Applicazione di Autoencoder per generare nuove configurazioni di taglio della lamiera

L’Intelligenza Artificiale rappresenta attualmente una delle sfide più affascinanti e promettenti del mondo contemporaneo. Il presente lavoro di tesi si concentra sull’IA Generativa, applicata in un contesto industriale con l’obiettivo specifico di migliorare la ricerca e l’analisi dei parametri per il taglio laser. Lo scopo principale è supportare gli esperti nella ricerca dei valori per i parametri generando dati attraverso modelli che allo stato dell’arte rappresentano una soluzione ottimale grazie ai significativi risultati ottenuti in altri contesti di sperimentazione. La sperimentazione si è basata su modelli generativi come autoencoders variazionali (VAE) e Reti Bayesiane per ottenere nuove combinazioni dei parametri, generate il più possibile simili ai dati aziendali esistenti. Il processo ha incluso una delicata fase di selezione dei parametri (feature selection) per identificare e utilizzare i più rilevanti per l’addestramento e la generazione. I risultati sono stati analizzati principalmente attraverso il confronto tra la distribuzione dei dati originali e quella dei dati generati. L’adozione di modelli avanzati di generazione ha permesso di ottenere dati che non hanno raggiunto una somiglianza totale con i dati di input, limitando cos`ı l’efficacia del processo di ricerca, ma che presentano una leggera varianza dei dati che potrebbe rappresentare un fattore importante nella generazione futura dei valori dei parametri analizzati. Conseguente alla sperimentazione con i modelli, il presente lavoro include anche lo sviluppo di un prototipo di un possibile assistente virtuale che con un futuro perfezionamento, potrebbe supportare il lavoro laborioso e complesso degli esperti. In conclusione, si evidenzia una potenziale prospettiva futura per migliorare la generazione dei dati e la conseguente ottimizzazione nel processo aziendale di ricerca. Si suggerisce infine di utilizzare una funzione obiettivo per guidare il campionamento dei dati generati in modo da aumentare la variabilità (varianza) delle combinazioni dei valori generati.