Machine learning on the Edge

9 Luglio, 2020
Machine learning on the Edge

L’Intelligenza Artificiale (IA) sta assumendo connotati che fino a qualche anno fa sembravano impensabili. In virtù dei progressi raggiunti in ambito computazionale, la teoria alla base di differenti tecniche di IA sta trovando sempre più applicazioni in svariati settori. In particolare questo vale per la branca di IA nota come Machine Learning (ML), in cui recenti evoluzioni trattano il tema da punti di vista Embedded ed Edge Computing. Infatti, a tal proposito, sono diverse le piattaforme di sviluppo presenti sul mercato e preposte ad applicazioni di ML (es. NVIDIA, Intel, Raspberry, etc.).

La tematica risulta essere di estremo interesse laddove rientrano processi decisionali stabiliti da sistemi di controllo e supervisione. Infatti, se fino a qualche anno fa tali sistemi venivano progettati partendo dalla determinazione di modelli matematici, fisici e/o semi-fisici, con l’evoluzione tecnologica raggiunta e la crescente complessità dei processi da supervisionare, risulta essere estremamente complicato, se non impossibile, determinare tali tipi di modelli. Per questo, con il quantitativo di dati a disposizione, laddove un processo e/o un sistema non sia modellabile fisicamente, il trend prevede di identificare modelli descrittivi complessi basati su tecniche di ML molto affidabili.

A febbraio, un gruppo costituito da ricercatori di Google, Microsoft, Qualcomm, Samsung e diverse Università americane si è riunito a San Jose, in California, per discutere di un tema molto sfidante: portare il ML sempre più a basso livello, utilizzando microprocessori su sensori e sistemi embedded alimentati a batteria. L’evento si chiama “Tiny ML Summit” e il suo obiettivo è capire come far funzionare algoritmi di apprendimento su processori sempre più piccoli, al fine di implementare nuove applicazioni per i dispositivi di futura generazione, con uno sguardo rivolto alla tutela della privacy ed a minori consumi energetici.

E’ chiaro che questo trend è in realtà cominciato da qualche anno, se si pensa agli smartphone di recente generazione che includono funzionalità di IA, principalmente applicate sulle immagini scattate mediante fotocamera. Ciò nonostante il set di funzionalità è molto limitato ma, da un punto di vista di marketing ha avuto successo, anche in virtù del trend associato alla condivisione di immagini accattivanti sui social networks.

Ma la community di Tiny ML ha obiettivi diversi. Si immagini di includere un modello ML in grado di separare automaticamente qualsiasi tipologia di rumore di fondo, durante una conversazione in cui un interlocutore con problemi di udito utilizza un apparecchio acustico. Se non si riuscisse ad inserire l’algoritmo sul chip dell’apparecchio, allora sarebbe necessario stabilire una connessione wireless ad un cloud su cui gira il modello. Sarebbe più efficiente e sicuro eseguire tale modello sull’apparecchio stesso o su un sistema wearable preposto allo scopo.

Analogo discorso vale per la classificazione di dati mediante dispositivi edge alimentati a batteria. Ad esempio, stando a quanto dichiarato da Jags Kandasamy, CEO di Latent AI, il cui slogan è “Adaptive AI for Smarter Egde”, l’utilizzo di algoritmi di ML su tiny devices può trovare svariate applicazioni in ambito realtà aumentata e virtuale, utilizzando dei visori intelligenti. Tali visori, non solo dovranno essere in grado di classificare i dati ma anche di comprimerli, al fine di evitare eccessive ridondanze da elaborare su sistemi in cloud. Infatti, Kandasamy dichiara: “If you’ve already seen 10 Toyota Corollas, do they all need to get transferred to the cloud?”

Inoltre, una classificazione on-device che utilizzi l’Edge Computing per filtrare e ridurre il quantitativo di dati da trasferire su cloud, consente di impiegare meno banda e limitare i consumi energetici.

Analoghi discorsi possono essere applicati su qualsiasi sistema di controllo elettronico ed in svariati settori; si pensi ad automobili, treni, aeroplani ed alla domotica.

Dunque, tematica interessante e sfidante, i cui risultati come cantava Battisti “li scopriremo solo vivendo”.

Enrico Landolfi