EO_479

59 - ELETTRONICA OGGI 479 - GIUGNO/LUGLIO 2019 trovino in un’officina o in un luogo remoto, non possono contare sul- le connessioni a banda larga necessarie per supportare l’inferenza basata su cloud. I sistemi di controllo, inoltre, sono influenzati in modo negativo dall’elevata latenza delle comunicazioni. Se si utilizzano modelli IA in sistemi di controllo a ciclo chiuso, i ritardi nella ricezione di un ag- giornamento dal cloud causeranno imprecisioni e instabilità. Alcuni sistemi possono avvalersi di un mix di elaborazione cloud e locale. Ad esempio, le videocamere di sorveglianza preservano la banda di rete identificando le minacce immediate a livello locale, ma ricorro- no poi al cloud per l’elaborazione addizionale per quelle situazioni che i modelli locali non sono in grado di gestire. L’utilizzo dell’IA alla periferia della rete, inoltre, consente anche un significativo incremento della durata della batteria, dato l’invio di una quantità decisamente ridotta di dati con costi minori per la rete e il cloud. L’applicazione dell’IA nella manutenzione predittiva La manutenzione predittiva è attualmente il caso di utilizzo più noto per le applicazioni dell’industria connessa alla rete in quanto, grazie alla sua capacità di ridurre la frequenza di ispezioni in sede, assicu- ra un elevato ritorno sugli investimenti. È inoltre possibile ridurre i tempi di fermo dei macchinari attraverso l’identificazione accurata del tempo di vita utile residuo di un componente, così da poterne al massimo la durata operativa senza rischio di guasti durante il fun- zionamento. La previsione della durata di vita utile sulla base dei dati operativi contribuisce anche a ottimizzare i piani di manuten- zione e a identificare i requisiti corretti dei pezzi di ricambio. I clienti che si avvalgono della manutenzione predittiva stanno già benefi- ciando di un incremento dell’efficienza compreso tra il 20 e il 25%. Grazie alla manutenzione predittiva, i sensori di un macchinario sono in grado di rilevare le variazioni di temperatura accompagnate da un incremento di rumore o vibrazioni attraverso una combina- zione di microfoni e accelerometri, e di identificarlo come sintomo di un potenziale problema. Con gli algoritmi tradizionali, può essere molto difficile correlare le combinazioni delle letture dei sensori in tempo reale ai problemi. I modelli basati sull’IA sono in grado di in- terpretare i dati delle serie temporali unitamente agli input in tempo reale, così da stabilire in modo preciso lo stato di salute del siste- ma. Tali modelli possono beneficiare di tecniche come la “sensor fusion”, al fine di stabilire se la situazione rende o meno necessario un intervento di manutenzione. I requisiti di complessità e latenza determineranno la fattibilità dell’utilizzo del modello a livello locale. Dal cloud al gateway o all’edge: approcci all’elaborazione locale Ci sono due approcci all’elaborazione locale: il primo consiste nello sfruttare la potenza di elaborazione del dispositivo. Se ciò sia fattibi- le o meno dipende dalla complessità del modello IA e dalla potenza di elaborazione disponibile. Nel caso di nodi sensore a bassa poten- za, non sarà possibile utilizzare un modello di deep learning di gran- di dimensioni neanche per la semplice inferenza; tuttavia, poiché gli DIGITAL EDGE COMPUTING