Con il diffondersi sempre più rapido e pervasivo dell’Internet of Things, l’Edge AI che ne amplia e rafforza l’uso, si afferma come una delle declinazioni più importanti dell’Intelligenza Artificiale. Chi ne conosce le potenzialità non resterà stupito di trovarla sul “Peak of Inflated Expectation” dell’Artificial Intelligence Hype Cycle di Gartner. Se nell’edizione del 2019 stava per abbandonare la fase dell’Innovation Trigger, raccogliendo grandi entusiasmi e tante aspettative, nel giro di 12 mesi è già nella fase discendente del “picco”, quella in cui il più delle volte accade che l’eccitazione iniziale scemi di fronte alla delusione delle attese troppo alte per una tecnologia non abbastanza matura. Questo non deve scoraggiare gli entusiasti per l’Edge AI e nemmeno allontanare imprese e investimenti perché, sempre secondo Gartner, raggiungerà il Plateau of Productivity entro massimo 5 anni prendendo piede stabilmente una volta risolti errori e imprecisioni e migliorata l’affidabilità. Vale quindi la pena di approfondire le caratteristiche di ciò che è definito la combinazione tra edge computing e intelligenza artificiale, in grado di eliminare i tempi di inattività che emergono quando si eseguono processi di AI basandosi sul cloud, consentendo agli utenti di gestirli da dispositivi intelligenti capaci di reagire rapidamente agli input senza trasmettere dati altrove.
Edge AI e edge computing
Sempre più apprezzato in molteplici contesti e in diversi ambiti applicativi, l’edge computing è un nuovo approccio che si affianca al cloud computing definito da IDC come ”un’architettura distribuita di micro data center, ciascuno in grado di immagazzinare ed elaborare i dati a livello locale e trasmettere questi dati a un data center centralizzato o a un repository di storage in cloud”. Se rivolgersi al cloud permette in molte circostanze di ridurre sensibilmente i costi dei data center, dando la possibilità di accedere a risorse storage e potenza di calcolo virtualmente illimitate e disponibili on demand, non tutte le applicazioni sono adatte a questo tipo di soluzione che presenta diverse criticità legate alla latenza e all’affidabilità delle connessioni.
L’edge computing le supera dimostrandosi l’approccio migliore se non c’è sufficiente o affidabile larghezza di banda della rete, oppure se la connessione per inviare i dati al cloud non è abbastanza robusta, se i tempi di risposta devono essere estremamente rapidi oppure se emergono particolari necessità di sicurezza e privacy circa l’invio dei dati.
I principali vantaggi dell’Edge AI
I vantaggi già attribuiti all’edge computing si ritrovano anche nell’Edge AI che, grazie ad esso, permette di eseguire algoritmi di intelligenza artificiale su dispositivi periferici.
Risparmio di tempo
Richiedendo una grande quantità di potenza di calcolo, i processi di AI più all’avanguardia vengono spesso eseguiti in cloud riscontrando spesso problemi legati ai tempi di inattività. Con l’Edge AI gli algoritmi di deep learning possono operare direttamente sul dispositivo che diventa molto utile per le applicazioni time sensitive perché in grado di raccogliere, elaborare e analizzare i dati e poi implementare soluzioni nel modo più veloce possibile. Si registra così una netta riduzione della latenza che, quando si eseguono calcoli AI in un data center remoto, può essere nel migliore dei casi di almeno 1-2 millisecondi se non di centinaia.
Cloud alleggerito
I dispositivi IoT possono generare enormi quantità di dati, anche se sono in apparenza delle “semplici” telecamere, e inviarli tutti al cloud per l’archiviazione e l’analisi è costoso e complesso. Dotando questi stessi dispositivi di processori con capacità di intelligenza artificiale si alleviano i carichi di lavoro del cloud, si sollecitano meno le reti e si diminuisce significativamente anche l’utilizzo di CPU, GPU e memoria.
Consumo energetico
Con lo sviluppo e l’utilizzo di chip di apprendimento automatico a bassa potenza, i dispositivi periferici intelligenti diventano sempre più in grado di eseguire calcoli di AI limitando notevolmente il consumo di energia. Procedendo su questa strada si andranno a ridurre anche le dimensioni dei dispositivi su cui sono applicati ampliando il campo di azione dell’Edge AI.
Efficacia dei costi
Un aspetto da non trascurare nel valutare investimenti sull’Edge AI da parte delle imprese è sicuramente quello del risparmio economico che ne consegue. Se infatti i costi dei dati sono legati all’utilizzo della larghezza di banda, mantenendo l’elaborazione AI su un device locale, li si può ridurre notevolmente evitando la trasmissione di informazioni ad un altro dispositivo per l’analisi.
Più privacy
La raccolta, l’archiviazione e lo spostamento dei dati nel cloud comportano degli inevitabili rischi legati alla sicurezza informatica e alla privacy. Abilitando l’elaborazione locale di grandi quantità di dati, l’Edge AI riduce il rischio di intercettazione durante la trasmissione ed evita che i dati possano essere persi o usati impropriamente dai sistemi cloud che li ricevono.
Edge AI: criticità e sfide
È proprio sul tema privacy che l’Edge AI presenta luci e ombre perché se da un lato è vero che minimizza il rischio di intercettazioni durante la trasmissione, dall’altro amplia notevolmente la superficie di attacco prevedendo l’utilizzo di una serie di nodi edge che interagiscono tra loro e condividono dati in tempo reale. Memorizzati nei micro data center che compongono questa rete distribuita, i dati diventano vulnerabili rispetto a cyber attacchi come il Distributed Denial of Service (DdoS) e tale aspetto sta in parte frenando l’adozione dell’Edge AI.
Un’altra criticità è da ricercare nell’esistenza di possibili bias nelle risposte, un rischio comune a tutte le applicazioni AI ma che nell’Edge AI può risultare amplificato perché, demandando il controllo delle performance al singolo utente, non è detto ci siano sempre la capacità o l’interesse di contrastare possibili polarizzazioni nei risultati prodotti dal sistema.
Guardando alle sfide tecnologiche del futuro prossimo, la principale per l’Edge AI riguarda la mancanza di potenza di calcolo. Ad oggi infatti solo alcuni processi AI possono essere eseguiti su un dispositivo edge in grado, per ora, di reggere solo l’inferenza e piccoli compiti di apprendimento e dovendo poi appoggiarsi al cloud per quelli di elevata complessità computazionale. Aumentando la potenza di calcolo si aprirebbero vaste e interessanti prospettive per l’Edge AI.
Edge AI: il ruolo dell’IoT e del 5G
Il funzionamento e soprattutto lo sviluppo futuro di questo filone dell’intelligenza artificiale si intreccia con quelli di altre tecnologie come l’IoT e il 5G: solo osservando la loro complessiva evoluzione è possibile immaginare ciò di cui fra qualche anno potremo come utenti beneficiare.
Il mercato dei dispositivi IoT è in espansione e in Italia nel 2020 è arrivato a toccare i 6,2 miliardi di euro, secondo la ricerca dell’Osservatorio Internet of Things della School of Management del Politecnico di Milano, con una crescita del 24% rispetto all’anno precedente. Ognuno di questi device genera dati utilizzabili dai sistemi Edge AI che non potranno quindi che beneficiare della loro maggiore diffusione.
Il 5G, garantendo rispetto al 4G velocità molto più elevate (20Gbps contro 1Gbps), più connessioni simultanee (1.000.000 per chilometro quadrato contro 100.000) e una migliore velocità di latenza (1ms contro 10ms), si rivela fondamentale per lo sviluppo dell’Internet of Things e anche dell’Edge AI perché permette più interazioni tra una gamma più ampia di dispositivi anche dotati di chip intelligenti.
Edge Ai: casi d’uso
Tutte le situazioni in cui l’elaborazione dei dati eseguita direttamente su un dispositivo locale invece che tramite cloud oltre a garantire tempi rapidi si dimostra anche più efficiente, sono quelle in cui l’Edge AI può fare la differenza.
- Auto a guida autonoma: per garantire la sicurezza delle persone devono poter effettuare un’elaborazione immediata dei dati rilevati nell’ambiente, dal riconoscimento dei veicoli in arrivo all’identificazione dei segnali stradali e all’attenzione a pedoni e ad altri pericoli della strada. I sistemi di Edge AI sono essenziali quindi, soprattutto per arrivare a realizzare veicoli di livello 3 e di livello 4 (completamente autonomi).
- Droni autonomi: non prevedendo piloti umani, come le self driving car, devono poter elaborare i dati in tempo reale e, se raggiungono zone lontano dalla portata di un punto di accesso Internet, devono avere funzionalità Edge AI per proseguire il loro volo.
- Videosorveglianza: i sistemi di riconoscimento facciale possono utilizzare algoritmi di apprendimento automatico per elaborare localmente immagini e video catturati dalle telecamere, trasmettendo dati a un server cloud solo quando necessario. In tal modo si riduce l’elaborazione remota e il consumo di memoria e si garantisce un primo screening delle immagini anche in assenza di connessione internet.
- Smart City: una nuova generazione di telecamere intelligenti è in grado di cambiare in meglio il nostro modo di vivere quotidiano garantendo anche risparmio energetico e salvaguardia dell’ambiente. Come? Regolando l’illuminazione con il passaggio delle persone, ad esempio, o i semafori con le auto in coda.
- IIoT (Industrial IoT): l’utilizzo di Edge AI permette a questi dispositivi di effettuare ispezioni visive e di eseguire il controllo robotico più velocemente e a costi inferiori, accelerando fortemente l’automazione dei processi produttivi e operativi e aumentando la produttività. Il 5G ne amplificherebbe ulteriormente i vantaggi che potrebbero essere la chiave di svolta dell’Industry 4.0 soprattutto per l’automotive e quagli ambiti del manifatturiero dove la capacità delle macchine di agire autonomamente è fondamentale.
Edge AI: mercato e prospettive
Secondo MarketsandMarkets la dimensione del mercato globale del software Edge AI arriverà a 1.835 milioni di dollari entro il 2026, con un tasso di crescita annuale composto (CAGR) del 20,8% grazie soprattutto all’aumento dei carichi di lavoro aziendali sul cloud e alla rapida crescita del numero di device connessi e di applicazioni intelligenti.
Un buon contributo al settore lo ha già dato nel 2020 la pandemia che, soprattutto in ambito sanitario, ha messo in luce il potenziale dell’Edge AI nel combattere l’impatto di Covid-19 attirando finanziamenti e potenziando la ricerca. Nel post pandemia ci si aspetta quindi un rimbalzo positivo del mercato, anche grazie alla crescita nell’uso di dispositivi indossabili che necessitano software Edge AI dovendo contare su computing on-the-go per non dipendere da servizi cloud lontani. Questa curva crescente non andrà a determinare la fine del cloud ma l’introduzione di nuovi modelli operativi per l’AI misti, in cui vi si ricorrerà solo per calcoli più intensivi o approfonditi e che non richiedono risposte tempestive.
