14 post etichettati con "Machine learning"

L'AI Inference (o inferenza dell'AI) è il processo attraverso cui un modello di intelligenza artificiale applica ciò che ha imparato durante l'addestramento per fare previsioni, classificazioni o prendere decisioni basate su nuovi dati in ingresso. A differenza del training, che richiede molte risorse di calcolo, può durare ore o giorni e avviene in data center, l'inferenza è più leggera, avviene in millisecondi o secondi e può girare in cloud o su dispositivi edge come smartphone e sensori IoT.

L'intelligenza artificiale (AI) è il campo più ampio: qualsiasi tecnologia che permette alle macchine di simulare l'intelligenza umana. Il machine learning (ML) è un sottoinsieme dell'AI in cui gli algoritmi imparano dai dati senza essere programmati esplicitamente, i large language model (LLM) sono modelli di AI addestrati su enormi quantità di testo per comprendere e generare linguaggio naturale, e la Generative AI è il ramo dell'AI che crea contenuti originali come testi, immagini, musica o video.

IoT e machine learning permettono a un'azienda agricola di risparmiare acqua, energia e denaro: i sensori di umidità del suolo fanno irrigare solo quando serve, i sensori di temperatura e umidità limitano riscaldamento e ventilazione non necessari e i modelli di ML supportano previsioni meteo, gestione delle colture e pianificazione della produzione. Per un'azienda agricola media, le analisi previsionali di Mative dopo un anno indicano il 30% in meno di consumo d'acqua, il 25% in meno di costi energetici, il 20% in più di produzione e il 15% di risparmio sui costi operativi.

IoT e machine learning portano risparmi energetici ed economici in un'azienda edile monitorando in tempo reale i consumi dei macchinari, il clima dei cantieri e i processi di costruzione, prevedendo i guasti alle attrezzature e migliorando la pianificazione di risorse, progetti e catena di fornitura. Per un'azienda edile, le analisi previsionali di Mative a un anno dall'adozione delle sue soluzioni IoT e ML stimano il 20% di consumo energetico in meno, costi operativi più bassi del 15%, un miglioramento del 10% nella qualità dei progetti e un risparmio del 10% sui costi di manutenzione.

IoT e machine learning portano risparmi energetici ed economici in un'azienda di produzione monitorando in tempo reale macchine e impianti, abilitando la manutenzione predittiva e ottimizzando programmi e processi produttivi. Per un'azienda che produce infissi, porte e finestre, le analisi previsionali di Mative a un anno dall'adozione delle sue soluzioni IoT e ML stimano il 20% di consumo energetico in meno, costi operativi più bassi del 15%, un'efficienza produttiva più alta del 25% e un risparmio del 10% sui costi di manutenzione.

In un'azienda di trasporti pubblici i sensori IoT monitorano consumi di carburante, condizioni dei veicoli, traffico e percorsi, e il Machine Learning analizza questi dati per prevedere i consumi, ottimizzare i percorsi e programmare la manutenzione. Le analisi previsionali di Mative per un'azienda che adotta le sue soluzioni IoT e ML stimano, dopo un anno, il 15% di carburante in meno, costi operativi più bassi del 20%, una puntualità migliore del 25% e un risparmio del 10% sulla manutenzione.

Gli algoritmi predittivi sono metodi di machine learning che stimano valori a partire dai dati esistenti, e Mative ne applica quattro alle proprie serie temporali. La regressione lineare e la sua forma OLS modellano la relazione tra una variabile target e i suoi predittori, ARIMA prevede i valori futuri a partire dai valori e dagli errori passati, e la trasformata di Fourier mette in luce cicli e pattern periodici in un segnale.

I sistemi di allerta in agricoltura monitorano condizioni ambientali, malattie delle piante, parassiti e meteo avverso, e avvisano per tempo gli agricoltori perché possano prendere decisioni informate, migliorare la produttività e ridurre le perdite. Si basano di solito su API di dati meteo come OpenWeatherMap, su modelli di machine learning che prevedono la diffusione delle malattie delle piante e su sistemi di supporto alle decisioni agricole (ADSS) che trasformano i dati di campo in raccomandazioni.

Nell'automotive il machine learning aiuta a gestire le flotte di veicoli connessi: gli algoritmi imparano a rilevare gli eventi significativi, monitorano in tempo reale le condizioni dei veicoli per prevedere i guasti prima che si verifichino e stimano la domanda per ottimizzare la distribuzione dei veicoli in sharing. Il risultato sono meno fermi, costi di riparazione più bassi, tempi di attesa più brevi per gli utenti e operazioni più efficienti.