Nel mondo dinamico dell’ingegneria, il concetto di design-by-reuse è un approccio chiave per perseguire efficienza e innovazione. L’identificazione di pattern e elementi di somiglianza è una sfida comune a diversi settori. In un contesto di marketing, potremmo aver bisogno di comprendere le analogie nel comportamento d’acquisto tra clienti per aumentare la retention o le vendite. In un contesto sanitario, potremmo avere l’esigenza di comprendere quali e come i pazienti manifestano sintomi simili. Nella progettazione di nuovi prodotti, invece, potremmo cercare somiglianze tra prove/progetti passati ed i nuovi concept per velocizzare il design delle nuove soluzioni. Utilizzando progetti e componenti esistenti, questo approccio semplifica il processo di ingegneria e riduce anche i tempi e i costi di sviluppo – fattori chiave nei settori Make-to-Order (MTO) e Engineer-to-Order (ETO). Come può l’AI sfruttare l’esperienza passata per aumentare la flessibilità e la produttività delle aziende nel contesto MTO/ETO? I casi d’uso sono molteplici, ma limitando l’attenzione alla progettazione possiamo citare il potenziamento delle operazioni di design-by-reuse e di razionalizzazione del portafoglio. Intellico s.r.l., società co-fondata dagli Ing. Francesca Saraceni e Ing. Lorenzo Tencati ha investito nella ricerca e nella sperimentazione per la creazione di un tool in grado di ottenere performance ottimali nell’analisi di similarità di disegni di componenti, impianti o parti di componenti anche molto complesse.
Design-by-reuse
L’AI è in primis un elemento abilitante il design-by-reuse che consente di ottenere riduzioni significative nel time-to-market. Analizzando i progetti passati, infatti i sistemi di AI possono confrontare i disegni tecnici e identificare progetti passati simili. Le aziende ETO/MTO nel settore manifatturiero possono elaborare centinaia di progettiCAD, alla settimana. Scoprire quali prodotti o componenti esistono già e possono essere riutilizzati o adattati nella fase iniziale di una nuova generazione o variante di prodotto è un fattore chiave per ottimizzare il time-to-market. È una sfida comune per molte aziende manifatturiere che dispongono di un ampio database di modelli di prodotti CAD, basato su anni di esperienza ingegneristica. Tuttavia, spesso è difficile eseguire query per recuperare esperienze passate, rendendo difficile il riutilizzo dei componenti esistenti e quindi rallentando il processo di progettazione.
Razionalizzazione del portafoglio prodotti
L’analisi di similarità tra progetti basata su AI può anche supportare la corretta classificazione dei progetti in famiglie di prodotto con caratteristiche simili, migliorando il sistema di archiviazione
esistente e facilitando la gestione efficiente e il recupero dei progetti. Inoltre, l’AI gioca un ruolo
chiave nell’identificare le varianti di design più rilevanti (“piattaforma”) per ridurre la variabilità
nell’offerta presente nel portafoglio aziendale, garantendo una strategia di prodotto più focalizzata
ed efficiente. Sfruttare l’AI in questo modo permette alle aziende ETO di migliorare la gestione del
prodotto e, in ultima analisi, di organizzare meglio le operations e la delivery al cliente.
Stato dell’Arte
L’identificazione e il riconoscimento di pattern sono un problema di apprendimento nonsupervisionato,
data la difficoltà di attribuire label per istruire i modelli che catturino concetti sia di
alto livello sia di estremo dettaglio. Per questo motivo, si utilizza tipicamente l’Apprendimento Autosupervisionato
(SLL – Self Supervised Learning).
Queste tecniche si basano su modelli pre-addestrati versatili che possono essere ulteriormente
perfezionati per una varietà di compiti specifici e che stanno dimostrando una maggiore efficacia
nell’elaborazione di immagini e video, affrontando problemi come classificazione di immagini,
rilevazione di oggetti, classificazione delle azioni e localizzazione delle azioni.
In particolare, questi modelli si basano sull’’Apprendimento Contrastivo. Questa tecnica si basa sul
selezionare tre diversi tipi di campioni, chiamati ancora, campione positivo e campione negativo.
L’ancora è un campione pescato da un dataset, e quindi appartiene alla distribuzione originale dei
dati. Con una serie di trasformazioni geometriche, viene generato il campione positivo a partire
dall’ancora. Il nome è dovuto al fatto che si assume che tra l’ancora e questa versione elaborata vi
sia un certo livello di similarità, e quindi le due immagini sono due visioni equivalenti di uno stesso
oggetto o concetto. Il campione negativo è chiamato in questo modo perché, contrariamento a
quello positivo, è utilizzato dal modello per imparare il concetto di dissimilarità. Questo campione è
spesso selezionato randomicamente oppure secondo certi criteri (nel caso in cui siano presenti delle
etichette significative per il problema).
A questo punto, il processo di somiglianza consiste di massimizzare la somiglianza tra l’ancora e il
campione positivo e allo stesso tempo distanziare il più possibile questi dal campione negativo.
L’elemento chiave nell’efficacia di questo paradigma è racchiuso in come i campioni vengono estratti
e elaborati.
I modelli di Intellico in questo ambito sono poi stati potenziati aggiungendo un layer di Graph Neural
Networks, cioè un tipo di reti neurali che modellano anche le relazioni tra entità predette (in questo
caso i progetti che hanno similarità geometrica). Le Reti Neurali Grafiche (GNNs), infatti, sono
utilizzate per raffinare ulteriormente la selezione delle coppie negative nella funzione di errore
contrastiva, evitando le limitazioni del campionamento casuale impiegate nelle fasi precedenti. In
questo approccio, l’errore contrastivo non viene calcolato su coppie casuali di immagini, ma vengono
invece selezionati i campioni negativi più vicini, offrendo un insieme di campioni negativi più
impegnativi da ottimizzare e quindi più informativi per l’addestramento. Questa strategia focalizzata
accelera il processo di apprendimento, promuovendo un modello capace di distinguere anche le
immagini più sottilmente diverse.
Un caso di reale applicazione
Le tecniche di cui sopra sono state impiegate per creare un sistema a due componenti che
comprende:
• un modello di analisi di somiglianza tra immagini
• un modello di proposta automatica di classi.
L’obiettivo è infatti quello di creare un sistema interpretabile in grado di individuare somiglianze tra diversi
progetti.
Il modello di somiglianza è utilizzato per creare un database rappresentazioni (embeddings) che permette una
rapida ricerca di profili simili rispetto ad un progetto fornito come query. Questo permette il riutilizzo efficiente
di progetti ed elimina la necessità di avviare la fase di progettazione da zero, mentre la proposta automatica
di classi è stata impiegata per una migliore e corretta documentazione delle immagini stessi secondo logiche
non soggettive del singolo designer.
L’insieme di queste componenti è confluito nel sistema Grapho4Design di Intellico. Il sistema è stato
testato con un gruppo di designer esperti, all’interno di una soluzione progettata per l’utilizzo sul
campo durante la normale attività quotidiana, su un campione di 100 progetti categorizzati per
diversi livelli di complessità:
• Progetti semplici – ridotto numero di dettagli: GRAPHO ha mostrato un tasso di riutilizzo del 95%
• Progetti complessi – elevato numero di dettagli e vincoli di cui tenere conto per la corretta
estrusione: GRAPHO ha raggiunto un tasso di riutilizzo superiore all’80%
• Grapho ha mostrato significativi miglioramenti in termini computazionali, conducendo una
scansione completa dell’intero database in 0,5 secondi, a fronte di una sostanziale impossibilità dei
sistemi tradizionali di eseguire le operazioni in tempistiche compatibili con l’operatività
Attualmente il sistema è a regime ed in uso e il motore Grapho4Design è attualmente utilizzato per
l’analisi di similarità in diversi contesti di progettazione, sia in ambito impiantistico che per la
progettazione di componenti e sottocomponenti a diverse complessità.
Queste tematiche sono state approfondite nel corso dell’intervento “AI per l’ottimizzazione di progettazione e sviluppo nuovi prodotti: casi di studio” tenuto da Francesca Saraceni nel corso di SPS 2024, presso lo stand del Consiglio Nazionale degli Ingegneri (CNI) e della Federazione degli Ordini degli Ingegneri dell’Emilia-Romagna (FedIngER)
