EO531

ELETTRONICA OGGI 531 - gennaio | febbraio 2026 35 Tecnologia DA SMART A INTELLIGENTE Man mano che la tecnologia AI diventa più accessibile, stiamo assistendo a una democratizzazione dell’intelligenza alla periferia della rete. Si prevede che il mercato globale dell’AI periferica all’interno dei dispositivi consumer crescerà rapidamente, trainato da: un aumento della domanda di interfacce a comando vocale; una rinnovata attenzione verso la privacy e l’elaborazione locale; la proliferazione dei sensori IoT e dei sistemi di visione embedded; l’evoluzione dei processori embedded a basso consumo come i SoC Astra di Synaptics. Queste tendenze si stanno fondendo creando un’opportunità significativa di ridefinire il significato di “intelligente” nelle abitazioni, che non saranno solo connesse a Internet, ma anche consapevoli del contesto, affidabili, reattive e personalizzate. L’era dei dispositivi intelligenti non riguarda l’aspetto esterno o le funzionalità che spesso rimangono inutilizzate. Si tratta piuttosto di un’intelligenza basata sul valore aggiunto, che incorpora la conoscenza e l’interazione direttamente dove è più richiesto. Che si tratti di una lavastoviglie in grado di spiegare il suo comportamento, di un termostato che vi guida durante l’installazione o di una stampante che capisce quando chiedere più inchiostro, l’AI nel dispositivo sta rendendo queste interazioni quotidiane più semplici, più umane e molto più utili. Piuttosto che perseguire l’AI per il bene dell’AI, le applicazioni di maggior successo si concentreranno sulla risoluzione dei problemi reali degli utenti, rendendo le esperienze utente fluide e riducendo l’onere mentale dell’utilizzo della tecnologia. Con i modelli SLM, le interfacce multimodali e l’elaborazione periferica efficiente, stiamo assistendo all’inizio di un’era caratterizzata da dispositivi più intelligenti e intuitivi nelle nostre case. Da cloud a periferia di rete Storicamente, la maggior parte dei servizi basati sull’intelligenza ar- tificiale dipendeva in modo consistente dall’infrastruttura cloud. I dati venivano raccolti sul dispositivo e inviati per l’elaborazione su cloud, il quale in seguito forniva una risposta. Pur essendo efficace, questo modello presenta svantaggi critici: latenza, problemi di privacy, costi legati alla banda e dipendenza da una connessione Internet affida- bile. L’intelligenza artificiale sul dispositivo punta a cambiare questa situa- zione. L’obiettivo ora è quello di fornire un comportamento generati- vo di tipo AI all’interno dei vincoli dei sistemi embedded: bassi con- sumi, costi ridotti e risposta in tempo reale. Piuttosto che costruire un modello LLM (Large Language Model) in piena regola all’interno del- la vostra lavatrice, i produttori possono ora mettere a punto modelli compatti specifici per un dominio che assicurano l’interazione natu- rale desiderata dagli utenti, senza richiedere un viaggio di andata e ritorno da e verso il cloud. Consideriamo lo scenario comune di un apparecchio che visualizza un codice di errore criptico. Di solito, gli utenti dovrebbero consultare un manuale, chiamare un agente di assistenza o effettuare una ricer- ca nei forum online per capire cosa è andato storto. L’intelligenza ar- tificiale sul dispositivo cambia questa dinamica. Grazie ai modelli di linguaggio naturale incorporati, l’elettrodome- stico può semplicemente rispondere a una domanda come “Perché la mia lavastoviglie si è fermata?” con una spiegazione contestuale e personalizzata: “Il filtro era pieno e il ciclo si è fermato alle 23:58” Questo tipo di risposta trasparente e conversazionale migliora l’usa- bilità e riduce la frustrazione, riducendo al contempo le richieste di assistenza clienti per i produttori. Potenzialità e praticità Per fornire questo tipo di intelligenza con i vincoli di un elettrodome- stico da cucina o di un termostato, i modelli SLM offrono un percorso verso l’efficienza e le prestazioni. Questi modelli in genere compren- dono alcuni milioni di parametri, che sono notevolmente inferiori ri- spetto ai miliardi utilizzati dai modelli su scala cloud come GPT-4, ma sono ottimizzati per attività circoscritte e specifiche di un dominio. I modelli SLM non sono pensati per generare testo creativo o rispon- dere a domande di cultura generale. Per contro, eseguono una com- prensione altamente strutturata del linguaggio naturale, convertendo le richieste degli utenti in token matematici e mappandoli in un insie- me curato e predefinito di risposte. Questo processo, spesso realiz- zato utilizzando trasformatori e incorporamenti di frasi, è incredibil- mente efficiente ed evita il rischio delle “allucinazioni” osservate nei modelli LLM.