L’intelligenza artificiale generativa potrebbe trovare nella produzione additiva metallica un’applicazione molto più concreta della semplice assistenza alla progettazione o della generazione di documentazione. Un gruppo di ricercatori collegati alla Colorado School of Mines, al GAC R&D Center Silicon Valley e al Georgia Institute of Technology ha studiato l’utilizzo dei Vision-Language Model, VLM, per valutare automaticamente la qualità di componenti prodotti attraverso additive manufacturing metallico.
Il lavoro, firmato da Qiaojie Zheng, Jiucai Zhang e Xiaoli Zhang, affronta una delle principali difficoltà dei sistemi di machine learning utilizzati oggi nel controllo dei processi produttivi: per riconoscere correttamente un difetto è normalmente necessario costruire un dataset specifico, etichettarlo e addestrare un modello dedicato.
Il gruppo di ricerca ha verificato se modelli multimodali generalisti come Google Gemini 2.5 Flash e Google Gemma 3 27B possano seguire una strada differente.
Invece di addestrare nuovamente il modello con centinaia o migliaia di immagini di componenti difettosi, i ricercatori hanno fornito al sistema un piccolo numero di esempi accompagnati dalle valutazioni di esperti.
Il modello osserva gli esempi, legge la spiegazione associata e utilizza queste informazioni per interpretare una nuova immagine.
È il principio dell’In-Context Learning, ICL.
I risultati mostrano che, almeno per il problema specifico studiato, un Vision-Language Model correttamente contestualizzato può raggiungere una precisione di classificazione comparabile a quella di un modello di machine learning sviluppato appositamente per l’applicazione.
Ma c’è una seconda differenza ancora più interessante.
Il sistema non risponde soltanto “buono” oppure “difettoso”.
Può spiegare perché considera una deposizione corretta o problematica.
Dal riconoscimento di immagini alla comprensione multimodale
I Vision-Language Model appartengono alla stessa evoluzione tecnologica dei Large Language Model utilizzati nei moderni sistemi di intelligenza artificiale generativa.
Un normale LLM lavora principalmente con il linguaggio.
Un VLM può combinare testo e immagini.
Il modello può quindi ricevere una fotografia e una domanda come: “Questa deposizione metallica è conforme? Quali caratteristiche osservi?”.
Può analizzare l’immagine e produrre una risposta testuale.
Modelli di questo tipo vengono già utilizzati per interpretare fotografie, documenti, grafici, immagini scientifiche e altri contenuti visuali.
La domanda posta dai ricercatori era se la stessa capacità potesse essere trasferita a un ambiente estremamente specialistico come l’additive manufacturing metallico.
Il problema è tutt’altro che banale.
Un modello generalista può aver osservato durante il proprio addestramento milioni di immagini di automobili, edifici, animali o prodotti.
La quantità di dati pubblicamente disponibili relativa alle sezioni metallografiche di cordoni prodotti mediante Directed Energy Deposition è incomparabilmente più piccola.
Il modello può quindi essere molto competente nel descrivere una fotografia comune e contemporaneamente non sapere quali caratteristiche distinguano un cordone DED corretto da uno difettoso.
Il problema della conoscenza specialistica
Questo è uno dei principali limiti all’utilizzo diretto dei modelli generativi in ambito industriale.
Un sistema può essere molto potente, ma ciò non significa che possieda automaticamente la conoscenza necessaria per una specifica applicazione manifatturiera.
Nel controllo qualità dell’additive manufacturing bisogna conoscere:
la tecnologia utilizzata;
il materiale;
la geometria corretta della deposizione;
le cause dei difetti;
le caratteristiche visive associate a condizioni di processo non adeguate.
Un modello generalista potrebbe osservare correttamente una caratteristica dell’immagine ma attribuirle un significato sbagliato.
In un precedente lavoro dello stesso gruppo sui VLM applicati al DED, per esempio, un modello generalista aveva interpretato alcuni elementi chiari presenti nel materiale di supporto dell’immagine come possibili difetti di lack of fusion, concentrandosi sulla zona sbagliata invece che sulla sezione del cordone.
È un esempio significativo.
La capacità di “vedere” non coincide necessariamente con la capacità di capire cosa sia importante vedere.
L’In-Context Learning evita di riaddestrare il modello
La soluzione studiata da Zheng, Zhang e Zhang è l’In-Context Learning.
Invece di modificare i parametri interni del modello attraverso un vero processo di training o fine-tuning, vengono inserite direttamente nel prompt alcune informazioni specifiche dell’applicazione.
Il modello può ricevere, per esempio:
un’immagine di un cordone corretto;
la classificazione fornita dall’esperto;
una spiegazione delle caratteristiche che lo rendono corretto;
alcune immagini di deposizioni non conformi;
la descrizione dei relativi difetti.
Successivamente viene presentata una nuova immagine.
Il modello deve utilizzare ciò che ha appena appreso dagli esempi per formulare la propria valutazione.
I pesi del modello non vengono modificati.
Terminata quella sessione, Gemini o Gemma rimangono esattamente gli stessi modelli di partenza.
È questo uno dei principali vantaggi dell’ICL.
Cambiare applicazione potrebbe significare cambiare esempi, non riaddestrare l’AI
In un sistema tradizionale di machine learning, se cambiano materiale, processo o condizioni di acquisizione delle immagini può essere necessario creare un nuovo dataset e riaddestrare il classificatore.
Con l’In-Context Learning la prospettiva è differente.
Si può mantenere lo stesso modello multimodale e modificare gli esempi utilizzati per contestualizzarlo.
Un sistema potrebbe quindi avere una libreria dedicata al titanio prodotto mediante DED.
Un’altra per l’acciaio.
Una per un determinato impianto.
Una per un’altra geometria.
Naturalmente, lo studio non dimostra ancora che basti sostituire pochi esempi per gestire qualsiasi processo industriale.
Dimostra però che questa flessibilità è possibile all’interno del problema sperimentale analizzato.
Il test è stato effettuato sul Directed Energy Deposition a filo
La tecnologia utilizzata per gli esperimenti è il Directed Energy Deposition con alimentazione a filo e sorgente laser, spesso indicato come DED-LW o laser-wire DED.
A differenza del Laser Powder Bed Fusion, nel quale un laser fonde selettivamente zone di un letto di polvere, nel DED il materiale viene alimentato direttamente nella zona nella quale viene creata la fusione.
In questo caso la materia prima è un filo metallico.
Un laser fornisce l’energia necessaria per fonderlo mentre la testa di deposizione e il componente si muovono secondo la traiettoria programmata.
Sovrapponendo successivamente i cordoni è possibile costruire una parte tridimensionale.
La tecnologia è particolarmente interessante per grandi componenti, riparazioni e strutture near-net-shape.
Può inoltre raggiungere tassi di deposizione superiori a quelli tipici dei sistemi a letto di polvere.
I campioni sono stati realizzati in Ti-6Al-4V
Il materiale utilizzato nello studio è Ti-6Al-4V, una delle leghe di titanio più diffuse nell’additive manufacturing.
La lega è largamente impiegata nei settori aerospaziale, biomedicale e industriale grazie all’elevato rapporto tra resistenza e peso e alla buona resistenza alla corrosione.
Il sistema sperimentale utilizzava una testa laser da 6 kW abbinata a un alimentatore di filo di precisione.
Laser e sistema di alimentazione erano installati su un robot industriale.
La deposizione avveniva all’interno di una camera riempita di argon, necessaria a limitare l’ossidazione del titanio durante la lavorazione ad alta temperatura.
I ricercatori hanno modificato intenzionalmente parametri come:
potenza laser;
velocità di avanzamento del robot;
velocità di alimentazione del filo.
Le differenti combinazioni hanno prodotto cordoni con caratteristiche geometriche e qualitative diverse.
65 cordoni per studiare il comportamento dell’AI
Il dataset sperimentale comprendeva complessivamente 65 campioni costituiti da singoli cordoni.
Nove campioni rappresentativi sono stati selezionati e annotati manualmente dagli esperti.
Queste nove immagini costituiscono la piccola banca dati dalla quale vengono estratti gli esempi utilizzati per l’In-Context Learning.
Gli altri campioni vengono impiegati per verificare se il modello riesce a generalizzare ciò che ha appreso.
È un numero estremamente piccolo rispetto ai dataset normalmente associati al deep learning.
Ed è precisamente il punto della ricerca.
L’obiettivo non era costruire il più grande archivio possibile di deposizioni DED.
Era verificare quanta informazione fosse necessaria a un modello già pre-addestrato per adattarsi a una nuova attività.
Le immagini utilizzate mostrano la sezione dei cordoni
Il sistema non analizza semplicemente una fotografia esterna del cordone depositato.
Le immagini utilizzate per le query rappresentano la sezione trasversale del deposito.
La forma della sezione contiene informazioni importanti sulla stabilità e sull’equilibrio del processo.
La qualità viene valutata osservando in particolare la geometria del bead rispetto alla condizione desiderata.
I campioni del database comprendono esempi di elevata qualità e due principali categorie di non conformità:
altezza eccessiva del cordone;
altezza insufficiente del cordone.
Le immagini vengono accompagnate dalle annotazioni degli esperti che spiegano quali caratteristiche portano alla classificazione.
Solo nove immagini sono state annotate
Questo punto merita attenzione.
La fase più costosa della costruzione di un dataset industriale non consiste sempre nell’acquisizione delle immagini.
È spesso l’etichettatura.
Un esperto deve guardare ogni campione e stabilire cosa rappresenta.
In applicazioni complesse potrebbe essere necessario effettuare metallografia, tomografia, prove distruttive o altri controlli prima di poter associare con certezza una determinata immagine a un difetto.
Creare migliaia di campioni etichettati può quindi essere molto costoso.
Nell’esperimento dei ricercatori, solo nove campioni necessitano della descrizione dettagliata necessaria a costruire il database ICL.
È questo il principale vantaggio economico potenziale dell’approccio.
Un modello tradizionale deve imparare il compito
Un classificatore basato su una rete neurale convenzionale parte sostanzialmente da una funzione da ottimizzare.
Gli vengono mostrate molte immagini accompagnate dalla risposta corretta.
Attraverso l’addestramento modifica progressivamente i propri parametri per associare determinate caratteristiche visuali alle classi previste.
Una CNN potrebbe imparare che determinate geometrie corrispondono a un buon cordone e altre a una deposizione difettosa.
Una volta addestrata può essere estremamente veloce ed efficiente.
Ma ciò che ha imparato rimane incorporato nei suoi pesi.
Se il problema cambia significativamente, il modello può non funzionare più.
Il VLM parte invece da una conoscenza generale già enorme
Gemini e Gemma seguono una logica differente.
Sono stati pre-addestrati su grandi quantità di dati multimodali.
Possiedono già capacità di riconoscimento delle immagini, linguaggio e ragionamento.
L’In-Context Learning cerca di sfruttare questa base generale insegnando soltanto le regole specifiche necessarie alla nuova applicazione.
L’analogia più semplice è quella di un tecnico esperto di analisi visiva ma non del particolare processo.
Invece di sottoporlo a mesi di formazione, gli vengono mostrati alcuni esempi:
“Questo è corretto perché…”
“Questo è sbagliato perché…”
“Quando osservi questa geometria devi controllare…”
Successivamente gli viene chiesto di valutare un nuovo caso.
Sono stati confrontati Gemini 2.5 Flash e Gemma 3 27B
I ricercatori hanno deliberatamente selezionato due modelli con caratteristiche differenti.
Gemini 2.5 Flash, sviluppato da Google, è un modello proprietario accessibile attraverso servizi cloud e dotato di una capacità di contesto e di ragionamento più ampia.
Gemma 3 27B, sempre appartenente all’ecosistema di modelli di Google, dispone invece di pesi aperti e può essere eseguito localmente.
La versione utilizzata contiene circa 27 miliardi di parametri.
Questa distinzione è particolarmente interessante per il settore industriale.
Un servizio cloud può offrire capacità elevate, ma implica l’invio dei dati all’infrastruttura del fornitore.
Un modello eseguito localmente può invece risultare preferibile quando immagini, geometrie e processi sono considerati proprietà intellettuale sensibile.
Per aziende aerospaziali, difesa e produzione avanzata, la possibilità di mantenere completamente i dati all’interno dello stabilimento può essere un requisito importante.
I modelli sono stati messi alla prova con strategie differenti
I ricercatori non si sono limitati a fornire casualmente qualche esempio.
Hanno studiato come la scelta degli esempi modifica le prestazioni del modello.
Sono state confrontate diverse strategie.
La prima è il baseline, nel quale il Vision-Language Model riceve la richiesta di valutazione senza informazioni specifiche aggiuntive.
È la situazione più vicina all’utilizzo diretto di un modello generalista.
Poi viene il zero-shot contestualizzato, nel quale vengono fornite informazioni testuali sulla valutazione ma nessuna immagine dimostrativa.
Nel one-shot viene mostrato un singolo campione di buona qualità.
Seguono differenti configurazioni few-shot, nelle quali vengono utilizzati tre esempi.
Infine c’è la configurazione many-shot, che mette a disposizione del modello tutti i nove campioni annotati.
La scelta dell’esempio conta quanto il numero
Uno degli aspetti più interessanti dello studio riguarda la selezione dei campioni few-shot.
Una strategia utilizza il metodo K-nearest-neighbor, KNN.
Il sistema trova nel database le immagini visivamente più simili a quella che deve essere valutata.
Per farlo vengono creati embedding delle immagini mediante un modello CLIP, trasformandole in vettori numerici.
La similarità viene successivamente calcolata matematicamente.
L’idea appare intuitiva: per classificare una nuova deposizione si mostrano al VLM i tre esempi che le assomigliano maggiormente.
Ma non è stata necessariamente la soluzione migliore.
Esempi diversi insegnano meglio di esempi tutti simili
I ricercatori hanno sperimentato anche lo scattered few-shot.
Invece di scegliere tre immagini molto simili, vengono selezionati esempi distribuiti in differenti zone dello spazio delle caratteristiche.
Con tre campioni, per esempio, il modello può ricevere:
un’immagine molto simile;
una molto differente;
una intermedia.
Lo scopo è mostrargli una gamma più ampia delle possibili condizioni.
I risultati indicano che questa diversità può essere più utile della semplice somiglianza.
È un concetto importante anche per la costruzione futura dei database industriali.
Per insegnare un problema a un VLM potrebbe non essere necessario raccogliere moltissimi esempi quasi identici.
Potrebbe essere più importante selezionare pochi casi capaci di rappresentare correttamente le diverse modalità di difetto.
Gli esperti hanno selezionato anche esempi rappresentativi
Una seconda configurazione few-shot utilizza campioni scelti direttamente dagli esperti.
In questo caso la diversità non viene stabilita matematicamente attraverso gli embedding.
Un tecnico sceglie deliberatamente esempi che rappresentano le principali condizioni che il modello deve conoscere.
Per esempio:
un buon cordone;
un cordone con altezza insufficiente;
un cordone con altezza eccessiva.
L’AI riceve quindi una sorta di mini-manuale visuale del processo.
Questo approccio ottiene risultati migliori del semplice KNN in diversi test, confermando il valore della conoscenza del dominio nella preparazione del contesto.
Gemini passa dal 37% al 75%
I numeri mostrano in modo piuttosto chiaro il vantaggio dell’In-Context Learning.
Utilizzato senza informazioni specifiche, Gemini 2.5 Flash raggiungeva soltanto il 37% di correttezza nella classificazione.
Il modello, in altre parole, possedeva capacità visuali avanzate ma non comprendeva sufficientemente il particolare criterio metallurgico utilizzato nella prova.
Con il contesto zero-shot la percentuale saliva al 57%.
Con KNN few-shot arrivava al 61%.
Con scattered few-shot raggiungeva il 70%.
Infine, mettendo a disposizione tutti i nove esempi, Gemini arrivava al 75% di classificazioni corrette.
Il 75% è comparabile al machine learning specifico utilizzato come riferimento
Questo risultato assume significato perché gli autori riportano una precisione del 75% anche per un metodo di machine learning sviluppato su un dataset simile.
Il VLM riesce quindi a raggiungere la stessa percentuale senza essere stato addestrato specificamente sul problema.
Sono stati sufficienti nove esempi contestuali.
Il dato non deve però essere interpretato come una prova che i Vision-Language Model siano già superiori agli algoritmi industriali di controllo qualità.
Il 75% non rappresenta lo stato dell’arte assoluto della computer vision in additive manufacturing.
Esistono classificatori dedicati che, su altri dataset e altri compiti, possono raggiungere precisioni molto più elevate.
Il risultato dimostra una cosa differente: con una quantità estremamente piccola di dati specifici, un modello generalista può avvicinarsi a un classificatore dedicato per quella particolare applicazione.
Gemma mostra un comportamento diverso
Il modello locale Gemma 3 27B ha prodotto risultati particolarmente interessanti.
La configurazione baseline raggiungeva già il 64% di classificazioni corrette, molto più del 37% ottenuto da Gemini senza contesto.
Fornendo solamente le informazioni zero-shot, Gemma arrivava addirittura al 72%.
Con scattered few-shot raggiungeva il 70%.
Ma con la configurazione many-shot scendeva al 45%.
Questo risultato potrebbe sembrare paradossale.
Dare al modello più esempi dovrebbe teoricamente permettergli di capire meglio il problema.
In realtà mostra uno dei limiti dell’In-Context Learning.
Più informazioni non significano automaticamente una risposta migliore
Un modello con capacità inferiori può essere disturbato da un contesto eccessivamente lungo o complesso.
Gemini beneficia della presenza di tutti i nove esempi.
Gemma sembra invece ottenere risultati migliori con un contesto più piccolo e selezionato accuratamente.
Gli autori attribuiscono questa differenza alla differente capacità dei due modelli di elaborare e generalizzare informazioni inserite nel contesto.
Il modello più grande riesce a filtrare meglio il rumore e a estrarre le regole importanti.
Quello più piccolo può essere sovraccaricato.
È una conclusione importante per l’utilizzo industriale dei VLM.
Il prompt non deve diventare semplicemente un archivio nel quale vengono inseriti tutti i dati disponibili.
Occorre progettare ciò che il modello deve vedere.
Il prompt diventa parte del processo produttivo
Questa osservazione introduce un concetto relativamente nuovo per la manifattura.
Con un algoritmo tradizionale, la parte critica è il training.
Con un sistema ICL, anche la costruzione del contesto diventa un elemento ingegneristico.
Quali esempi mostrare?
Quanti?
In quale ordine?
Quali spiegazioni associare?
Quanto dettaglio inserire?
Quali informazioni eliminare perché confondono il modello?
La qualità del prompt non è più soltanto un problema tipico dei chatbot.
Può influenzare direttamente la precisione di un sistema di controllo qualità.
L’AI non deve soltanto dare la risposta giusta
Lo studio affronta anche un secondo problema che distingue profondamente i VLM dai classificatori convenzionali.
Un normale algoritmo può restituire:
“difettoso, probabilità 87%”.
Non necessariamente spiega perché.
Un Vision-Language Model può invece produrre una frase del tipo:
“Il cordone presenta un’altezza insufficiente rispetto alla larghezza e la geometria della sezione non corrisponde al profilo osservato nei campioni considerati di buona qualità”.
Questa spiegazione può essere letta e valutata da un operatore.
In un ambiente produttivo questa trasparenza potrebbe diventare importante.
Un tecnico potrebbe accettare la classificazione, contestarla oppure capire immediatamente quale caratteristica ha portato alla decisione.
Ma una spiegazione convincente può anche essere sbagliata
Questo introduce un problema nuovo.
I modelli linguistici sono particolarmente bravi a produrre testi plausibili.
Una spiegazione grammaticalmente corretta e apparentemente tecnica non garantisce che sia vera.
Il sistema potrebbe classificare correttamente un pezzo per il motivo sbagliato.
Oppure potrebbe classificare male il pezzo e produrre comunque un’argomentazione molto convincente.
Per questo gli autori non si sono limitati a misurare l’accuracy.
Hanno introdotto nuovi criteri per valutare anche la qualità della spiegazione.
Knowledge relevance: il modello sta guardando le cose giuste?
La prima metrica viene definita knowledge relevance.
Serve a stabilire se il modello utilizza conoscenze realmente pertinenti all’applicazione.
Per esempio, se la qualità deve essere valutata osservando la geometria della sezione del cordone, il modello deve concentrarsi proprio su quella geometria.
Se invece commenta dettagli irrilevanti presenti nell’immagine, la knowledge relevance diminuisce.
Il punteggio varia tra zero e uno.
Una valutazione elevata significa che il VLM ha identificato e utilizzato i concetti tecnici appropriati.
Rationale validity: li sta interpretando correttamente?
La seconda metrica è la rationale validity.
Qui la domanda cambia.
Il modello potrebbe aver individuato l’elemento corretto ma interpretarlo in modo sbagliato.
La rationale validity valuta quindi se la catena logica che collega ciò che il modello osserva alla propria conclusione sia valida.
Nello studio questa metrica viene valutata dagli esperti in forma binaria.
Una spiegazione può utilizzare tutte le parole tecniche corrette e avere knowledge relevance elevata ma fallire comunque nella rationale validity.
È una distinzione molto importante.
La terza metrica rimane la correttezza della classificazione
Infine, gli autori utilizzano la conclusion correctness.
È la normale accuracy della decisione.
Il sistema ha dichiarato alta qualità e l’esperto era d’accordo?
Oppure il modello ha classificato come conforme un campione difettoso?
Questa metrica permette di confrontare direttamente il VLM con gli approcci di machine learning tradizionali.
Le tre misure descrivono quindi tre domande diverse:
il modello conosce i concetti giusti?
li applica correttamente?
arriva alla risposta corretta?
Un modello può sapere cosa deve osservare e comunque sbagliare
I risultati mostrano perché siano necessarie tutte e tre le metriche.
Gemma, per esempio, con alcune configurazioni ICL raggiunge valori praticamente perfetti di knowledge relevance.
Significa che grazie al contesto capisce quali caratteristiche devono essere discusse.
La validità del ragionamento rimane però più bassa.
Nella configurazione scattered few-shot Gemma raggiunge:
70% di correttezza della conclusione;
58% di rationale validity;
100% di knowledge relevance.
Il modello sa quindi molto bene quali elementi tecnici sono pertinenti, ma non li interpreta sempre correttamente.
Gemini mostra un comportamento più equilibrato.
Nella configurazione many-shot raggiunge circa:
75% di correttezza;
75% di rationale validity;
99% di knowledge relevance.
La differenza suggerisce che la capacità generale di ragionamento del modello rimane importante anche quando la conoscenza tecnica viene fornita nel prompt.
L’interpretabilità non equivale ancora alla certificazione
La possibilità di produrre una spiegazione può aumentare la fiducia dell’operatore, ma non deve essere confusa con una certificazione della decisione.
Un VLM rimane un modello probabilistico.
Può commettere errori.
Può essere sensibile alla formulazione della richiesta.
Può produrre risultati differenti quando cambia il contesto.
In un processo aerospaziale o medicale non sarebbe quindi sufficiente chiedere a un modello multimodale se il componente è conforme e utilizzare la risposta come unica prova di qualità.
L’applicazione più realistica, almeno nella fase iniziale, è quella di strumento di supporto all’operatore.
Il tecnico potrebbe dialogare con il sistema
Qui compare un vantaggio specifico dei Vision-Language Model.
Un classificatore tradizionale produce generalmente un output predefinito.
Il VLM può essere interrogato.
L’operatore potrebbe chiedere:
“Perché hai classificato questo cordone come difettoso?”
“Quale zona dell’immagine consideri più importante?”
“È più probabile che il problema derivi da un eccesso o da una carenza di materiale?”
“Quale campione di riferimento è più simile?”
“Quale parametro di processo potrebbe provocare questa geometria?”
Quest’ultima domanda richiederebbe naturalmente una validazione tecnica molto più approfondita, ma mostra la differenza di paradigma.
Il controllo qualità può diventare interattivo.
Una seconda ricerca del 2026 sta già andando in questa direzione
Il lavoro di Zheng, Zhang e Zhang si inserisce in un filone che sta crescendo rapidamente.
Nel 2026 è stato pubblicato anche uno studio dedicato a QA-VLM, firmato da Qiaojie Zheng insieme a Jiucai Zhang, Joy Gockel, Michael B. Wakin, Craig Brice e Xiaoli Zhang.
In quel progetto il Vision-Language Model viene arricchito attraverso conoscenze provenienti da articoli scientifici peer-reviewed.
L’obiettivo è evitare che il modello utilizzi soltanto ciò che ha appreso genericamente durante il pre-training.
La letteratura scientifica fornisce la conoscenza tecnica.
Un’immagine di riferimento aiuta a indicare come applicarla.
Il modello produce quindi sia la classificazione sia una spiegazione leggibile.
Anche questa ricerca viene applicata alla deposizione laser a filo.
Dal few-shot al Retrieval-Augmented Generation
Le due strategie possono essere viste come complementari.
Nell’In-Context Learning il modello riceve alcuni esempi.
Nel framework QA-VLM può ricevere anche conoscenza estratta dalla letteratura.
Un futuro sistema industriale potrebbe combinare:
manuali del costruttore della macchina;
specifiche interne dell’azienda;
articoli scientifici;
procedure qualità;
immagini di componenti conformi;
immagini di difetti già verificati;
dati dei parametri di processo.
Il VLM avrebbe quindi a disposizione un contesto tecnico molto più ricco del semplice modello generalista.
È una forma di Retrieval-Augmented Generation, RAG, applicata alla manifattura.
Anche il Laser Powder Bed Fusion sta entrando nell’AI conversazionale
La stessa direzione si sta estendendo al Powder Bed Fusion.
Un altro studio pubblicato nel 2026 ha utilizzato un Vision-Large Language Model per permettere interrogazioni in linguaggio naturale su dati provenienti dal Laser Powder Bed Fusion.
Il framework lavora su dati del dataset Peregrine dell’Oak Ridge National Laboratory.
Sono state analizzate 39 parti e oltre 3.500 layer, integrando immagini ad alta risoluzione, ricostruzioni geometriche tridimensionali, segmentazione dei difetti e informazioni sulle proprietà meccaniche.
Il sistema utilizza Llama 3.2 Vision 11B per interpretare le domande dell’operatore.
L’utente può chiedere informazioni senza utilizzare direttamente un complesso software di analisi.
Il lavoro ha riportato un’accuratezza del 95% nell’interpretazione delle query.
È importante specificare che questo 95% riguarda la capacità di interpretare correttamente le richieste dell’utente all’interno di quel framework, non un 95% generale di accuratezza nella certificazione dei componenti.
La preparazione dei dati conta più del semplice modello
Quel lavoro sul LPBF ha evidenziato inoltre un elemento significativo.
Quando il VLM riceve direttamente i dati senza un’adeguata preparazione specifica del dominio, la percentuale di successo delle query è molto inferiore.
Con un preprocessing specialistico passa dal 20% al 95%.
Questo risultato converge con quello ottenuto dal team di Zheng.
Il punto non è semplicemente acquistare il modello più potente e collegarlo alla macchina.
La conoscenza del processo deve essere organizzata e presentata correttamente.
L’ingegneria dei dati rimane centrale.
Il controllo qualità dell’AM produce già enormi quantità di informazioni
L’additive manufacturing metallico è particolarmente adatto a questo tipo di sviluppo perché le macchine moderne possono generare una quantità enorme di dati.
Telecamere possono osservare ogni layer.
Sensori possono misurare la radiazione del melt pool.
Pirometri possono stimare le temperature.
Fotodiodi possono misurare emissioni ottiche.
Scanner possono controllare la superficie.
I log registrano potenza laser, velocità, flussi dei gas e numerosi altri parametri.
Il problema non è più necessariamente acquisire dati.
È interpretarli in modo sufficientemente rapido e affidabile.
Il VLM potrebbe diventare l’interfaccia tra l’uomo e il digital thread
In una futura fabbrica additiva, un tecnico potrebbe non dover aprire manualmente cinque diversi sistemi software.
Potrebbe interrogare un unico assistente:
“Mostrami le aree della parte nelle quali sono state rilevate anomalie durante la costruzione.”
“Quali layer hanno presentato un comportamento differente?”
“Confronta questa build con le ultime dieci parti conformi.”
“Ci sono deviazioni nei parametri che corrispondono ai difetti osservati?”
“Genera un riepilogo per il rapporto qualità.”
Il Vision-Language Model potrebbe funzionare come livello di interazione tra operatore e digital thread.
La decisione tecnica rimarrebbe basata sui dati e sulle procedure qualificate, ma la loro consultazione diventerebbe più semplice.
Il modello locale Gemma è particolarmente interessante per i dati industriali
La scelta di utilizzare Gemma 3 27B non è quindi soltanto accademica.
Una delle maggiori difficoltà nell’applicazione dell’intelligenza artificiale generativa all’industria riguarda la riservatezza.
Un produttore aerospaziale potrebbe non voler inviare a un servizio cloud:
immagini di componenti proprietari;
sezioni metallografiche;
parametri laser;
geometrie riservate;
informazioni sui difetti;
dati relativi a clienti.
Un modello con pesi disponibili localmente può essere installato sulla propria infrastruttura.
I dati possono rimanere all’interno dello stabilimento.
Le prestazioni dello studio mostrano però anche il compromesso: un modello locale più piccolo può essere più sensibile alla costruzione del contesto e meno capace di gestire grandi quantità di esempi.
Non tutti i difetti sono visibili in una fotografia
Esiste poi una limitazione fondamentale che nessun Vision-Language Model può eliminare.
Se un difetto non è presente nell’immagine, il modello non può inventare l’informazione.
Una sezione esterna perfetta può nascondere:
porosità interna;
lack of fusion;
microcricche;
composizione chimica non conforme;
tensioni residue;
proprietà meccaniche insufficienti.
Il controllo visuale deve quindi rimanere parte di una strategia più ampia.
Tomografia computerizzata, ultrasuoni, metallografia, prove meccaniche e altri metodi continueranno a essere necessari in funzione dell’applicazione.
Il VLM non sostituisce automaticamente la metrologia.
Può diventare un nuovo strumento per interpretarla.
Il dataset dello studio è ancora molto limitato
Anche la dimensione dell’esperimento impone cautela.
Sono stati prodotti 65 cordoni singoli.
Nove sono stati utilizzati nel database ICL.
Le principali condizioni difettose riguardavano altezza eccessiva o insufficiente.
La produzione reale è molto più complessa.
Un componente DED multilayer può presentare interazioni termiche tra passate differenti.
Possono variare l’orientamento, la geometria e l’accumulo termico.
Possono comparire difetti che non sono presenti in una singola traccia.
Il modello dovrà quindi essere verificato su:
costruzioni multi-layer;
geometrie tridimensionali;
differenti leghe;
differenti macchine;
diverse condizioni di illuminazione e acquisizione;
categorie di difetto più numerose.
Il 75% non è ancora sufficiente per il controllo autonomo
Anche la precisione deve essere letta correttamente.
Tre classificazioni sbagliate ogni dodici campioni sarebbero inaccettabili se il sistema dovesse autonomamente autorizzare componenti critici destinati a un aeromobile.
La ricerca non propone però questo utilizzo immediato.
Il valore sta nel rapporto tra quantità di dati forniti e prestazione ottenuta.
Con soltanto nove immagini annotate, Gemini raggiunge il livello del modello ML utilizzato come riferimento.
Se lo stesso principio potesse essere esteso a dataset più ampi e combinato con altre fonti di dati, il potenziale industriale diventerebbe molto maggiore.
Il ruolo dell’esperto non scompare
Anzi, lo studio mostra l’opposto.
Gli esperti sono necessari per:
definire cosa significa qualità;
selezionare gli esempi;
annotarli correttamente;
stabilire quali conoscenze siano pertinenti;
valutare le spiegazioni;
verificare gli errori del modello.
La prospettiva non è quindi un controllo qualità senza tecnici.
È un controllo qualità nel quale una parte dell’esperienza viene codificata in esempi e resa riutilizzabile dall’AI.
Un singolo esperto può contribuire a costruire il contesto utilizzato successivamente dal sistema per analizzare molti campioni.
Da black box a “glass box” è ancora un obiettivo, non un risultato definitivo
La capacità del VLM di spiegare la propria scelta viene spesso contrapposta al comportamento “black box” delle reti neurali tradizionali.
È un vantaggio reale in termini di interfaccia.
Ma è necessario evitare un equivoco.
Il fatto che un modello produca una spiegazione non significa che il suo processo interno sia completamente trasparente.
La spiegazione è anch’essa generata dal modello.
Non è necessariamente una registrazione fedele di tutti i passaggi matematici che hanno determinato l’output.
Per questo il contributo degli autori sulle metriche di knowledge relevance e rationale validity è particolarmente importante.
L’interpretabilità deve essere misurata, non semplicemente presunta perché il sistema è capace di scrivere una frase.
L’AI potrebbe diventare uno strumento di formazione
Esiste inoltre un’applicazione meno immediata ma interessante.
Un sistema capace di classificare una deposizione e spiegare ciò che osserva può essere utilizzato per formare nuovi operatori.
Il tecnico inesperto potrebbe confrontare la propria valutazione con quella dell’AI e con gli esempi degli esperti.
Invece di ricevere soltanto un indicatore verde o rosso, potrebbe leggere quali caratteristiche devono essere osservate.
L’archivio di esempi diventerebbe contemporaneamente dataset del modello e materiale didattico.
Questo potrebbe essere particolarmente utile in un settore nel quale le competenze specifiche sull’additive manufacturing metallico sono ancora relativamente rare.
Il controllo potrebbe spostarsi dalla fine del processo alla produzione in corso
L’obiettivo di lungo periodo del monitoraggio AM è comunque l’in-process quality assurance.
Controllare il componente soltanto alla fine significa scoprire eventualmente dopo molte ore di macchina che un difetto si è formato all’inizio della costruzione.
Se il problema può essere identificato mentre si verifica, la macchina potrebbe:
avvisare l’operatore;
mettere in pausa la produzione;
modificare i parametri;
interrompere una build destinata a fallire.
I Vision-Language Model potrebbero contribuire a questa evoluzione se riuscissero ad analizzare rapidamente immagini e dati provenienti dai sensori.
Lo studio attuale utilizza immagini dei campioni dopo la produzione e non dimostra ancora un controllo closed-loop in tempo reale.
Ma costituisce un passaggio verso sistemi capaci di interpretare autonomamente ciò che osservano.
Il passo successivo sarà unire immagini, parametri e fisica del processo
La sola immagine è soltanto una parte dell’informazione disponibile.
Un sistema più completo potrebbe conoscere contemporaneamente:
l’immagine del melt pool;
potenza del laser;
velocità di avanzamento;
wire feed rate;
temperatura;
geometria CAD;
layer corrente;
materiale;
storia delle passate precedenti;
risultati delle build precedenti.
Un VLM evoluto verso una vera piattaforma multimodale potrebbe utilizzare tutte queste informazioni per formulare una valutazione più robusta.
Il valore dei modelli generativi sta proprio nella capacità di mettere in relazione tipi di dati differenti.
L’In-Context Learning può ridurre uno dei principali ostacoli economici dell’AI industriale
La conclusione più significativa dello studio riguarda quindi forse meno la percentuale di accuracy e più il metodo.
Addestrare un modello dedicato costa.
Occorre creare dati.
Etichettarli.
Sviluppare l’architettura.
Effettuare il training.
Validarla.
Aggiornarla quando il processo cambia.
L’In-Context Learning propone un’alternativa:
utilizzare un modello multimodale già sviluppato;
fornirgli pochi esempi selezionati;
aggiungere la conoscenza specifica;
utilizzarlo senza modificare i pesi.
Nel test dei ricercatori sono bastati nove campioni annotati per portare Gemini dal 37% al 75% di correttezza.
È questo il dato che rende l’approccio interessante dal punto di vista industriale.
La sfida diventa trasformare la conoscenza degli esperti in contesto affidabile
Non scompare quindi il lavoro necessario.
Cambia.
Invece di costruire grandi dataset, potrebbe essere necessario creare piccoli database di altissima qualità.
Gli esempi devono essere realmente rappresentativi.
Le annotazioni devono essere corrette.
Le categorie di difetto devono essere definite con precisione.
Le istruzioni devono essere standardizzate.
La versione del modello deve essere controllata.
Le risposte devono essere archiviate e confrontate.
In un sistema regolamentato anche il prompt e il database ICL potrebbero diventare elementi della documentazione di processo.
Un nuovo rapporto tra additive manufacturing e AI generativa
La ricerca della Colorado School of Mines e dei suoi partner mostra quindi una direzione diversa rispetto alle applicazioni più pubblicizzate dell’intelligenza artificiale generativa.
Il VLM non sta progettando una forma insolita.
Non sta scrivendo un testo promozionale.
Sta osservando una sezione reale di titanio prodotta con un processo industriale e cerca di determinare se sia stata fabbricata correttamente.
Con pochi esempi può adattarsi a un problema che non faceva necessariamente parte della propria conoscenza specialistica iniziale.
E, soprattutto, può spiegare ciò che ha osservato.
Per ora l’esperimento riguarda 65 singoli cordoni, nove immagini annotate e un numero limitato di categorie di difetto.
Siamo quindi ancora lontani da un sistema autonomo capace di certificare una build aerospaziale.
Ma la direzione è significativa.
Il machine learning industriale tradizionale tende a produrre molti modelli specializzati: uno per ogni macchina, sensore, materiale o problema.
I Vision-Language Model introducono l’ipotesi opposta: un unico modello generalista che acquisisce la specializzazione necessaria attraverso il contesto.
Se questa capacità verrà confermata su dataset più ampi, costruzioni multi-layer e processi differenti, potrebbe ridurre drasticamente il tempo necessario per sviluppare nuovi strumenti di controllo qualità.
La futura fabbrica additiva potrebbe quindi non avere soltanto telecamere capaci di rilevare anomalie.
Potrebbe avere sistemi AI ai quali un tecnico può chiedere:
“Che cosa è successo a questo componente?”
e ottenere non soltanto una classificazione, ma una spiegazione tecnica collegata alle immagini, ai dati produttivi e alla conoscenza accumulata dall’azienda.
Il lavoro su Gemini 2.5 Flash e Gemma 3 27B rappresenta uno dei primi passi concreti verso questa forma di controllo qualità multimodale e conversazionale.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
