EO_479

DIGITAL EDGE COMPUTING 58 - ELETTRONICA OGGI 479 - GIUGNO/LUGLIO 2019 I n poco più di un decennio dalla scoperta da parte dei ricercatori di nuove tecni- che su come migliorarne l’ef- ficacia e l’efficienza, il deep learning è divenuto una tec- nologia concreta che sta alla base di diverse applicazioni che richiedono l’uso dell’intel- ligenza artificiale (IA). Molte di tali applicazioni sono ospitate sul cloud, ovvero su server potenti e ad alte pre- stazioni, in quanto, talvolta, le operazioni da eseguire pre- vedono l’uso di fonti che fan- no largo uso di dati come immagini, video e audio. I server in questione spesso si avvalgono delle presta- zioni aggiuntive degli hardware di accelerazione, che vanno dalle unità di elaborazione grafica ai dispositivi custom. Essi diventano particolarmente importanti per un processo di tipo “numerically intensive”, durante il quale si addestra una rete neurale partendo da dati nuovi. In genere il processo d’inferenza, che si basa su una rete già addestrata per valutare i dati nuovi, richiede un’elaborazione molto meno onerosa rispetto al pro- cesso di training. Ci sono anche carichi di lavoro che richiedono l’uso di fonti meno data-intensive, come le letture dei sensori dei dispositivi IoT, in cui sia la formazione sia l’inferenza possono essere eseguite su hardware con prestazioni inferiori. Di conseguenza, i progettisti di sistemi stanno riscontrando che non è necessario trasferire i carichi di lavoro nel cloud una volta addestrato il modello IA, anche se questa prassi continua per motivi quasi esclusivamente di business. È invece possibile trasferire il modello addestrato su una macchina locale, così da consentire un’elabora- zione più vicina alla fonte dei dati. I vantaggi dell’IA periferica Vi sono diversi motivi per spostare i modelli IA più vicino alla periferia (l’edge) della rete. In uno scena- rio di questo tipo la privacy e l’accettazione da parte degli utenti sono elementi che assumono una partico- lare rilevanza. Ad esempio, i consumatori che usano dispositivi come gli altoparlanti “intelligenti” nutrono preoccupazioni crescenti circa le loro conversazioni private, registrate e caricate quotidianamente su ser- vizi cloud che invece si potrebbero mantenere a livel- lo locale. Nelle applicazioni di controllo industriale, che stanno iniziando a usare l’IA per il monitoraggio delle condi- zioni dei macchinari o per l’ottimizzazione dei proces- si, le preoccupazioni circa la riservatezza dei dati di produzione renderanno necessario allo stesso modo il trasferimento del minor numero possibile di dati al cloud. Per molte applicazioni industriali i problemi sono l’affidabilità e la velocità della connessione al cloud. Parecchi sistemi, a prescindere dal fatto che si Grazie all’utilizzo dell’elaborazione dati intelligente sull’edge, il design di SmartEdge Agile di Avnet, unito alla potenza del software Brainium, minimizza il volume dei dati da trasmettere dai singoli dispositivi periferici Cliff Ortmeyer, Global Head of Technical Marketing and Solutions Development Farnell Portare l’intelligenza artificiale alla periferia della rete