Dalle visualizzazioni alle informazioni utili per il business con la visione artificiale

La visione artificiale è un sottoinsieme dell’intelligenza artificiale (AI) che consente alle macchine di interpretare i dati visivi e prendere decisioni basandosi su di essi. Quando viene presentata un’applicazione di visione artificiale, di solito include diversi output visivi, come immagini o video annotati con riquadri di delimitazione o maschere di segmentazione per evidenziare gli oggetti di interesse. Questi contenuti visivi sono impressionanti, ma non sempre chiariscono quali informazioni utili possano fornire.

Prendiamo ad esempio un negozio al dettaglio. Un modello di visione artificiale come Ultralytics YOLOv8 può essere utilizzato per creare una mappa di calore che mostra dove i clienti trascorrono più tempo. La visualizzazione potrebbe apparire come una mappa colorata che indica dove i clienti tendono a camminare o a fermarsi. Il vero vantaggio, tuttavia, consiste nell’individuare le aree del negozio con prestazioni inferiori. I commercianti possono usare queste informazioni operative per riorganizzare la disposizione dei prodotti, ottimizzare lo spazio sugli scaffali o modificare gli espositori promozionali, così da coinvolgere maggiormente i clienti e aumentare le vendite.

Fig. 1 Esempio di mappa di calore creata per un negozio al dettaglio usando Ultralytics YOLOv8.

Il vero valore della visione artificiale consiste nel trasformare questi output visivi in informazioni utili per l’azienda, che possono migliorare e ottimizzare direttamente le operazioni, favorendo crescita ed efficienza. In questo articolo vedremo cosa può offrire la visione artificiale alle aziende e in che modo può incidere concretamente sulle loro attività. Esamineremo inoltre le strategie per andare oltre gli output visivi e sfruttare informazioni operative che producono risultati tangibili.

Visualizzazioni e informazioni utili nell'AI: un malinteso comune#

Iniziamo chiarendo la differenza tra visualizzazioni e informazioni utili. Nella visione artificiale, le visualizzazioni, come i riquadri di delimitazione e le mappe di calore, sono importanti per comprendere l’output del modello. Questi output visivi sono un primo passo per illustrare ciò che la visione artificiale può e non può fare. Le informazioni utili, invece, vanno oltre gli elementi visivi e offrono dati preziosi che possono servire a prendere decisioni informate, migliorare i processi o comprendere meglio gli schemi. Trasformano i dati visivi grezzi in conclusioni significative che aiutano a individuare tendenze, prevedere risultati o ottimizzare strategie.

Ad esempio, un sistema di monitoraggio degli allenamenti basato sulla visione artificiale potrebbe usare la stima della posa e modelli come Ultralytics YOLOv8 per monitorare i movimenti del corpo, identificando punti chiave come articolazioni e arti. L’output visivo, ad esempio scheletri animati che mostrano come si muove una persona, può essere interessante da osservare. Il vero valore, tuttavia, deriva dalle informazioni quantificabili fornite da questi dati, come il numero di piegamenti o squat eseguiti, la durata di ogni esercizio, la regolarità delle ripetizioni e la qualità della forma mantenuta durante la sessione.

Gli allenatori possono utilizzare queste informazioni per analizzare la tecnica dei propri clienti, individuare movimenti scorretti che potrebbero causare infortuni, monitorare i progressi nel tempo e comprendere le abitudini di allenamento. Queste informazioni aiutano gli allenatori a fornire un feedback migliore, elaborare programmi di allenamento più efficaci e consentire ai clienti di raggiungere i propri obiettivi di forma fisica in modo più sicuro ed efficiente.

Fig. 2. Monitoraggio dei movimenti del corpo con Ultralytics YOLOv8.

Creare valore aziendale con la computer vision#

Con il progresso della tecnologia, le aziende cercano sempre nuovi modi per restare competitive e la visione artificiale può aiutarle a raggiungere questo obiettivo. Integrando le informazioni ricavate dalla visione artificiale nei flussi di lavoro esistenti, possono ottenere risultati misurabili e concreti.

Queste informazioni possono fornire dati preziosi in diversi ambiti aziendali, come:

• Metriche delle prestazioni: dati quantitativi che evidenziano gli indicatori chiave di prestazione e gli schemi ricorrenti.
• Analisi delle tendenze: comprendere le tendenze emergenti e i cambiamenti nel comportamento dei clienti o nelle condizioni di mercato nel tempo.
• Informazioni predittive: prevedere risultati futuri o individuare potenziali problemi usando dati storici e in tempo reale.
• Avvisi in tempo reale: notifiche immediate per eventi importanti, anomalie o cambiamenti che richiedono attenzione.

Ad esempio, nel settore petrolifero e del gas, il rilevamento di incendi o fughe di gas nei forni era tradizionalmente affidato al monitoraggio manuale o a sistemi di sensori di base. Spesso questi metodi non sono abbastanza rapidi e precisi per rilevare tempestivamente i potenziali pericoli. La visione artificiale può migliorare il processo usando telecamere e modelli di rilevamento degli oggetti, come Ultralytics YOLOv8, per monitorare costantemente i forni e individuare rapidamente problemi quali fiamme insolite, fumo eccessivo o fughe di gas.

L'output visivo di questa applicazione potrebbe mostrare riquadri di delimitazione sulle immagini per evidenziare le aree in cui viene rilevato un incendio. Il vero vantaggio, tuttavia, deriva dalla trasformazione di questi segnali visivi in informazioni utili. Queste informazioni possono aiutare a individuare la causa di un incendio, prevedere problemi alle apparecchiature e pianificare la manutenzione per prevenire problemi futuri. Usandole, le aziende industriali possono intervenire rapidamente in caso di potenziali incendi, evitare danni costosi, ridurre i tempi di inattività e migliorare la sicurezza e l'efficienza.

Fig. 3. Rilevamento degli incendi con Ultralytics YOLOv8.

Prendere decisioni basate sui dati con l'AI#

Gli output visivi di un modello addestrato possono essere trasformati in informazioni utili e organizzati in dashboard e database per un’analisi più approfondita. In particolare, le dashboard possono offrire ai titolari delle aziende una panoramica chiara delle metriche delle prestazioni, aiutare a individuare anomalie e favorire decisioni basate sui dati in tempo reale.

Per esempio, nel monitoraggio del traffico, un modello di computer vision come Ultralytics YOLOv8 può analizzare riprese video del traffico in diretta per rilevare e tracciare diversi veicoli, come auto, furgoni e autobus, sulla strada. La visualizzazione dell'output può mostrare i veicoli con le relative etichette e monitorare quanti entrano ed escono da aree specifiche. Queste informazioni possono anche essere visualizzate in una dashboard, che suddivide il numero di veicoli per zona e calcola metriche chiave come il numero totale di veicoli e la velocità media.

Fig. 4. Rilevamento e monitoraggio del traffico con Ultralytics YOLOv8.

Queste informazioni aiutano i team che gestiscono il traffico a comprenderne il flusso, individuare i punti di congestione, prevedere gli ingorghi e modificare i semafori o i percorsi per mantenere il traffico scorrevole. Trasformando i dati visivi in informazioni utili, questo sistema aiuta gli urbanisti a prendere decisioni intelligenti per migliorare la circolazione e ridurre i problemi stradali.

Colmare il divario tra AI ed esigenze aziendali#

Ora che abbiamo esaminato l’impatto aziendale delle informazioni operative ricavate dalla visione artificiale, vediamo quali strategie possono colmare il divario tra visualizzazione dei dati e informazioni utili per l’azienda. Nello sviluppo di soluzioni AI, queste considerazioni sono fondamentali perché aiutano ad andare oltre le semplici attività di visione artificiale, per comprendere il contesto e le relazioni presenti nei dati. Un’analisi approfondita consente di ricavare informazioni più significative e pertinenti alle esigenze aziendali.

Per prima cosa, è essenziale migliorare la comunicazione tra gli sviluppatori di AI e i dirigenti aziendali. Gli sviluppatori di AI possono confrontarsi apertamente con gli stakeholder aziendali per comprendere i loro obiettivi, le loro sfide e i risultati che vogliono ottenere. Considerare il punto di vista del titolare dell'azienda aiuta a capire più facilmente come la computer vision possa affrontare direttamente problemi specifici. Invece di sviluppare soluzioni generiche, gli sviluppatori possono concentrarsi sulla creazione di applicazioni di computer vision che rispondano a esigenze aziendali concrete.

Per esempio, nello scenario dell'industria petrolifera e del gas di cui abbiamo parlato prima, un confronto diretto con uno stakeholder aziendale potrebbe aiutare uno sviluppatore a comprendere esigenze specifiche, come inviare avvisi in base alle dimensioni e alla gravità di un incendio rilevato. Conoscere questi dettagli aiuta gli sviluppatori a personalizzare la soluzione per dare priorità agli avvisi critici, garantendo tempi di risposta più rapidi e riducendo i rischi, con conseguenti benefici per la sicurezza e l'efficienza.

Fig. 5. La comunicazione è fondamentale. Fonte dell'immagine: Envato Elements.

Una volta instaurata una comunicazione chiara, il passo successivo consiste nel concentrarsi sulla qualità e sull'elaborazione dei dati. Gli sviluppatori possono assicurarsi che i dati usati per l'addestramento e l'analisi siano puliti, coerenti e pertinenti alle esigenze del cliente. Semplificare l'elaborazione dei dati può ridurre i ritardi e fornire informazioni accurate e tempestive. Inoltre, integrare i sistemi di computer vision con gli strumenti aziendali esistenti può migliorare il processo decisionale e consentire alle aziende di reagire rapidamente alle informazioni importanti.

Ecco altri fattori da considerare:

• Visualizzazione intuitiva: assicurati che gli output visivi siano semplici e facili da interpretare per gli stakeholder non tecnici.
• Scalabilità: progetta soluzioni AI in grado di adattarsi alle crescenti esigenze aziendali relative ai dati e ai cambiamenti operativi.
• Analisi in tempo reale: integra l'elaborazione dei dati in tempo reale per fornire informazioni tempestive che possano favorire interventi immediati.
• Sicurezza e privacy: proteggi l'integrità e la riservatezza dei dati, soprattutto quando tratti informazioni sensibili.
• Apprendimento e adattamento continui: implementa meccanismi di apprendimento continuo e aggiornamenti dei modelli per adattarti ai cambiamenti degli ambienti aziendali e degli schemi nei dati.

Il futuro della computer vision per le aziende#

Sebbene gli output visivi, come i riquadri di delimitazione e le maschere, dimostrino le capacità della computer vision, alle aziende servono più che semplici rappresentazioni visive: servono informazioni utili per prendere decisioni e migliorare le attività operative. Comprendendo gli obiettivi aziendali e applicando la computer vision a problemi del mondo reale, gli sviluppatori possono fornire informazioni che migliorano le attività, arricchiscono l'esperienza dei clienti e riducono i costi.

Per colmare il divario tra visualizzazione e informazioni utili, gli sviluppatori possono comunicare chiaramente con gli stakeholder, usare dati di alta qualità e migliorare l'elaborazione dei dati. Questi passaggi aiutano le aziende a sfruttare al meglio la tecnologia di computer vision e a trasformare le informazioni in vantaggi concreti.

Impariamo ed esploriamo insieme! Dai un’occhiata al nostro repository GitHub per scoprire i nostri contributi all’AI e non dimenticare di partecipare alla nostra community. Scopri come stiamo ridefinendo settori come il manifatturiero e la sanità con la tecnologia AI.