L'intelligenza artificiale , o AI in breve, è un termine che si incontra sempre più spesso nella vita quotidiana. I robot o i software intelligenti svolgono compiti che in precedenza potevano essere svolti solo in misura molto limitata dai computer e che quindi erano spesso svolti dall'uomo. Oggi, nella vita quotidiana, è difficile evitare di utilizzare l'intelligenza artificiale come strumento, in una forma o nell'altra, consapevolmente o inconsapevolmente. Ci supporta, ad esempio, quando utilizziamo i dispositivi di navigazione, giochiamo ai videogiochi o anche quando utilizziamo la fotocamera del nostro smartphone. Ma ci sono anche casi d'uso più ovvi, come ad es. la guida autonoma o l'utilizzo di assistenti vocali a casa o sullo smartphone. Le cosiddette reti neurali, modellate sul funzionamento del cervello umano, sono sempre più utilizzate in background. Sono una componente importante del Deep Learning, un sottotipo speciale di IA.

L'intelligenza artificiale si sta facendo strada anche nell'industria. Con l'aumento dell'uso di questa tecnologia, diventa sempre più importante capire cosa sia effettivamente, cosa sia il Deep Learning o come le reti neurali vengano generate in modo mirato e come possano essere utilizzate in modo significativo nell'industria per ottimizzare i processi produttivi. Queste domande sorgono soprattutto quando si tratta di compiti ripetitivi e monotoni che i computer non sono ancora in grado di affrontare e che quindi sono ancora faticosamente eseguiti dall'uomo. L'intelligenza artificiale è un tentativo di comprendere e imitare artificialmente il funzionamento del cervello umano. L'obiettivo: i computer devono eseguire in modo affidabile anche compiti impegnativi, ad esempio il controllo di qualità mediante il riconoscimento di immagini, soprattutto di oggetti organici.

Il caso di apprendimento per l'intelligenza artificiale è stato progettato per formatori, istruttori, insegnanti e professori di varie istituzioni didattiche, al fine di sperimentare il tema dell'intelligenza artificiale da vicino con i discenti e di essere in grado di insegnare le competenze nell'affrontare un'IA nel modo più pratico e vivido possibile.

I componenti del caso di apprendimento comprendono hardware e software industriali reali, utilizzati nella stessa forma in numerose aziende. Il caso è integrato da materiale didattico, ad esempio un corso di e-learning come introduzione all'argomento o un manuale di esperimenti con compiti didattici e soluzioni esemplificative.

Per ottenere una comprensione completa del Deep Learning, è essenziale non solo raccogliere conoscenze teoriche su di esso, ma lavorare realmente con esso, fare errori e poi correggerli in modo indipendente. Pertanto, è stato progettato un programma di studio con i seguenti punti, in modo che le persone interessate possano acquisire esperienza pratica nella creazione delle proprie reti neurali.

• In un corso interattivo di e-learning, i discenti vengono preparati per la formazione in aula. Il corso fornisce conoscenze di base elementari e mira a portare i diversi livelli di conoscenza dei singoli partecipanti a un livello uniforme.
• Un breve quiz digitale può essere utilizzato in seguito, qualche giorno prima dell'evento faccia a faccia, per attivare e consolidare ulteriormente le conoscenze acquisite nel corso di e-learning, in modo da poterle recuperare durante la formazione faccia a faccia.
• Una serie di istruzioni per l'esperimento stampabili (con soluzione esemplificativa) ed esempi di diagrammi di flusso supportano i partecipanti nell'esecuzione dei compiti utilizzando un vero sensore industriale. I materiali ausiliari inclusi nel kit, ad es. dadi o bottoni di metallo vengono utilizzati per risolvere i compiti delle istruzioni dell'esperimento in modo intuitivo e graduale. Utilizzando la telecamera programmabile InspectorP621 di SICK e il software industriale basato su cloud SICK dStudio, gli studenti possono creare le proprie reti neurali e poi trasferirle alla telecamera. I discenti sperimentano come la telecamera classifichi in modo indipendente i risultati del controllo qualità in classi precedentemente definite in base alla rete neurale generata.

Per il kit sono stati progettati cinque compiti didattici, che poggiano l'uno sull'altro e mirano all'acquisizione più sostenibile di competenze con una reale conoscenza pratica.

Nel sesto e ultimo compito, la rete neurale generata autonomamente dai discenti viene infine trasferita in un impianto di produzione reale in una simulazione computerizzata 3D per verificare la qualità della rete neurale. Questo compito completa l'unità di apprendimento e allo stesso tempo serve a motivare i partecipanti.

Il kit può essere accorciato in vari scenari o utilizzato nella sua interezza - in modo abbastanza esplicito anche dai principianti. L'hardware e il software consentono inoltre agli studenti di progettare i propri compiti, in modo che non sia obbligatorio attenersi alle istruzioni per gli esperimenti fornite. Anche il software del sensore può essere sostituito per progettare o risolvere task particolarmente complessi con il sensore.

Per saperne di più sull'acquisto del kit di esercitazioni, clicca qui .