EON_592

EON

ews

592

dicembre

2015

learning genera anche i con-

sulenti elettronici e gli assi-

stenti virtuali personali (VPA,

virtual personal assistant),

simili a Google Now, Cortana

di Microsoft e Siri di Apple,

che sono da considerare i

precursori di quelli che diven-

teranno gli “agenti autonomi”.

Le reti digitali e le macchine

intelligenti richiedono archi-

tetture di calcolo molto inten-

sivo, architetture neuromorfi-

che con boost ultraefficienti e

ad alta potenza. Grazie alla

tecnologia sottostante basa-

ta su FPGA, queste archi-

tetture neuromorfiche sono

molto vantaggiose; sono in

grado di girare a velocità su-

periori al teraflop con un’e-

levata efficienza energetica.

“I sistemi costruiti su GPU e

FPGA funzioneranno sem-

pre più come cervelli umani

-ha detto Cearley, cosa che

li renderà particolarmente

adatti per essere applicati nel

deep learning (apprendimen-

to approfondito) e negli algo-

ritmi per il rilevamento della

forma (pattern matching)”, ad

esempio l’impronta del dito

che viene utilizzata da molte

smart machine. “L’architet-

tura basata su FPGA con-

sentirà la distribuzione degli

algoritmi in fattori di forma

più piccoli, con una conside-

revole riduzione del consumo

elettrico; in questo modo le

capacità avanzate di machi-

ne learning potranno prolifi-

care nei più piccoli terminali

IoT all’interno delle case,

nelle automobili ma anche

negli orologi da polso, in altri

dispositivi indossabili e addi-

rittura nell’essere umano”.

Andrew Bickley, Technol-

ogy Marketing director di

Arrow EMEA

Vi sono necessità e urgenza

di sviluppare rapidamente

soluzioni di machine lear-

ning, altrimenti, come teme

Intel

, entro il 2018 metà di

tutte le reti installate sarà

intasata dall’esplosione dei

dati digitali provocata dall’In-

ternet delle Cose (IoT). Il solo

sviluppo rapidissimo dei sen-

sori genererà un’immensità

di dati che andranno gestiti.

I concetti di apprendimen-

to e risposta autonoma si

comprendono bene confron-

tandosi con le applicazioni

che già sono disponibili sui

laptop, che eseguono ricer-

che web e inviano consigli di

azione sulla base delle pre-

ferenze dell’utente. Anche

nel machine learning le mac-

chine sapranno riconoscere

i dati necessari e non per-

deranno tempo nell’elabo-

razione di dati inutili. Questi

concetti richiedono evidente-

mente delle soluzioni softwa-

re molto complesse e algorit-

mi intelligenti. I cambiamenti

questo l’ambiente in cui

saremo sempre più immer-

si, come viene descritto

Gar tner

nel suo rap-

porto che individua i più

importanti trend tecnolo-

gici per l’anno successi-

vo, di cui “Top 10 Strategic

Technology Trends 2016” è

quello pubblicato lo scorso

ottobre.

Si assisterà a una espansio-

ne dei terminali IoT, afferma

Gartner, da cui accedere a

informazioni e applicazioni

o da cui interagire con per-

sone e social communities,

con i mondi del business e

dell’amministrazione locale e

statale. L’intreccio compren-

de dispositivi mobili, indos-

sabili, elettronica di consumo

e domestica, automotive e

device ambientali, come ad

esempio sensori collegati

all’IoT. Ne consegue che “il

disegno di applicazioni ‘mobi-

le’ si conferma un importante

focus per il mondo dell’im-

presa” ha detto David Cear-

ley, vice president di Gartner

presentando il report.

È un design che deve esse-

re capace di far fluire l’espe-

rienza attraverso vari device

senza che l’utilizzatore ne

avverta il passaggio; questa

è la sfida che accompagnerà

i vendor di software da qui al

2018”.

Per quanto riguarda l’ambito

delle macchine, l’elettronica

dovrà confrontarsi con evo-

luzioni non da poco. Si sta

passando a quello che viene

chiamato machine learning

avanzato, cioè la capacità

delle reti neurali (DNN deep

neural net) di andare oltre il

classico computing e gestio-

ne dell’informazione, per cre-

are invece sistemi che pos-

sono apprendere a percepire

il mondo in modo autonomo.

Tutto ciò è estremamente

utile per potere governare

l’esplosione di dati e informa-

zioni con una gestione che

sia più efficace e meno one-

rosa di quella attuale.

Il machine learning origina

un ampio spettro di realizza-

zioni, inclusi i robot, i veicoli

e altri hardware autonomi,

che stanno entrando in una

fase di crescita. Il machine

eport

Un intreccio di dispositivi nel mondo di Internet

e machine learning sempre più esteso

2016:

le sfide

per l’elettronica

rancesca

randi

Fonte: Gartner