Preventivare un fermo macchina attraverso l’ausilio di tecniche di machine learning garantendo sicurezza e privacy: ecco l’ applied federated learning.
Nelle mie ricerche periodiche mi sono imbattuto in un case study che ho prontamente deciso di condividere con te.
Seguendo il filone della Privacy Preserving AI e dopo l’articolo dedicato al Federated Learning, osserviamo oggi un caso pratico di applicazioni di queste tecnologie.
Prima di procedere, ti esorto a dare una ripassata a questi argomenti complicati seppur ricchi di potenzialità.
Turbofan POC: Applied Federated Learning
Matthias Lau è uno sviluppatore web tedesco con un’inclinazione verso l’AI.
Meno male!
Il lavoro che ci propone è una preziosa fonte d’ispirazione.
In pratica ha realizzato un proof of concept per dimostrare come sia possibile creare modelli predittivi che coadiuvino l’area della product maintenance, fornendo stime precise su eventuali rotture componentistiche, e rimangano costantemente aggiornati.
Tradotto?
Lo cambiamo sto motore prima che esploda?
Per avere dati veritieri, Matthias ha usato un dataset della NASA e ha poi implementato il sistema usando PySyft un tool opensource di OpenMined che mette a disposizione diversi strumenti anche per l’Applied Federated Learning.
Problema e soluzione
Il problema è chiaro.
La manutenzione di questi grandi motori turboventola è costosa: prevedere un guasto consentirebbe di ridurre il fermo macchina e far risparmiare cospicue somme alle compagnie aeree.
Prima di procedere, business understanding e domain knowledge a noi!
Ogni macchinario ha un RUL (Remaining Useful Life). Il nostro compito è prevedere questo valore e avvisare chi di dovere di effettuare una manutenzione qualche ciclo prima del fallimento (failure) previsto.
Semplice? Aspetta, qui arriva il bello.
Noi siamo assunti dall’azienda produttrice del motore, e non certo dalla compagnia aerea, il cui interesse primario è studiare nuovi funnel di acquisizione clienti integrando un chatbot nel flow di acquisto:
Il problema? La nostra sede aziendale è Glasgow, ma abbiamo motori in tutto il mondo in costante movimento.
Non possiamo certo scaricare i dati quando ci pare. Questo è lo scoglio minore.
Le compagnie aeree infatti considerano i dati provenienti dai motori confidenziali e sono particolarmente refrattari a condividere informazioni.
Come può la nostra azienda fornire questo sistema di allarme rapido fallimenti mantenendo le compagnie aeree (leggasi clienti ossessionati dalla privacy e spionaggio industriale) felici e sorridenti?
La soluzione?
Inizieremo con il creare un modello preliminare sfruttando i dati disponibili provenienti dall’area di testing interno aziendale.
Il nostro baby-modello sarà quindi distribuito su tutti i motori attivi e usato per calcolare il RUL, con l’ausilio di specifici software che ricaveranno da appositi sensori i dati necessari al funzionamento del modello.
Una volta in manutenzione, l’esatto momento di fallimento sarà aggiornato dallo staff tecnico e avremo quindi modo di migliorare le previsioni del modello.
Nei prossimi giorni scenderemo più nel dettaglio analizzando i sistemi a livello operativo.
Per il momento è tutto!
Qui possiamo trovare il notebook di Data Analysis, e qua invece quello di Training iniziale.
Un caldo abbraccio, Andrea.
