Domotica e Domotica Intelligente (Smart Home) non sono esattamente la stessa cosa. Il primo concetto ha fatto la sua comparsa già da qualche decennio, indicando le tecnologie che integrate nell'impianto elettrico di casa riuscivano a migliorarne consumi e comodità. Il secondo e più recente concetto nasce, invece, con l'invasione del mercato dei dispositivi connessi e la possibilità di dialogare con loro per automatizzare i processi nati nella prima fase. In questo articolo indagheremo un'ulteriore nuova tendenza, ovvero quella di integrare algoritmi di machine learning nella domotica smart, per renderla realmente intelligente ed adattativa.
Introduzione
Se oggi parliamo di casa “intelligente” pensiamo subito ad un insieme di dispositivi connessi ad una rete domestica, e da essa alla rete Internet, come rappresentato in Figura 1. Uno smartphone e i dispositivi intelligenti possono comunicare tra loro tramite una app ed un gateway; in tal modo l'utente può controllare lo stato della sua abitazione e pianificare l'accensione dei dispositivi anche da remoto a seconda delle letture dei sensori.
Nel modello appena descritto, però, la casa non è realmente intelligente. Manca, infatti, di capacità avanzate di elaborazione dei dati e configurazione automatica dei dispositivi. Per rendere un'abitazione realmente smart c'è bisogno di prodotti di automazione domestica avanzati in grado di riconoscere i volti degli utenti, identificare una persona con una precisione del 100%, regolare automaticamente le impostazioni in base alle preferenze dei proprietari di casa e operare in sincronia con altri dispositivi per prendere decisioni basate sui dati. Si tratta quindi di integrare l'uso dell'Intelligenza Artificiale (o più precisamente dell'apprendimento automatico) nella domotica smart.
Il termostato Nest di Google
Un primo esempio di dispositivo che può realmente rendere una casa smart è il termostato Nest di Google (Figura 2). Questo piccolo gadget installato sulla parete di casa offre un modo intelligente per gestire i sistemi HVAC (riscaldamento, ventilazione e condizionamento dell'aria) poiché, non solo consente ai proprietari di regolare e monitorare la temperatura dell'abitazione, ma rileva i modelli di comportamento e gestisce le impostazioni senza la necessità di un intervento umano.
In circa sette giorni dopo l'installazione e regolazione manuale, Nest crea una pianificazione operativa basata sulle impostazioni preferite di un utente e le previsioni meteo locali. Nel corso della sua vita, il dispositivo continua ad apprendere le abitudini degli utenti e a caricare i dati sui loro account Nest in cloud. Automaticamente disattiva i sistemi HVAC quando l'utente non è in casa, li attiva ad un orario prestabilito, e fornisce giornalmente report sul risparmio energetico. La linea di prodotti Nest include rilevatore di fumo connesso, telecamere di sicurezza interne ed esterne ed un campanello intelligente basato sul riconoscimento facciale, compatibili con più di 30 gadget tra cui Amazon Echo e Philips Hue.
Gli algoritmi di apprendimento supervisionato che abilitano le capacità cognitive di Nest eseguono un lavoro ragionevole quando applicati a una piccola quantità di dati raccolti tramite un numero limitato di sensori; comunque potrebbero sorgere delle sfide per implementare la stessa tecnologia in soluzioni Smart Home multilivello composte da vari dispositivi. La decisione di Nest di migliorare l'IA utilizzata per i suoi prodotti e facilitare il processo decisionale situazionale dimostra il fatto che il futuro dell'automazione domestica dipende in gran parte dall'apprendimento automatico. Vediamo allora come affrontare le sfide poste da soluzioni Smart Home multilivello.
Combinare machine learning e smart home
Dal punto di vista tecnologico, una casa connessa basata sull'intelligenza artificiale opera su due livelli: hardware e software. Questi includono diversi sottolivelli tra cui:
- sensori;
- dispositivi di controllo stazionari (il feedback tattile è auspicabile);
- hub centrale (che orchestra i dispositivi Smart Home all'interno del sistema);
- server cloud (dove vengono archiviati e analizzati i dati);
- protocolli di comunicazione sicuri;
- app per dispositivi mobili, tablet o desktop (responsabile della visualizzazione e gestione dei dati).
I dispositivi che compongono un sistema di automazione domestica basata sull'intelligenza artificiale dovrebbero essere in grado di fornire servizi sia l'uno all'altro che all'utente finale e acquisire continuamente nuovi dati per un ulteriore apprendimento. Poiché i dispositivi intelligenti agiscono come moduli indipendenti, il sistema dovrebbe utilizzare una combinazione di architetture service-oriented ed event-oriented dove i componenti dialogano tra loro tramite protocolli di comunicazione e possono essere aggiornati, gestiti e configurati separatamente.
Nel modulo per l'analisi dei dati basato su cloud convergono le letture grezze dei sensori. Tale modulo opera sulle letture grezze e identifica i modelli (pattern) nei dati. Il sistema quindi apprende che l'evento A (il proprietario dell'abitazione apre la porta d'ingresso) è solitamente seguito dall'evento B (il riscaldamento viene acceso). Con questi modelli derivati dai dati, il sistema di casa intelligente dovrebbe essere in grado di prevedere il comportamento dell'utente basandosi sui dati storici e i dati in tempo reale per sviluppare la cosiddetta consapevolezza situazionale, ovvero comprendere le intenzioni di un utente in un dato momento e cambiare i parametri di conseguenza. Un esempio pratico potrebbe essere il seguente: dal lunedì al venerdì, la sveglia di Andrea suona alle 7 del mattino. Il sistema smart domestico accende il termostato e, sapendo che Andrea preferisce un caffè al mattino, invia un notifica alla macchina per il caffè connessa. Nei fine settimana, tuttavia, Andrea si sveglia più tardi e preferisce fare colazione a casa. La casa modificherà le impostazioni di conseguenza.
Le sfide da risolvere
Una Smart Home veramente intelligente è quindi un sistema multicomponente che richiede poca o nessuna gestione da parte di un utente ed è in grado di prendere decisioni basate su dati storici e in tempo reale. Pertanto, il sistema dovrebbe essere in grado di identificare azioni significative dell'utente (Andrea si è svegliato), valutare gli eventi di probabilità attivati da tali azioni (attivare il termostato) e impartire comandi appropriati ad altri dispositivi all'interno della rete (accendere la macchina del caffè). Per quanto alto, l'attuale livello di sviluppo dell'IA non consente alle reti neurali di valutare i fattori che guidano il comportamento di un utente umano, per non parlare dell'analisi dell'umore con cui una persona si sveglia al mattino.
L'utilizzo di soluzioni cloud, ad esempio Amazon Web Services (AWS), non ha sempre senso in domotica. Le motivazioni sono le seguenti:
- una soluzione di casa connessa dovrebbe essere disponibile anche se Internet non funziona;
- pochi utenti sono disposti a condividere i dati personali con un provider di servizi cloud per motivi di sicurezza;
- nel caso in cui un produttore di dispositivi intelligenti decida di interrompere il supporto cloud, ad un utente rimane un costoso gadget in gran parte inutile.
Ciò non significa che le aziende di automazione domestica dovrebbero rinunciare completamente alle tecnologie cloud. In primis l'archiviazione e l'analisi dei dati richiedono server dedicati. Inoltre, rinunciare al cloud vorrebbe dire aumentare i costi di sviluppo e produzione delle Smart Home, minando l'intera idea di una casa connessa che, tra le altre cose, dovrebbe essere efficiente dal punto di vista energetico. Una soluzione per le aziende che guardano al mercato della domotica, potrebbe essere quella di rivolgersi al Machine Learning-as-a-Service (MLaaS) come IBM Watson, Amazon ML, Azure ML di Microsoft per complesse analisi dei dati comportamentali e archiviazione dei dati dei sensori in locale (ad esempio, su schede SD).
Per configurare una soluzione domotica connessa, sicura, scalabile e altamente funzionale, un utente deve connettere gadget creati da diversi fornitori e poche soluzioni Smart Home sono progettate per comunicare con prodotti di terze parti. Negli ultimi anni sono stati fatti alcuni passi avanti per risolvere il problema dell'interoperabilità nella Smart Home. Con l'introduzione di Z-Wave e delle API di automazione domestica open source, tra cui RESTful API di Google Home Assistant, Amazon Alexa Smart Home Skills, Yeti e Lockitron, i produttori possono integrare i loro dispositivi con un numero impressionante di soluzioni Smart Home. Tuttavia, investire nel middleware rimarrà comunque un male necessario almeno per il momento. [...]
ATTENZIONE: quello che hai appena letto è solo un estratto, l'Articolo Tecnico completo è composto da ben 2079 parole ed è riservato agli ABBONATI. Con l'Abbonamento avrai anche accesso a tutti gli altri Articoli Tecnici che potrai leggere in formato PDF per un anno. ABBONATI ORA, è semplice e sicuro.