EO_479

DIGITAL EDGE COMPUTING 60 - ELETTRONICA OGGI 479 - GIUGNO/LUGLIO 2019 algoritmi di apprendimento automatico sono in grado di assumere diverse forme, potrebbe non essere ne- cessario eseguire tale compito oneroso esclusivamen- te a livello locale. La seconda opzione consiste nel trasferire, in parte o completamente, l’elaborazione a un altro dispositivo. Quest’ultimo, ad esempio, può eseguire un modello IA semplificato responsabile dell’analisi iniziale dei dati. Nel caso dei sistemi di sorveglianza destinati a rileva- re le attività, tale modello può semplicemente stabilire se il segnale è costituito da un rumore di fondo, come il vento, oppure se è da ascrivere a un intruso che passa nelle vicinanze o al rumore improvviso di una finestra rotta. È possibile trasferire le funzioni più complesse a un gateway che raccolga i dati provenienti da diverse videocamere o altri dispositivi di sicurezza. I disposi- tivi possono svolgere una sorta di pre-elaborazione al fine di ottimizzare il lavoro del modello del gateway. Soluzioni hardware efficienti, come i dispositivi logici programmabili di Xilinx ospitati sulla piattaforma Ul- tra96 di Avnet , sono in grado di svolgere l’inferenza sulla base di modelli sofisticati di deep learning e al- tri algoritmi di apprendimento automatico complessi. Il gateway locale può persino aggiornare il modello raccogliendo i dati ed eseguendo l’addestramento in lotti quando il carico di lavoro d’inferenza è ridotto. In alternativa, il gateway è in grado di raccogliere dati importanti per la ri-formazione e trasferirli a un ser- ver sul cloud con frequenza giornaliera, settimanale o mensile. L’IA integrata nel dispositivo assicura la latenza più bassa nelle comunicazioni. Tuttavia, la velocità di ela- borazione più rapida di un gateway locale è in grado di garantire risultati migliori rispetto a un processore dalle prestazioni ridotte e offrire i migliori parametri di latenza e produttività. Il trasferimento al cloud si ba- serà su fattori come l’ampiezza di banda disponibile nella connessione a Internet e la distanza dai server stessi: la velocità finita della luce impone un limite sul minimo valore di latenza nel caso in cui si utilizzi il cloud per i carichi di lavoro di inferenza. Opzioni sulle tecnologie di apprendimento Lo sviluppatore può scegliere tra vari tipi di modello da impiegare per una data applicazione. I primi modelli IA si avvalevano di strutture come al- beri decisionali o sistemi esperti che richiedevano un impegno significati- vo da parte degli specialisti dei vari domini al fine di correlare le combina- zioni di input alle cause probabili e ai risultati. L’apprendimento automatico ha po- tenziato gli alberi decisionali renden- do possibili tecniche come le foreste casuali (random forest), composte da molti alberi di decisione. Tale ap- proccio consente di creare diversi alberi decisionali partendo dai dati di formazione e di applicare i sud- detti in parallelo al calcolo di una media che rappre- senta il risultato più probabile sulla base dei dati. Una foresta casuale è un esempio di un sistema di appren- dimento soggetto a supervisione, in quanto correla i dati forniti dagli sviluppatori dei sistemi agli input, sulla base dei quali il modello di apprendimento auto- matico impara le relazioni. Il deep learning è un altro esempio di una tecnologia di apprendimento soggetto a supervisione, in quan- to si basa su dati di formazione precedentemente eti- chettati. In un sistema di classificazione delle immagi- ni, ad esempio, il modello riceve i dati dell’immagine e li applica a un livello di neuroni simulati. Gli output dal primo livello di neuroni sono trasmessi successi- vamente a diversi altri livelli. Alcuni di essi combinano gli output di diversi neuroni del livello precedente, al fine di produrre un singolo valore trasmesso al livel- lo successivo. In tal modo, le reti neurali “profonde” eseguono la riduzione delle dimensioni, una fase es- senziale quando si convertono dati multidimensionali complessi, come immagini o audio, in un formato uti- lizzabile per fornire una classificazione finale. La rete neurale è in grado di eseguire la classificazione, in quanto apprende in che modo diverse disposizioni dei coefficienti dei livelli neurali rispondono alle varie im- magini, e fornisce output corrispondenti alle etichette di addestramento. L‘addestramento di un modello di apprendimento au- tomatico non deve necessariamente basarsi solo sui dati etichettati. Gli algoritmi sull’apprendimento auto- matico non soggetto a supervisione, come il cluste- ring, sono in grado di rilevare pattern nei dati senza ulteriore assistenza. Tale processo può rivelarsi molto utile nei sistemi di controllo industriale, in cui ci si av- vale di diversi sensori, o in cui il comportamento della serie temporale degli input è importante. Nel caso del monitoraggio delle condizioni di un macchinario, l’in- SmartEdge Agile, un dispositivo IoT a bassa potenza e pronto all’uso, sviluppato grazie alla collaborazione tra Avnet, Octonion e ST Microelectronics