Ogni anno che passa stabilisce un nuovo record: generiamo l’equivalente di quasi tutti i dati creati fino a quel momento nella storia. La maggior parte di essi proviene da sensoristica e oggetti intelligenti (ciò che chiamiamo “Internet of Things” o IoT). Questi dati, per la gran parte, non corrispondono a informazioni in grado di creare valore, e per questo non sarebbe sensato trasferirli in massa sulle reti e nel cloud, con il solo risultato di intasare la banda. Da qui nasce l’esigenza di elaborare i dati prodotti localmente grazie all’edge computing, cioè l’elaborazione che avviene su dispositivi situati alla “periferia”, in opposizione (ma anche in modo complementare) al cloud. Su questo si innesta l’Embedded Machine Learning (EML): applicazioni software molto specializzate di machine learning – una branca dell’intelligenza artificiale. Quando l’elaborazione avviene a livello locale, ciò che viene trasmesso in cloud è solo il “riassunto”, cioè i dati processati e sintetizzati.
Indice degli argomenti
Dove è più promettente un approccio edge?
Oggi capita spesso di trovarsi di fronte a grandissime quantità di dati generati localmente e alla necessità di una risposta immediata: come in ambiti industriali dove è diffusa la robotica (che ha bisogno di bassissima latenza) e nella guida delle automobili, per il sistema dell’auto o direttamente per il guidatore.
In ambito edge, l’elaborazione locale fornisce rapidamente un feedback, arrivando fino a intervenire direttamente sulla macchina in tempo reale in maniera automatica e consentendo di consumare meno risorse e usare efficientemente la larghezza di banda.
Apprendimento automatico “in periferia”: l’Embedded Machine Learning
Come già anticipato, le Embedded Machine Learning (EML) sono applicazioni software molto specializzate di machine learning create per sistemi di elaborazione ottimizzati per un utilizzo specifico e “embedded” (cioè direttamente collocati) su dispositivi periferici “edge” grazie alla sensoristica intelligente. La potenza elaborativa è a livello locale, e per questo non risente di eventuali problematiche sulla rete.
Il sensore non si limita più a elaborare dati, ma trae delle conclusioni: azione e reazione coesistono sul sensore. È un grande passo in avanti perché grazie ad algoritmi di tipo cognitivo, il sensore “impara”: ogni volta che riceve ed elabora nuove informazioni, evolve acquisendo ulteriori competenze.
Un ambito di grande potenziale: le automobili
Vediamo ad esempio come l’EML possa contribuire a rendere le automobili sempre più sicure, performanti e rispettose dell’ambiente.
Per cominciare: i sensori intelligenti, uniti a una componente di AI, riescono a stabilire lo stato di salute del sistema elettronico, della trasmissione, della batteria dell’auto. Inoltre, utilizzano l’EML per prevedere l’autonomia residua dei veicoli elettrici con molta precisione.
Ancora più interessante è la personalizzazione: grazie alle informazioni che la sensoristica dell’automobile riceve ed elabora, l’EML è in grado di comprendere lo stile di guida e le abitudini del conducente, adattando la sua condotta in risposta a questi: ad esempio nell’utilizzo di ABS, del sistema di guida automatico o dell’assetto della macchina in generale.
Di fronte a un guidatore tendenzialmente poco attento, il veicolo maturerà la consapevolezza di dover intervenire in anticipo, mandando ad esempio un avviso o un allarme con qualche decimo di secondo di anticipo. Specularmente, la capacità del sistema di adattarsi al guidatore rende la user experience particolarmente di qualità, in ambiti come la regolazione del climatizzatore, la posizione – e il riscaldamento! dei sedili – fino alle scelte di intrattenimento.
L’ottimizzazione della prestazione dell’auto non ha ricadute positive solo nel piacere di guida: è positiva anche per l’ambiente, perché un migliore stile di guida consente di ridurre le emissioni ed è quindi più ecologico.
Come impara un’automobile
Un’automobile – o un qualunque sistema industriale – impara in diversi modi. Con apprendimento incrementale intendiamo il processo grazie al quale i sistemi si adattano sempre di più al mondo circostante: nell’esempio che abbiamo già visto, è la modalità con cui il veicolo conosce sempre meglio il guidatore e di conseguenza calibra le informazioni fornite e i tempi di reazione in base al suo comportamento.
L’apprendimento federato deriva dalla messa in condivisione e dallo scambio di informazioni ed esperienze – ad esempio all’interno di una flotta di veicoli: più sono i sensori intelligenti coinvolti nell’elaborazione, più accurata sarà la sintesi.
Inoltre, l’EML rende obsoleto il riferimento allo “storico”: il sistema continua a imparare in modo progressivo da sé, facendo riferimento alla sua stessa esperienza per emettere giudizi.
Embedded Machine Learning complemento di edge e cloud computing
L’Embedded Machine Learning è un complemento di edge e cloud computing, in grado di migliorare le prestazioni complessive di un sistema. Come abbiamo visto, Sapendo quali sono le condizioni di un sistema in un determinato momento, l’EML ci mette in grado di iniziare a prevedere cosa succederà – con la manutenzione predittiva. Il passo successivo è l’ottimizzazione delle prestazioni: sulla base delle previsioni, possiamo fornire consigli su come agire: modalità prescrittiva.
L’ultimo step è quello cognitivo: dove l’automazione avviene… autonomamente: cioè prodotti e soluzioni possono essere resi autonomi e intuitivi. Le potenzialità di questa tecnologia – e questo vale per ogni ambito dell’intelligenza artificiale – sono infinite, e siamo solo all’inizio di un percorso che rivoluzionerà il nostro rapporto con molti degli oggetti che utilizziamo.
