L’Intelligenza Artificiale come catalizzatore del ciclo chiuso dei materiali
L’Intelligenza Artificiale (IA) e il Deep Learning stanno rivoluzionando l’industria del riciclo, migliorando non solo l’efficienza dei processi, ma anche la granularità della selezione. Inoltre, sta aprendo la strada ad applicazioni completamente nuove. Volker Rehrmann, EVP e responsabile di TOMRA Recycling, ci parla del potenziale dell’IA per l’industria.
2 min
Ora grazie al Deep Learning è possibile selezionare tra PET, PP e HDPE di grado alimentare e PET, PP e HDPE di grado non alimentare.
Gli sforzi per arrivare a un’economia veramente circolare si stanno moltiplicando. Tuttavia, per raggiungere questo traguardo è necessario che i materiali recuperati siano sempre di alta qualità e che il maggior numero possibile ne venga reimmesso nel ciclo di produzione. Questo purtroppo non è ancora possibile con gli attuali processi. Per evitare il downcycling e favorire l’utilizzo di materiale riciclato di alta qualità, è necessario che la selezione diventi più granulare.
La notizia positiva è che l’intelligenza artificiale sta rendendo possibile tutto questo e sta agendo da vero e proprio catalizzatore del ciclo dei materiali. Queste tecnologie all’avanguardia migliorano infatti la selezione e la classificazione dei materiali riciclabili e contribuiscono a soddisfare la crescente domanda di contenuti riciclati.
Prima di affrontare la questione di come l’intelligenza artificiale stia modificando il recupero di risorse, è opportuno chiarire un malinteso molto frequente: l’IA non è una moda del momento. Al contrario, è sempre stata al centro dell’attenzione nel nostro settore. I nostri team di ricerca e sviluppo stanno lavorando da molti anni su soluzioni per la selezione supportate dall’intelligenza artificiale. Persino le nostre prime macchine TOMRA di 30 anni fa erano già in grado di prendere decisioni su quale materiale doveva essere selezionato e in quale contenitore. E questa capacità di prendere decisioni come un essere umano è il fulcro dell’IA.
La notizia positiva è che l’intelligenza artificiale sta rendendo possibile tutto questo e sta agendo da vero e proprio catalizzatore del ciclo dei materiali. Queste tecnologie all’avanguardia migliorano infatti la selezione e la classificazione dei materiali riciclabili e contribuiscono a soddisfare la crescente domanda di contenuti riciclati.
Prima di affrontare la questione di come l’intelligenza artificiale stia modificando il recupero di risorse, è opportuno chiarire un malinteso molto frequente: l’IA non è una moda del momento. Al contrario, è sempre stata al centro dell’attenzione nel nostro settore. I nostri team di ricerca e sviluppo stanno lavorando da molti anni su soluzioni per la selezione supportate dall’intelligenza artificiale. Persino le nostre prime macchine TOMRA di 30 anni fa erano già in grado di prendere decisioni su quale materiale doveva essere selezionato e in quale contenitore. E questa capacità di prendere decisioni come un essere umano è il fulcro dell’IA.
Quando parliamo oggi, nel 2024, di Intelligenza Artificiale, intendiamo gli ultimi sviluppi nel campo del Deep Learning. Il Deep Learning è una branca dell’apprendimento automatico, che si è fatta strada nel nostro settore solo grazie ai miglioramenti nella potenza di calcolo intervenuti nell’ultimo decennio.
In che modo il Deep Learning sta contribuendo a modificare il recupero di risorse come lo abbiamo inteso finora?
1. Il Deep Learning offre maggiore flessibilità. Con la composizione dei rifiuti in costante evoluzione, abbiamo bisogno di sistemi di selezione in grado di adattarsi alle nuove esigenze del mercato. Invece di sostituire i componenti hardware o addirittura le macchine, le moderne tecnologie di Deep Learning possono essere adattate con aggiornamenti periodici del software subito dopo che sono state implementate dai nostri esperti. Questo ci permette di venire incontro più rapidamente alle esigenze dei clienti.
In che modo il Deep Learning sta contribuendo a modificare il recupero di risorse come lo abbiamo inteso finora?
1. Il Deep Learning offre maggiore flessibilità. Con la composizione dei rifiuti in costante evoluzione, abbiamo bisogno di sistemi di selezione in grado di adattarsi alle nuove esigenze del mercato. Invece di sostituire i componenti hardware o addirittura le macchine, le moderne tecnologie di Deep Learning possono essere adattate con aggiornamenti periodici del software subito dopo che sono state implementate dai nostri esperti. Questo ci permette di venire incontro più rapidamente alle esigenze dei clienti.
2. La selezione stessa dei materiali migliora in modo significativo. I sistemi di selezione convenzionali hanno già raggiunto un notevole grado di precisione ed efficacia, ad esempio nella separazione delle vaschette in PET monostrato e multistrato. Se combiniamo i sistemi esistenti, che si basano per esempio su sensori nel vicino infrarosso (NIR) o sensori VIS, con le tecnologie di Deep Learning, come nel caso del nostro sistema AUTOSORT™ con GAINnext™, otteniamo il più alto livello di granularità della selezione attualmente raggiungibile. Arriviamo infatti a selezionare non solo per tipo di materiale e colore, ma anche, grazie al Deep Learning, per forma, dimensione o altri dettagli. Questo ci permette di svolgere operazioni prima impensabili, come selezionare tra PET, PP e HDPE non per uso alimentare e PET, PP e HDPE per uso alimentare. Abbiamo posto quindi una vera e propria pietra miliare nel nostro settore, soprattutto perché GAINnext™ ci permette di raggiungere i requisiti di purezza di oltre il 95% previsti dalle normative sulla sicurezza alimentare in Europa.
Dr. Volker Rehrmann, EVP e responsabile di TOMRA Recycling
3. Il Deep Learning farà progredire ulteriormente l’automazione degli impianti. Il valore aggiunto del Deep Learning consiste nel consentire il riconoscimento degli oggetti con l’aiuto di telecamere full-color. In altre parole, GAINnext™ vede ciò che l’occhio umano può vedere. Questo ci permette di automatizzare le attività di selezione che prima venivano svolte manualmente e quindi di trattare grandi quantità di materiali riciclabili in modo rapido ed efficiente.
4. Non ultimo, possiamo sfruttare i dati per compiere enormi passi avanti verso l’ottimizzazione dei processi. I sistemi di selezione supportati dall’Intelligenza Artificiale generano enormi quantità di dati sulla composizione dei materiali, sull’efficienza della selezione e sulle prestazioni dell’impianto. Analizzando tali dati, i gestori degli impianti possono individuare le opportunità di ottimizzazione e agire di conseguenza. Ma le possibilità vanno oltre gli impianti di selezione. Le telecamere basate sul Deep Learning possono essere posizionate nei punti chiave del processo di lavorazione, per tenere così sotto controllo l’intero processo e il flusso dei materiali. In questo modo i gestori degli impianti possono monitorare costantemente la qualità dei flussi selezionati e la perdita di materiale, garantendo inoltre il rispetto delle normative sul riciclo degli alimenti.
4. Non ultimo, possiamo sfruttare i dati per compiere enormi passi avanti verso l’ottimizzazione dei processi. I sistemi di selezione supportati dall’Intelligenza Artificiale generano enormi quantità di dati sulla composizione dei materiali, sull’efficienza della selezione e sulle prestazioni dell’impianto. Analizzando tali dati, i gestori degli impianti possono individuare le opportunità di ottimizzazione e agire di conseguenza. Ma le possibilità vanno oltre gli impianti di selezione. Le telecamere basate sul Deep Learning possono essere posizionate nei punti chiave del processo di lavorazione, per tenere così sotto controllo l’intero processo e il flusso dei materiali. In questo modo i gestori degli impianti possono monitorare costantemente la qualità dei flussi selezionati e la perdita di materiale, garantendo inoltre il rispetto delle normative sul riciclo degli alimenti.
AUTOSORT™ con GAINnext™
Il nostro settore si trova quindi a un vero e proprio punto di svolta. Siamo convinti che l’uso dell’Intelligenza Artificiale farà progredire l’economia circolare proprio nel momento in cui è più urgente farlo: la legislazione si fa infatti più severa e la domanda di soluzioni tecnologicamente avanzate da parte dei clienti è in costante aumento. Allo stesso tempo, è il momento di creare nuovi mercati con prodotti di maggior valore e di dare ulteriore impulso all’industria. Noi di TOMRA siamo orgogliosamente parte attiva nella rivoluzione dell’IA!
Cosa si intende per Deep Learning?
Il Deep Learning è una branca dell’IA che imita il modo in cui il cervello umano elabora le informazioni. Si tratta di una tecnologia speciale nell’ambito dell’apprendimento automatico, in cui si utilizzano reti neurali artificiali addestrate su enormi quantità di dati, in modo da riconoscere e memorizzare determinati campioni e successivamente applicarli a nuovi dati. Gli esperti di IA di TOMRA inseriscono nella rete come materiale di addestramento da migliaia a milioni di immagini, fino a quando la rete non impara a riconoscere specifiche caratteristiche ottiche dei tipi di materiale, come tappi di bottiglia o forme di imballaggi specifici. Questa capacità permette al Deep Learning di svolgere alcuni dei lavori di selezione più complessi, in combinazione con i sensori esistenti.
Cosa si intende per Deep Learning?
Il Deep Learning è una branca dell’IA che imita il modo in cui il cervello umano elabora le informazioni. Si tratta di una tecnologia speciale nell’ambito dell’apprendimento automatico, in cui si utilizzano reti neurali artificiali addestrate su enormi quantità di dati, in modo da riconoscere e memorizzare determinati campioni e successivamente applicarli a nuovi dati. Gli esperti di IA di TOMRA inseriscono nella rete come materiale di addestramento da migliaia a milioni di immagini, fino a quando la rete non impara a riconoscere specifiche caratteristiche ottiche dei tipi di materiale, come tappi di bottiglia o forme di imballaggi specifici. Questa capacità permette al Deep Learning di svolgere alcuni dei lavori di selezione più complessi, in combinazione con i sensori esistenti.
Questo articolo tecnico è stato pubblicato su Kunststoff Magazin nell'agosto 2024.