Il machine learning centralizzato in cloud è una soluzione a molti problemi ma non a tutti: per gli ambienti con un elevato grado di autonomia l'intelligenza deve essere distribuita e dinamica
Le soluzioni di
intelligenza artificiale promettono di essere pervasive nella digitalizzazione delle imprese e anche del mondo consumer. Gli algoritmi di
machine learning troveranno il loro ruolo in una gamma ampia di applicazioni, che spaziano dall'assistenza agli operatori umani all'automazione industriale, dal marketing alle Smart Home. Per i vari volti di questa evoluzione, molti puntano sul cloud come "mente" centralizzata da cui si erogano funzioni cognitive verso la periferia.
Questa visione è già realtà. Molti provider generalisti e diversi altri specializzati, ad esempio in ambito industriale, offrono
piattaforme cloud per l'addestramento degli algoritmi di machine learning. L'utente usa i suoi dati per addestrare gli algoritmi, che poi sono implementati in dispositivi locali che vanno dal classico server sino a device più mirati e, in campo consumer, persino smartphone con chip specifici per l'AI.
Questo modello segue il
principio "storico" dell'edge computing, in cui i dispositivi alla periferia della rete hanno soprattutto un ruolo di concentrazione e filtro dei flussi dati verso il cloud. La rete
ha una gerarchia che "sale" allontanandosi dalla periferia, con la massima capacità di elaborazione posta proprio al centro. Idealmente, nei data center dell'azienda utente o dei suoi cloud provider. Nella vecchia concezione edge computing è solo in condizioni particolari, ad esempio quando c'è una elevata probabilità di dover operare scollegati dal cloud, che i dispositivi edge devono essere particolarmente prestanti.
Se consideriamo in modo specifico gli ambienti di machine learning e intelligenza artificiale, esiste però un modello alternativo - spesso indicato come
Edge AI - che ribalta l'approccio e pone la
periferia della rete come luogo ideale dove generare e applicare funzioni cognitive. L'opinione di molti tecnici ed analisti è che in futuro il cloud in senso stretto, centralizzato, sarà indicato per l'esecuzione di workload relativamente standardizzati che hanno bisogno di scalabilità delle risorse.
L'edge computing sarà diverso, molto più dinamico e personalizzato perché ciascun ambiente periferico ha esigenze e connotazioni sue proprie.
Non si tratta di una distinzione netta. Ad esempio gli ambienti di
Smart Home sono applicazioni di edge computing che però hanno una certa standardizzazione, in funzione delle funzioni e dei dispositivi che una determinata soluzione supporta. Al contrario, nel
mondo industriale il machine learning può essere applicato a contesti talmente diversi che difficilmente la centralizzazione su una piattaforma unica, per quanto mirata e ricca di funzioni, possa garantire da sola l'elasticità necessaria.
A guardare i vari modelli proposti per l'Edge AI si capisce che il
machine learning localizzato all'edge della rete è diverso da quello centralizzato. In un ambiente che deve essere il più possibile autonomo non ci sono data scientist che addestrano modelli di AI predittivi. Questi devono "emergere" automaticamente dai dati raccolti localmente, affinandosi in un processo di prova-errore continuo. In alcuni casi sarà opportuno, per sicurezza, che questi modelli "spontanei" siano
validati dal personale umano prima di essere effettivamente applicati.
Questo approccio tra l'altro
contiene il problema del "bias" degli algoritmi di AI. Quelli che operano in un dato luogo sono frutto dei dati generati in quel luogo stesso, quindi sono il più ottimizzati possibile per quell'ambiente. Altri modelli, più generalisti, si possono comunque addestrare al centro della rete sulla base di dati raccolti ovunque.
Ancora una volta, va sottolineato che l'Edge AI e l'AI in cloud "classica" non sono in contrapposizione e saranno, presumibilmente, affrontate in modo mirati dagli stessi grandi provider. Anche se, sottolineano diversi analisti, proprio la
diversificazione delle applicazioni edge potrebbe lasciare aperto il campo a software house e service provider con una specializzazione molto verticale, dotate di competenze molto profonde su alcuni settori. Industria, agricoltura e automotive sono i primi che vengono alla mente.
Se questo articolo ti è piaciuto e vuoi rimanere sempre informato con le notizie di
ChannelCity.it iscriviti alla nostra
Newsletter gratuita.