Stampa e packaging

Per quanto riguarda il settore della stampa, l’indagine svolta dal gruppo di lavoro universitario ha evidenziato due principali opportunità di intervento, di seguito riassunte.

• L’acquisizione dei clienti da parte delle aziende che operano nella cartografia e nella stampa è generalmente effettuata da agenti commerciali (sia interni all’azienda che esterni) che promuovono i prodotti e i servizi offerti. Tipicamente, durante questa fase, gli agenti commerciali stessi raccolgono le informazioni necessarie per una prima analisi dei costi e della fattibilità da parte dell’azienda di stampa. Tramite le informazioni raccolte, l’azienda produce dei rendering preliminari in 2D o 3D, procede a stimare il costo del prodotto sulla base dei costi fissi stimati e del numero di copie richiesto. In questa fase, per facilitare l’acquisizione del cliente, un software in grado di generare dei rendering 2D o 3D a partire da una descrizione del prodotto potrebbe incrementare notevolmente la competitività dell’azienda. L’agente commerciale, infatti, potrebbe interessare maggiormente il cliente e raccogliere informazioni più agevolmente. Questa soluzione porterebbe notevoli benefici anche in caso di rendering non perfetti, in quanto consentirebbe comunque di dare un’idea sul prodotto. La velocità nel realizzare una prima idea del prodotto finale è, infatti, oggi sempre più importante, ancor più del prezzo finale.
• Parallelamente alla realizzazione di rendering fotorealistici per facilitare la fase di acquisizione del cliente, anche avere preliminarmente una buona stima del costo finale del prodotto di stampa o cartografico è cruciale per una pianificazione della produzione efficacie ed efficiente. Per stabilire il costo di un prodotto è necessario in prima istanza stimare i costi fissi (derivanti, ad esempio, dagli impianti di stampa che sarà necessario impiegare), quindi i costi di assemblaggio delle stampe e la logistica. Tuttavia, una stima precisa del costo complessivo può essere effettuata solo dopo varie iterazioni con il cliente e dopo alcune prime prove di stampa. Questo comporta una notevole difficoltà nell’avere una stima dei costi affidabile durante la stesura del preventivo, problema che apre a potenziali sovrastime o sottostime e, di conseguenza, una minore competitività rispetto al cliente. Un software di AI in grado di effettuare una previsione dei costi sulla base delle specifiche iniziali del cliente sarebbe quindi estremamente utile, sia per l’ottimizzazione della produzione che per aumentare la competitività dell’azienda.

Progetto 1: Generative AI per la realizzazione di rendering 2D/3D preliminare di stampe e cartografie

L’obiettivo del progetto è progettare un sistema, basato su tecniche di AI generativa, per generare rendering 2D o 3D di prodotti, a partire da descrizioni sommarie del prodotto stesso. Ad esempio, l’agente commerciale potrebbe sfruttare il software per generare rendering a partire da informazioni sul prodotto o prompt, ad esempio: “vorrei un espositore per creme solari di dimensioni […] e con i seguenti colori […], vorrei vederlo di fronte al banco di una farmacia”.

Soluzioni tecniche

Come in alcuni dei casi precedentemente illustrati, anche questo progetto richiede la capacità di analizzare dati multimodali, in particolare sotto forma di testi e immagini. Anche in questo caso l’architettura di AI maggiormente utilizzata per questi scopi è la transformer. Sebbene l’architettura nasca per il processamento di testi, e in particolare per risolvere compiti di NLP (natural language processing), l’idea sostanziale è ampliabile a input di natura diversa. In sintesi, si tratta di ridurre i diversi tipi di input a una sequenza di simboli (token), il cui ordine è rilevante al fine del processamento. La sequenza di simboli viene quindi analizzata al fine di apprendere pattern e associazioni tra i dati. I vision transformer [17] adattano l’architettura transformer alla visione artificiale scomponendo le immagini di input come una serie di patch, trasformandole in vettori e trattandole come token in un transformer standard.

Un aspetto cruciale nell’architettura transformer è dato dalla capacità di trasformare token di natura diversa in vettori. Idealmente, relazioni tra vettori corrispondenti a token diversi dovrebbero rappresentare relazioni semantiche tra i dati rappresentati dai token corrispondenti. In particolare, vettori simili dovrebbero corrispondere a dati (ad esempio, parole) semanticamente simili, mentre vettori ortogonali dovrebbero corrispondere a dati con bassa correlazione. Ciò si ottiene mediante modelli di embedding, ovvero rappresentazioni numeriche di dati (testi, immagini, suoni, ecc.) che i sistemi di AI utilizzano per comprendere domini di conoscenza complessi. Tali rappresentazioni possono essere ottenute mediante algoritmi classici di riduzione della dimensionalità, oppure tramite reti neurali ad-hoc, progettate per apprendere rappresentazioni robuste dei dati in uno spazio vettoriale a dimensionalità controllata.

Il progetto, inoltre, richiede la capacità di generare immagini da prompt testuali e/o da immagini simili. Questo task può essere svolto dall’architettura vision transformer sopra menzionata, la quale risulta però essere più adatta per compiti di classificazione e segmentazione di immagini. Per la generazione di nuove immagini, i modelli attualmente più utilizzati sfruttano l’architettura stable diffusion, la quale utilizza un’architettura simile a U-Net con un processo di diffusione per generare immagini da rumore, condizionate da un prompt di testo. Sebbene le due architetture siano pensate per compiti diversi, possono essere utilizzate insieme in diversi modi. Ad esempio, un modello visual transformer può essere utilizzato come encoder in stable diffusion per convertire l’immagine di input in una rappresentazione latente; ciò consente al processo di diffusione di iniziare da una rappresentazione semanticamente significativa catturata da visual transformer, migliorando potenzialmente la qualità e la coerenza delle immagini generate. Le mappe di self-attention apprese da un visual transformer possono essere utilizzate per fornire informazioni di condizionamento spaziale a stable diffusion.

Ruolo dell’AI

Il progetto si identifica come un’applicazione di augmentative AI, ovvero un progetto dove tecniche di AI vengono utilizzate per aumentare le capacità dell’utente umano, anziché sostituirlo interamente. L’operatore potrà inserire i dati in suo possesso (es: dimensioni prodotto, colore, materiali, ecc.), ed ottenere dal sistema un insieme di immagini generate sulla base dei dati inseriti.

ROI e impatto sul business aziendale

Tra i principali benefici che il progetto può apportare all’azienda troviamo i seguenti:

• capacità di coinvolgere il cliente con immagini realistiche e personalizzate
• possibilità di convergere più rapidamente verso la versione finale del prodotto, grazie a un’interazione con il cliente più efficace.

Il rischio principale riguarda la difficoltà di gestire vincoli geometrici stringenti nella generazione di immagini. I processi generativi attuali sono infatti pensati per condizionamenti legati al significato semantico di istruzioni testuali. Il processo di addestramento, pertanto, potrebbe non essere in grado di cogliere le opportune associazioni tra coppie formate da istruzioni geometriche e immagini. La combinazione di transformer e stable diffusion ha la potenzialità di gestire associazioni più complesse, ma l’effettiva praticità è da sperimentare.

Altri rischi significativi sono legati alla quantità e qualità dei dati attualmente disponibili, che potrebbero non consentire da subito il raggiungimento di performance accettabili. Tale fattore di rischio potrà essere valutato a seguito di una analisi dei dati a disposizione e della costruzione di versioni prototipali delle tecniche di AI. Al fine di mitigare questo rischio, sarà possibile ricorrere a tecniche di data augmentation, in grado di aumentare la dimensione del dataset in maniera artificiale. Sarà inoltre progettato un processo di acquisizione dei dati che consentirà, nel medio termine, di migliorare le performance del sistema e di renderlo sempre più vicino alle esigenze dell’azienda.

Progetto 2: Tecniche di AI per la stima dei costi di produzione per la realizzazione di preventivi

L’obiettivo del progetto è sviluppare un sistema, basato su tecniche di AI unite ad una opportuna base di conoscenza, in grado di suggerire delle stime, o anche solo confrontare i costi di progetti simili svolti in passato.

Soluzioni tecniche

Un aspetto cruciale nell’architettura transformer menzionata negli altri progetti è dato dalla capacità di trasformare token di natura diversa in vettori. Come detto, relazioni tra vettori corrispondenti a token diversi dovrebbero rappresentare relazioni semantiche tra i dati rappresentati dai token corrispondenti. In particolare, vettori simili dovrebbero corrispondere a dati (ad esempio, parole) semanticamente simili, mentre vettori ortogonali dovrebbero corrispondere a dati con bassa correlazione. Ciò si ottiene mediante i già citati modelli di embedding, ovvero rappresentazioni numeriche di dati (testi, immagini, suoni, ecc.) che i sistemi di AI utilizzano per comprendere domini di conoscenza complessi. Tali rappresentazioni possono essere ottenute mediante algoritmi classici di riduzione della dimensionalità, oppure tramite reti neurali ad-hoc, progettate per apprendere rappresentazioni robuste dei dati in uno spazio vettoriale a dimensionalità controllata.

Una volta ottenuta una rappresentazione vettoriale dei dati di interesse, ai fini di questo secondo progetto, diventa essenziale poter interrogare la base di dati al fine di estrarre i vettori di interesse. Ad esempio, data una descrizione testuale di un prodotto, vogliamo estrarre i testi e le immagini maggiormente correlati. A tale scopo, è possibile utilizzare database vettoriali, in grado di offrire diversi compromessi tra accuratezza e rapidità della ricerca.

Ruolo dell’AI

Anche questo progetto si configura come un’applicazione di augmentative AI, dove tecniche di AI vengono utilizzate per aumentare le capacità dell’utente umano, anziché sostituirlo interamente. L’operatore potrà inserire i dati in suo possesso ed ottenere dal sistema un insieme di progetti passati ritenuti simili, accompagnati da una conseguente stima dei costi. Il sistema sarà flessibile nella definizione di similarità, in modo da consentire all’operatore di modificare i risultati della ricerca e analizzare diverse opzioni.

ROI e impatto sul business aziendale

Tra i principali benefici che il progetto può apportare all’azienda troviamo i seguenti:

• capacità di stimare il costo di un prodotto da dati parziali, anticipando i tempi
• capacità di recuperare informazioni da progetti apparentemente diversi ma che, in realtà, presentano caratteristiche simili. Il sistema consentirà all’operatore di rilevare correlazioni poco visibili tra progetti diversi
• maggiore ripetibilità e consistenza nella definizione dei costi. Il sistema consentirà all’azienda di creare un circolo virtuoso in cui vengono storicizzati dati completi e di qualità in quantità crescente, rendendo possibili stime sempre più accurate.

I principali rischi sono legati alla quantità e qualità dei dati attualmente disponibili, che potrebbero non consentire da subito il raggiungimento di performance accettabili. Tale fattore di rischio potrà essere valutato a seguito di una analisi dei dati a disposizione e della costruzione di versioni prototipali delle tecniche di AI. Al fine di mitigare questo rischio, sarà possibile ricorrere a tecniche di data augmentation, in grado di aumentare la dimensione del dataset in maniera artificiale. Sarà inoltre progettato un processo di acquisizione dei dati che consentirà, nel medio termine, di migliorare le performance del sistema e di renderlo sempre più vicino alle esigenze dell’azienda.

Un altro potenziale rischio riguarda la qualità delle stime del sistema di AI, che in alcuni casi potrebbe sovrastimare o sottostimare i costi. Questo limite può essere in parte mitigato aumentando la quantità di dati disponibili (come già anticipato nel paragrafo precedente) e in parte integrando il sistema con strategie rule-based per imporre vincoli specifici del dominio applicativo al sistema ed evitare quindi stime non coerenti. L’impatto delle performance del sistema sulla qualità finale della stima del costo sarà valutato durante lo sviluppo del prototipo utilizzando degli insiemi di dati di valutazione.