EO_479

DIGITAL EDGE COMPUTING 61 - ELETTRONICA OGGI 479 - GIUGNO/LUGLIO 2019 tensità delle vibrazioni potrebbe non indicare un pro- blema, ma essere semplicemente la conseguenza del processo. Tuttavia, un pattern di movimenti nei dati di serie temporali, abbinato a rapide variazioni nella temperatura, può indicare la presenza di un problema che rende necessario un intervento di manutenzione. Tali differenze possono essere messe in luce dalla se- parazione dei dati in cluster di facile differenziazione, quando i dati sorgente, se usati direttamente, non mo- strano un pattern chiaro. Un sistema di apprendimento automatico non sogget- to a supervisione è in grado di rilevare pattern nelle combinazioni delle letture dei sensori, che si possono usare per ridurre la quantità di dati immessi in un algo- ritmo soggetto a supervisione che sia stato addestrato in merito alle macchine che lavorano sotto vari tipi di sforzo e in stati di riparazione differenti. Poiché il clu- stering contribuisce a ridurre la quantità di dati che occorre trasferire, un pattern di progettazione utile per l’implementazione nei sistemi IoT consiste nell’e- seguire tale attività nel nodo del dispositivo. Il modello derivante dall’apprendimento soggetto a supervisione è eseguibile sul gateway o persino nel cloud, a secon- da dei compromessi tra latenza, prestazioni e costi. Portare l’Intelligenza Artificiale alla periferia Un fattore importante da tenere in considerazione in merito al machine learning come tecnologia è il fat- to che la sua implementazione spesso richiede cono- scenze ed esperienza approfondite al fine di sfruttare al massimo le varie forme di IA disponibili. Octonion ha sviluppato una soluzione software per questo pro- blema, la quale è integrata nel dispositivo SmartEdge Agile di Avnet: consentire agli ingegneri di sviluppare soluzioni IA per sistemi IoT che offrano una significa- tiva elaborazione periferica senza ricorrere ad assi- stenze costose o acquisire competenze approfondite. La soluzione è eseguita a tre livelli: dispositivo, gate- way e cloud. L’hardware del dispositivo, Avnet Smar- tEdge Agile, è un nodo sensore autonomo a bassa potenza. Il dispositivo offre accesso a diversi tipi di sensori, tra cui accelerometro, giroscopio e magne- tometro, oltre a sensori per la misurazione della pres- sione, della temperatura, dell’umidità e della pros- simità. È disponibile un microfono per registrare gli input audio. L’hardware del sensore intelligente comunica con un gateway locale per mezzo di BLE. Le versioni che supportano altre tecnologie di rete orientate all’IoT, come LoRaWAN, SigFox, cellulare e WiFi, sono in via di sviluppo. Il modulo gateway è in grado di assume- re il formato di un dispositivo smart Android o iOS; in alternativa, il software gateway è eseguibile su un dispositivo Raspberry Pi o su una piattaforma Linux simile in grado di fornire accesso al cloud. È possibile distribuire il cloud su soluzioni server AWS , Microsoft Azure o personalizzate. La coordinazione dei vari livelli è fornita tramite l’am- biente software Brainium di Octonion, il quale offre supporto edge-to-cloud in un ambiente che non richie- de lo sviluppo di codice. La sicurezza riveste un’im- portanza essenziale per l’intera distribuzione delle ap- plicazioni IoT e rappresenta un elemento importante del sistema, al fine di proteggere la privacy dei dati usati per addestrare i modelli oltre che per l’inferen- za. Il sistema sviluppato da Brainium si avvale della crittografia AES implementata in hardware, oltre che di un’archiviazione delle chiavi crittografiche a prova di manomissioni basate sull’hardware, al fine di pro- teggere i dati non appena sono stati letti dall’MCU nel dispositivo Avnet SmartEdge Agile. Anche le immagi- ni del firmware usate dai dispositivi per l’esecuzione delle funzioni IA sono crittografate con convalida della firma digitale. Quando i dati sono inviati, i canali di comunicazione applicano la crittografia TLS per pro- teggere i messaggi dalla visualizzazione da parte di potenziali intrusori nel passaggio dall’edge al cloud. L’ambiente software Brainium di Octonion offre una combinazione di machine learning con e senza super- visione. Ad esempio, è possibile addestrarlo in merito alle anomalie nella rappresentazione delle serie tem- porali dei dati grezzi dei sensori. Inoltre, raggrupperà i dati dei diversi scenari al fine di identificare pattern comuni. È possibile inserire tali dati in un builder di modello flessibile all’interno del software AI Studio, così che gli sviluppatori possano affinare il modello sulla base del caso di utilizzo desiderato. Durante il processo di apprendimento, il dispositivo raccoglie campioni di dati, li protegge ed effettua la criptazione prima di trasmetterli al software AI Studio in esecuzione nel cloud. Il software apprende dai cam- pioni al fine di generare modelli IA, che ritrasmetterà al dispositivo periferico per l’inferenza. I dispositivi inclusi nell’hardware che deve essere installato del cliente possono ricevere il modello IA e funzionare in modalità indipendente, ai fini del monitoraggio e dell’a- nalisi. L’ambiente che ne risulta è coerente dalla pro- totipazione fino alla produzione su scala industriale. Per quanto riguarda la distribuzione, i clienti possono usare l’hardware SmartEdge Agile di Avnet pronto per l’uso o affinare la progettazione da usare nelle loro im- plementazioni. Grazie all’utilizzo dell’elaborazione dati intelligente sull’edge, il design di SmartEdge Agile di Avnet, unito alla potenza del software Brainium, mini- mizza il volume dei dati da trasmettere dai singoli di- spositivi periferici. Una volta effettuato il trasferimento al cloud, il sistema godrà di elevati livelli di sicurezza. Il risultato è un sistema che offre tutti gli strumenti ne- cessari per lo sviluppo e l’installazione in tempi brevi dei sistemi con tecnologia IA.