B.R.Y.A.N.: Un assistente virtuale per l'Industry 4.0 = B.R.Y.A.N.: A virtual assistant for Industry 4.0

Ci troviamo in un’epoca in cui gli assistenti virtuali e i chatbot hanno acquisito un ruolo di primo piano nelle nostre vite. Pensiamo un po’ a piattaforme che hanno invaso la nostra quotidianità come Alexa e Siri, è sempre più frequente infatti, l’utilizzo di questi strumenti per delegare con l’impiego della voce, azioni e operazioni che prima venivano effettuate in modo manuale, come ad esempio l’avvio di una canzone o di una chiamata. Questa Tesi si pone come scopo, quello di realizzare B.R.Y.A.N., un assistente virtuale all’avanguardia per una Piattaforma Cloud-Based operante nell’Industria 4.0. L’assistente virtuale deve essere in grado, mediante l’utilizzo combinato di chat vocale e testuale, di personalizzare l’interazione tra utente e piattaforma. Nel mondo dell’Industria 4.0, piattaforme di questo tipo hanno introdotto molti miglioramenti. E’ possibile offrire funzionalità di supporto, gestione e supervisione di ogni aspetto legato ai principali processo di una realtà manufatturiera. Ad esempio, le piattaforme disponibili sul mercato permettono di pianificare e schedulare le risorse, controllare le qualità dei prodotti, ridurre i tempi di down-time e monitorare in tempo reale i KPI. In un contesto di questo tipo, il ventaglio di operazioni che potrebbero essere facilitate mediante l’utilizzo di un assistente virtuale è piuttosto vasto ed interessante. Immaginiamo ad esempio, un operatore di manutenzione impegnato nella compilazione di un form riepilogativo dell’intervento, sul tablet, dopo aver effettuato la manutenzione di un macchinario, è probabile che questo abbia le mani sporche. In tal caso, i benefici che potrebbe portare la possibilità di effettuare questa operazione mediante la chat vocale sono importanti. L’assistente virtuale è realizzato mediante due reti neurali che implementano due task di Natural Language Processing: L’Intent Recognition per la classificazione dell’Input testuale inserito dall’utente e il Named Entity Recognition per il riconoscimento e l’estrazione di entità denominate dal testo, come ad esempio macchinari, linee di produzione etc. Queste due Reti Neurali vengono poi implementate da due Architetture che vengono confrontate. La prima è una Architettura con Rete Neurale doppia, le reti neurali sono realizzate in modo disgiunto e sono completamente indipendenti. In questo caso, l’esecuzione del NER è subordinata all’IR, ossia il NER viene eseguito solo se viene rilevato un Intent specifico. La seconda è una Architettura con Rete Neurale singola, le reti neurali sono unificate, non subiscono l’overhead dovuto alla comunicazione anche se vengono eseguite sempre entrambe. In questo caso le reti collaborano tra di loro, questo perché viene eseguito prima il NER che oltre a dare in output le entità denominate, le contrassegna, aggiungendo al vettore contenente i token delle parole, un’altra dimensione contenente le entità denominate. Questa sorta di Data Augmentation, permette all’IR di effettuare la classificazione basandosi non solo sulle parole contenute nella richiesta ma anche sulle entità denominate. In conclusione, entrambe le architetture si sono rivelate valide, mostrando ognuna i propri pregi e difetti. Quella con Rete Neurale doppia si è rivelata meno pesante in termini di costo computazionale perché utilizza il NER solo quando serve effettivamente. Viceversa, quella con Rete Neurale singola, si è rivelata più performante in termini di precisione di classificazione dell’IR.