Edge computing e intelligenza artificiale sono due fra le tecnologie più promettenti e in grande crescita di popolarità. Non solo: sono anche perfettamente complementari, giustificando assieme gli investimenti in sviluppo ed implementazione. Il combinato disposto di edge e intelligenza artificiale apre scenari inediti, il cui potenziale è quasi illimitato e alla base di progetti anche molto complessi di trasformazione digitale. Per approfondire questa interessante tematica, ci siamo confrontati con gli esperti di Reply.
Dopo il primo articolo, è il momento di parlare di Edge AI e dei suoi dispositivi
La tecnologia dell’Edge AI, che implementa funzionalità basate sull’intelligenza artificiale per analizzare ed elaborare i dati direttamente vicino alla fonte, trova concretamente una sua dimensione fisica attraverso i dispositivi Edge, ovvero tutti quegli hardware che si trovano sul nodo terminale di una rete come internet, e che oggi si presentano in un’ampia gamma di prodotti in base alle diverse necessità di applicazione e requisiti di potenza.
Innanzitutto, sottolinea Giorgia Fortuna, Machine Learning Reply, va fatto un primo distinguo tra due macrocategorie di strumenti: i dispositivi Mist e i dispositivi Edge effettivi.
Rientrano nella categoria dei Mist tutti quegli hardware che non si trovano nel cloud, ma che allo stesso tempo, non sono però sufficientemente piccoli e potenti per poter essere integrati in dispositivi IoT.
L’implementazione di un circuito di controllo visivo per un robot è uno dei tanti esempi che possiamo fare per questa specifica tipologia. In generale, questi dispositivi hanno dalla loro il vantaggio di essere l’opzione migliore quando non vi sono limiti di spazio e non richiedono tecniche particolari per addestrare o implementare algoritmi di intelligenza artificiale, anche se è tuttavia necessaria una latenza ridotta al minimo per garantire gli standard di efficienza.
Giorgio Fortuna rileva che esistono poi i dispositivi Edge effettivi, che hanno l’entità di chip piccoli e potenti facilmente integrabili in oggetti comuni, ma che richiedono una particolare attenzione alle risorse disponibili quando si tratta di istruire e implementare su di essi gli specifici algoritmi di intelligenza artificiale.
A questi dispositivi corrisponde un universo di sottocategorie.
I dispositivi Edge dedicati, ad esempio, sono piccoli e poco potenti ma possono essere usati per applicazioni complesse, come il riconoscimento di oggetti in tempo reale su immagini ad alta risoluzione.
I dispositivi Edge general-purpose che a differenza dei precedenti non hanno un co-processore di AI e proprio in virtù di questa peculiarità risultano idonei solo per modelli semplici a meno che non si progetti l’implementazione di Acceleratori di intelligenza artificiale che si presentano sottoforma di chiavette USB da collegare appunto a dispositivi edge general-purpose per il potenziamento delle loro capacità.
Un’ulteriore tipologia di dispositivi è costituita dai Microcontroller che consumano molta meno energia e sono più piccoli rispetto tutti i modelli antecedenti, ma di contro presentano un insieme limitato di risorse. Per questa ragione finora su di essi non sono state usate applicazioni di intelligenza artificiale, che richiedono un’elevata potenza, ma per il prossimo futuro sarà certamente uno dei settori di ricerca più attivi con la sfida di superare i limiti riscontrabili oggi.
Ci sono poi anche dei dispositivi, particolari e costosi, pensati per applicazioni altamente specifiche, ma che richiedono un’estesa esperienza nel settore, denominati ASIC e FPGA. Infine, gli Edge TPU, progettati appositamente per l’elaborazione rapida e ad alto volume di calcoli a bassa precisione e quindi adatti specificamente per applicazioni di machine learning.
Conclude il manager di Reply, il merito dell’architettura di questi ultimi chip va a Google, che detiene la paternità del progetto, e che ne rende possibile l’utilizzo aldilà di infrastrutture Google Cloud Platform, compatibili anche per dispositivi Edge o Mist standalone.
