Questo articolo analizza l’obiettivo ed i vantaggi dell'implementazione diretta di modelli e algoritmi di Intelligenza Artificiale (IA) ai confini della rete, e spiega come i progressi nell’hardware e nei software embedded stanno agevolando l'applicabilità dell'IA.
Introduzione
L'Intelligenza Artificiale si è trasformata da una tecnologia di nicchia in qualcosa con cui le persone interagiscono quotidianamente, espandendosi oltre i settori ingegneristici e tecnologici, una tendenza che ha portato le aziende di quasi tutti i settori a considerare come potrebbero sfruttare l'Intelligenza Artificiale per aumentare l'efficienza, ridurre i costi e aumentare le capacità dei loro prodotti. L'accessibilità e la facilità d'uso delle soluzioni IA basate sul cloud ampiamente disponibili, hanno reso più facile per quasi chiunque interagire con modelli e strumenti progettati per l'Intelligenza Artificiale. Tuttavia, non tutte le innovazioni legate all'Intelligenza Artificiale avvengono nel cloud. Con i progressi tecnologici nella progettazione dei dispositivi embedded, le capacità di elaborazione si stanno facendo strada nei prodotti di consumo come computer e cellulari, nonché in altri dispositivi elettronici alimentati a batteria, applicazioni come videocitofoni, elaborazione della visione nei sistemi automobilistici e motori per infrastrutture energetiche e sistemi industriali.
L'Intelligenza Artificiale edge, ovvero la capacità di eseguire modelli localmente, vicino alla fonte dei dati, sta migliorando la reattività, l'efficienza, l'affidabilità e la sicurezza dell'elettronica. I processori embedded che rendono possibile questa trasformazione dal cloud all'edge, integrano al loro interno componenti come core specializzati per l'elaborazione del segnale digitale (DSP), e sono supportati da strumenti basati su GUI (Graphical User Interface), facili da usare e che riducono al minimo il tempo e le competenze necessarie per portare l'Intelligenza Artificiale ai bordi.
Gli strumenti IA edge, in particolare, consentono l'implementazione di modelli IA/Machine Learning direttamente sui dispositivi periferici, come microcontrollori, microprocessori e sensori intelligenti, che svolgono una funzione chiave nel portare l'elaborazione all'edge, consentendo ai dispositivi di elaborare dati localmente senza necessariamente fare affidamento sui servizi cloud, con una migliore efficienza energetica e minori costi dei dispositivi stessi. Gli strumenti IA, locali o basati sul cloud, sono essenziali per creare modelli efficienti e ottimizzati che possono essere eseguiti localmente su dispositivi ottimizzati. Ai produttori ed ai progettisti dell'Intelligenza Artificiale o di dispositivi embedded, questi strumenti consentono di creare soluzioni intelligenti che migliorano prodotti e servizi. La Figura 1 mostra un dispositivo edge, un minicomputer Android IIoT.
Figura 1: Dispositivo edge Android IIoT
L'Intelligenza Artificiale è la capacità di una macchina di esibire una sorta di intelligenza o ragionamento. Quando oggi la maggior parte delle persone pensa all'Intelligenza Artificiale, spesso immagina generatori di testo e immagini, o avversari virtuali nei videogiochi pronti a sfidare le capacità umane. Ma anche il più semplice degli algoritmi è tecnicamente un esempio di IA in senso letterale. L'ampiezza dell'IA ed i suoi molteplici casi d'uso hanno portato a diversi sottodomini, tra cui i più noti sono l'apprendimento automatico e il Deep Learning.
La maggior parte dell'Intelligenza Artificiale utilizzata per le applicazioni embedded è l'apprendimento automatico, il sottodominio in cui macchine e algoritmi "imparano" a risolvere un problema; ad esempio, un veicolo che riconosce un pedone rispetto ad un ostacolo analizzando i dati delle immagini per individuare schemi comuni. Un modello di apprendimento automatico può anche apprendere ricevendo grandi quantità di dati di addestramento o dati già etichettati. Il processo di addestramento consente ai modelli di apprendimento automatico di distinguere schemi nei dati, che possono utilizzare per fare inferenze future.
Nel campo dell'apprendimento automatico, il Deep Learning è diventato una delle sue implementazioni più popolari, data la sua capacità di risolvere problemi altamente complessi in modo accurato, sebbene ciò richieda molte risorse informatiche. Il Deep Learning utilizza reti neurali multistrato, che sono modelli di dati ispirati ai neuroni nel cervello umano. Consente ai progettisti di prodotti di creare soluzioni in grado di riconoscere modelli che non sarebbero in grado di discernere da soli.
Intelligenza Artificiale Edge
L'Intelligenza Artificiale si può considerare un’evoluzione dell’edge computing, e i suoi sottodomini possono in genere eseguire l'elaborazione nel cloud o su hardware locale. L'IA basata su cloud è stata storicamente più comune, poiché la potenza di calcolo necessaria per eseguire un'Intelligenza Artificiale di impatto non era facilmente ottenibile al di fuori di grandi server. L'Intelligenza Artificiale locale è cresciuta in popolarità con la crescente potenza di calcolo e l'efficienza energetica dei processori embedded.
L'Intelligenza Artificiale edge e l'Intelligenza Artificiale cloud differiscono per quanto riguarda il modo in cui ricevono ed elaborano i dati e interagiscono con le risorse basate su cloud. Nell’IA implementata su dispositivi periferici, l’inferenza si concretizza mediante l’elaborazione in locale dei dati, mentre nel cloud i dati vengono inviati continuamente per l’elaborazione ad opera di server cloud. L'esecuzione di modelli ai confini della rete in genere riduce la latenza per l'inferenza e il processo decisionale basati sui dati dei sensori; ad esempio, un sensore della telecamera in un veicolo per il rilevamento delle collisioni. Con le funzionalità IA edge, un veicolo può effettuare inferenze più rapidamente, rispondendo agli stimoli in tempo reale, senza attendere l'inferenza dal cloud.
L'IA nelle applicazioni in locale presenta diversi altri vantaggi rispetto a quella basata sul cloud, tra cui una ridotta dipendenza dalla connettività di rete. Essa può essere utilizzata in applicazioni in cui l'accesso al cloud non è possibile e riduce al minimo i potenziali tempi di inattività causati da interruzioni di rete. Inoltre, poiché l'IA basata sul cloud richiede connettività, possono esserci costi di servizio ricorrenti per l'accesso, il che può essere un modello di business impegnativo quando si progettano prodotti di consumo.
ATTENZIONE: quello che hai appena letto è solo un estratto, l'Articolo Tecnico completo è composto da ben 2032 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.
