EMB_90

EMBEDDED 90 • NOVEMBRE • 2023 23 MACHINE LEARNING | IN TEMPO REALE Apprendimento automatico alla periferia della rete: le considerazioni chiave per sviluppare un progetto sostenibile Numerosi sistemi embedded, in particolare quelli utilizzati nelle installazioni IoT (Internet of Things) ubicate alla periferia della rete (edge), integrano algoritmi di apprendimento automatico (ML - Machine Learning). Mark Patrick, responsabile del Technical Marketing per la regione EMEA di Mouser Electronics, condivide alcuni spunti e riflessioni sugli approcci che gli sviluppatori dovrebbero adottare per i progetti di questo tipo Alessandro Nobile EMB: Quali sono i vantaggi legati all’esecuzione degli algoritmi di apprendimento automatico alla periferia della rete? Mark Patrick: Il processo inferenziale alla periferia si è diffusomolto rapidamente. Ciò è in parte dovuto alla dispo- nibilità di una nuova gamma di microcontrollori a bassis- simo consumo equipaggiati con acceleratori per reti neura- li e ai vantaggi, in termini di costi, derivati dalla possibilità di eseguire inferenze a livello locale, invece di inviare i dati al cloud. In primo luogo, è necessario tener presente che non tutte le applicazioni consentono di effettuare inferenze alla periferia, essenzialmente a causa dei requisiti operati- vi richiesti o della complessità delle reti neurali. Tuttavia, esistono parecchie applicazioni per le quali l’inferenza pro- dotta localmente rappresenta l’opzione più pratica e van- taggiosa in termini di costi. Gli assistenti vocali integrati negli smartphone sono una realtà nota e ampiamente dif- fusa. Essi usano una parola o una frase di attivazione per richiamare una registrazione audio che viene inviata al cloud per effettuare l’inferenza. Per un sensore IoT, inve- ce, la connettività su base continuativa (always-on) risulta