EMB_69

27 EMBEDDED SETTEMBRE ARTIFICIAL INTELLIGENCE | IN TEMPO REALE cazioni di business. Messaggi che han- no palesemente creato anche confusione sul tema, in questa fase evolutiva della ) & ! % fantascienza dalla realtà, va certo ricor- + ben lontana dalla capacità di costruire macchine “self-aware”, autocoscienti, consapevoli della propria esistenza e del mondo che le circonda. Oggi, ciò che ) + % , %% , )) + % - presentato da alcuni mattoni base della 04' ) % % tecnologie di apprendimento automati- co (machine learning) e apprendimento approfondito (deep learning); di algorit- mi di elaborazione e riconoscimento del linguaggio 62 /FŠ ) , ) À - & ! realizzazione di sistemi elettronici dotati di una crescente capacità computazionale, e che implica- À % > complesse. AI e reti neurali convolutive Nei sistemi embedded, l’implementazione della AI pone vincoli tecnici ardui, anche se già al momento si possono distinguere casi d’uso tipici, dove essa si trova in uno stadio di sviluppo abbastanza ini- ' )% ) - À ) )% + di apprendere, in base ai dati di utilizzo rilevati, le abitudini di chi risiede nell’abitazione, regolando di conseguenza l’illuminazione dell’appartamento in base alle aspettative degli utenti, e ottimizzan- do al contempo i consumi. Nel prossimo futuro, la crescente convergenza tra AI e sistemi embedded porterà a ottenere ampi miglioramenti, ad esempio, nel riconoscimento di immagini e video. I progressi nella tecnologia em- bedded consentiranno la creazione di dispositivi di imaging dotati di maggior compattezza e poten- za computazionale. Allo stesso tempo, lo sviluppo di algoritmi di AI avanzati permetterà l’analisi d’immagini e video in tempo reale, per conferire ai computer facoltà di riconoscimento più simili a quelle umane. Gli esseri umani hanno l’abilità di riconoscere volti diversi, di guidare un veicolo, di separare la voce di una persona dal rumore dei suoni circostanti, e ciò grazie alle capacità cogniti- , + & - ) , . + ) , À , ) & N %% 0 0! 6 - )F %% ) 22 6 % ? "F % - de” – dove l’aggettivo “profondo” si riferisce in so- )% . ) costituiscono la rete stessa – permette al sistema di riconoscere i cartelli e i segnali stradali, e rilevare la presenza di pedoni e altri veicoli. In particolare, ), 22 %% ) ) - bedded, per l’analisi d’immagini e il riconoscimento di schemi e oggetti, stanno acquistando particola- re rilevanza le cosiddette reti CNN (convolutional ? "F 22 6 % 22F + neurali convolutive profonde. Nel campo dei sistemi di sicurezza e videosorve- glianza, l’applicazione a telecamere e sensori video e audio della tecnologia delle reti neurali consente di migliorare il riconoscimento facciale, o l’identi- À % ) o la rottura di un vetro, stimolando l’attivazione di piani di risposta programmati. Ancora, le applicazioni di realtà aumentata “real- time” su dispositivi mobili alimentati a batteria % , À . % mentre, nell’ambito delle applicazioni retail, i chioschi multimediali possono utilizzare il deep % % % . % À dei consumatori nel punto vendita, in base al rico- ) À . La seconda generazione di TPU introdotte da Google per accelerare gli algoritmi di machine learning 63 ' blog Google)