EMB_69

29 EMBEDDED SETTEMBRE ARTIFICIAL INTELLIGENCE | IN TEMPO REALE le secondo le quali cia- scun nodo decide quale informazione trasmette- re sulla base degli input ricevuti, le reti neurali adottano diversi princi- pi, tra cui le metodologie , ) , - goritmi genetici. Più capacità di astrazione con il deep learning Come accennato, le reti neurali possono essere descritte valutando il loro livello di profondità, in termini di strati di nodi di elaborazione esistenti tra l’ingresso (input) ini- 6 % F À ' % 6 22F % % % ) ) di apprendimento sopra descritti, costituiscono le fondamenta delle tecniche di deep learning, che si À ) % - À & A differenza del tradizionale machine le- arning, che in genere utilizza algoritmi lineari, il deep learning riconosce schemi nei dati forniti, ap- plicando un modello di apprendimento non lineare % . ' reti di deep learning, ogni strato di nodi apprende da un insieme di caratteristiche ottenuto sulla base degli output forniti dallo strato precedente; e, più si va in profondità nella struttura gerarchica della rete neurale, più sono complesse le caratteristiche che i nodi riescono a riconoscere, avendo aggregato e ricombinato i dati e le conoscenze provenienti dai % & 4 ) 22 accrescere la propria capacità di astrazione. AI e semiconduttori: servono sistemi elettronici più evoluti Nelle applicazioni embedded, la tecnologia e gli al- goritmi di deep learning rappresentano uno stru- mento chiave per progettare, ad esempio, veicoli a ) % > À , ) = macchina più intelligenti e naturali. Ma, dal pun- to di vista tecnico, tutto ciò richiede, oltre a molta memoria disponibile, un’elevata capacità compu- tazionale, che di conseguenza genera alti consumi & 22 ) À - teristiche e schemi a partire da immagini, video, audio, testi, ma in genere richiedono computer delle dimensioni di laptop, o attrezzature appar- tenenti ai sistemi di supercalcolo, che usano an- </</ 6 =% % % % unit). Tuttavia l’esigenza crescente, da soddisfare in diversi casi d’uso, ad esempio in campo militare ) + % di ridurre in maniera notevole le dimensioni e il peso del sistema di elaborazione, per ottimizzare !S / 6 ? % ? F penalizzare la capacità di mantenere alte presta- zioni. Per affrontare la complessità d’implemen- tazione delle reti neurali convolutive (CNN), i % 3/<0 6À =% )) , F 0!4 6 %% = % À F collocano tra le piattaforme hardware prometten- ti. Gli ingredienti tecnologici necessari per vincere À ) À di reti neurali e deep learning devono però prove- % > & %% algoritmi di appredimento approfondito ottimiz- zati per i problemi tipici dei sistemi embedded. ) % %% ! 6 )= = = %F ottimizzati per supportare la produzione a costi accettabili di elevati volumi di supercomputer em- bedded. A tutto ciò va poi aggiunta l’esigenza di studiare per i dispositivi embedded nuovi blocchi di IP hardware, architetture di memoria e sistemi d’interconnessione più evoluti. Un’applicazione della tecnologia di deep learning nei sistemi embedded automotive 63 ' press site Neurala)