EO_448

52 / 102

DIGITAL BIG DATA
52 - ELETTRONICA OGGI 448 - SETTEMBRE 2015
che viene oggi definito come “machine
learning”.
In base a quanto fin qui schematizzato,
è possibile delineare quale può essere
una tipica sequenza di passi necessari
per attuare una corretta analisi e com-
prensione dei dati nell’ambito di quella
che viene comunemente definita la “data
science”. Il flusso di lavoro risultante po-
trebbe essere quello visibile in figura 1.
Per avere un’idea della mole di dati oggi
disponibile, si tenga conto che il volume
di dati digitali a livello mondiale eviden-
zia una crescita di tipo esponenziale,
pari a un incremento del 40-50% annuo
(Fig. 2). Si può affermare che il 90% dei
dati digitali che sono oggi in circolazio-
ne equivale a tutti i dati prodotti nei due
anni precedenti.
Data science e chip-maker
Vi è chi ritiene che, oggi, il rapido incremento dei dati digitali
costituisca un fattore di crescita tecnologico ampiamente sot-
tostimato, nel senso che i cosiddetti “connected devices” (dagli
smartphone ai tablet, dai “wearable” ai dispositivi per la comu-
nicazione dati nell’automobilistica, dalle webcam agli apparati
per telecomunicazioni) sono destinati a crescere dai 15 miliardi
attuali ai 50miliardi del 2020 (Fonte: ). Ed è anche grazie alla
diffusione e all’invasività di questi dispositivi che si deve il rapido
incremento nella mole dei dati oggi disponibili.
Molte sono le società di semiconduttori
presenti direttamente e indirettamente
nella realizzazione di componenti elet-
tronici utilizzati nei “connected devices”,
ovvero nei dispositivi che rientrano nel
concetto di IoT (Internet of Things). Si va
infatti dai microcontrollori ai dispositivi
per la comunicazione, dai processori
per segnali digitali ai sensori, dai display
alle memorie ad alta densità, dalle Dram
alle Flash.
Al di là dei chip utilizzabili nel settore
della IoT, comunque, vi sono dei dispo-
sitivi progettati per essere impiegati
specificatamente nel “big data proces-
sing”, e non si tratta solo di architetture
multiprocessore oppure di soluzioni di
memoria per l’accesso a grandi quantità
di dati, ma di chip di tipo programmabi-
le con architetture progettate ad hoc. Si
tratta delle logiche configurabili a eleva-
tissima densità (spesso denominate “Programmable System on
Chip”) quali quelle prodotte ad esempio da e Xilinx.
Il ruolo delle logiche programmabili
Recente è ad esempio l’accordo fra Altera e Baidu (il maggior
motore di ricerca online cinese) per l’impiego degli FPGA di Al-
tera e degli algoritmi CNN (Convolutional Neural Network) per
le applicazioni di “deep learning” focalizzate all’ottenimento di
ricerche online più accurate e più veloci. Il risultato di tale colla-
borazione è stato mostrato all’HPC dello scorso settembre a New
York, in relazione a compiti di classificazione e riconoscimento
di un elevato numero di immagini, quindi in un tipico ambito di
“heterogeneous computing”.
Si è constatato infatti che degli FPGA
(Field Programmable Gate Array) appo-
sitamente progettati e ottimizzati sono in
grado di permettere l’esecuzione degli
algoritmi CNN in maniera decisamente
più veloce rispetto ai processori tra-
dizionali, consentendo operazioni di
parallel-processing di elevata efficien-
za. I dispositivi ottimizzati per impieghi
di questo tipo sono gli FPGA Stratix V
(Fig. 3) e Arria 10 a cui faranno seguito
gli Stratix 10 e i nuovi SoC (System-on-
Chip) programmabili fabbricati utiliz-
zando il processo Intel Tri-Gate da 14
nanometri, che integrano logica riconfi-
gurabile, blocchi di IP, aree di memoria,
processori DSP e transceiver da oltre 28
Gbps. La stessa Altera ha altresì in esse-
re accordi con e per un
progetto di accelerazione degli algorit- Fig. 5 – FPGA Xilinx della serie UltraScale Zinq-7000
Fig. 4 – Architettura dell’approccio “heterogeneous multiprocessing” di Xilinx