPT-4o ha vinto la gara, con errori minimi per i controlli continui e massima precisione per quelli discreti. Inoltre, ha dimostrato di essere meno sensibile alle variazioni nei comandi, rendendolo più affidabile. I modelli generici hanno funzionato bene senza addestramento, ma quelli leggeri hanno mostrato limiti significativi. Questo studio apre la strada all'uso pratico dell'IA nei contesti industriali, bilanciando precisione, efficienza e necessità di dati.

Lo studio ha utilizzato due strategie di prompting: il Protocollo di Pensiero Olistico (HTP) e la Catena di Pensiero Sequenziale (CoT). L'HTP considera l'intero quadro di controllo in una sola volta, mentre il CoT lo analizza passo dopo passo. I modelli fine-tunati hanno mostrato una maggiore robustezza con entrambe le strategie, mentre i modelli generici hanno avuto prestazioni variabili. Inoltre, i modelli ottimizzati per l'edge computing hanno mostrato limitazioni significative, soprattutto in condizioni di scarsa illuminazione o con controlli complessi. Questo suggerisce che, sebbene l'edge computing sia promettente per l'automazione industriale, sono necessari ulteriori miglioramenti per renderlo affidabile in tutti gli scenari.