SFAQ assegna il premio Seghezzi
La SFAQ, Fondazione svizzera per la ricerca e l'educazione "Qualità", ha assegnato il Premio Seghezzi. È stato vinto da Philipp Schaber. La sua ricerca è un eccellente esempio di come l'apprendimento automatico può sostenere la gestione della qualità, ha detto la giuria, che è presieduta da Martina Zölch della SFAQ.
Anche quest'anno il "Giornata della qualità svizzera del SAQ il 4 maggio 2021 ha dovuto essere tenuto virtualmente a causa della pandemia. Tuttavia, i relatori erano sul posto, così come il vincitore del premio Seghezzi e la giuria. Così la Prof. Dr. Martina Zölch, membro del consiglio di fondazione SFAQ e presidente della giuria, ha potuto consegnare con una cerimonia a Philipp Schaber il premio 2021 per la promozione della gestione integrata della qualità.
Philipp Schaber ha dapprima completato il suo Bachelor of Science in Mechanical Engineering & Business Transformation all'Università Tecnica di Graz prima di intraprendere e completare con successo un Master in Management, Tecnologia ed Economia all'ETH di Zurigo. La sua carriera è stata ora coronata dal Premio Seghezzi: Schaber (1993), nato in Austria, ha ricevuto il premio in denaro di 10.000 franchi per i suoi risultati eccezionali nella sua tesi di Master su "Using deep learning to detect assembly errors".
Utilizzando metodi di apprendimento automatico non supervisionato
Il Prof. Dr. Torbjörn Netland e Julian Senoner sono stati i supervisori della tesi di master che Philipp Schaber ha completato con successo nell'agosto 2020. Nella sua tesi, Schaber, in collaborazione con Siemens Smart Infrastructure (SI), ha studiato la questione se i metodi di apprendimento automatico non supervisionato possono essere utilizzati per rilevare gli errori di assemblaggio nella produzione.
Questa interessante domanda di ricerca è di grande rilevanza pratica, in un momento in cui l'apprendimento automatico è sul punto di una svolta nella produzione, come sottolinea SFAQ.
Nella sua tesi di master, Schaber propone un approccio di apprendimento automatico non supervisionato che può essere addestrato solo sulla base di immagini "senza errori". Meccanismi affidabili di rilevamento degli errori, così come l'efficienza computazionale, devono essere raggiunti attraverso una combinazione mirata di apprendimento di trasferimento e "classificazione del vicino più vicino".
Prove empiriche fornite
Philipp Schaber ha sottoposto queste sfide a una prova pratica in due impianti di prova della Siemens Smart Infrastructure. Nel corso dei suoi test sul campo, è stato in grado di fornire prove empiriche di come l'approccio proposto possa rilevare in modo affidabile gli errori di installazione nella pratica, pur mantenendo un'elevata efficienza di calcolo, come scrive SFAQ.
Il lavoro di ricerca di Philipp Schaber è quindi un ottimo esempio di come l'apprendimento automatico può supportare la gestione della qualità. Con il presente lavoro, è stata colmata una lacuna della ricerca in un modo basato sul modello ed empiricamente convincente, che è di grande rilevanza pratica.
Dichiarazione della giuria
La giuria ha spiegato la sua decisione come segue:
Il Potenziale di innovazione del lavoro è notevole: L'approccio dell'"approccio non supervisionato" è innovativo in sé. Finora, i meccanismi di rilevamento dei difetti sono stati appresi principalmente dai prodotti difettosi. "Estendere l'apprendimento profondo con l'approccio metodologico dell'approccio non supervisionato e collegarlo alle teorie delle reti neurali apre nuove prospettive per l'apprendimento automatico e amplia la portata dell'approccio dell'apprendimento profondo.
Poiché l'approccio "Unsupervised Machine Learning" si basa su un addestramento che lavora con immagini senza errori, questo permette un uso estremamente efficiente della potenza di calcolo. Come si è potuto dimostrare empiricamente nel lavoro, c'è una riduzione significativa dello sforzo con un'espressività quasi invariata in termini di rilevamento degli errori.
Qui mostra il alta rilevanza pratica di lavoro: L'individuazione dei guasti nella fabbricazione e nell'assemblaggio dei circuiti stampati si è basata finora in gran parte sull'ispezione da parte dei dipendenti, che è ancora inevitabile al di fuori della produzione su larga scala. Tuttavia, la loro percezione è soggetta a errori, che possono comportare costi di follow-up, e lo svolgimento di tali attività lavorative è spesso stressante.
Con l'approccio proposto, il rilevamento dei difetti della macchina può essere utilizzato anche nella produzione di piccole e medie serie, il che dovrebbe aumentare significativamente il campo di applicazione.
Oltre all'innovativo approccio teorico e metodologico per un rilevamento efficiente ed efficace dei difetti, vengono così sollevate anche le questioni di gestione aziendale dei costi dei difetti e dell'impiego del personale. Il lavoro, che si basa sull'interfaccia dell'amministrazione aziendale, della tecnologia e delle scienze informatiche, dà così anche un contributo integrativo alla gestione generale e al significato della qualità.
In conclusione, la giuria sottolinea: "Siamo lieti di poter assegnare a questo lavoro innovativo di alta rilevanza scientifica e pratica il Premio Seghezzi 2021."
Il sito Premio Seghezzi viene annunciato ogni due anni.
Il coronamento della sua tesi di Master - Philipp Schaber con il Premio Seghezzi. © R. Strässle
