AS_03_2019

Automazione e Strumentazione Aprile 2019 FOCUS approfondimenti 45 consumo energetico ridotto, rispondono all’esi- genza di eseguire l’intelligenza artificiale a livello periferico, nell’infrastruttura di rete edge. Dichiarando la medesima missione di “voler mettere il machine learning nelle mani di ogni sviluppatore”, anche Amazon Web Services (AWS) ha lanciato, nel 2017, Amazon SageMa- ker, un servizio completamente gestito di ML. Sul fronte delle risorse hardware di elaborazione, va poi ricordato il recente annuncio, a novembre 2018, del chip di inferenza per il machine lear- ning AWS Inferentia , in grado di supportare i framework di apprendimento approfondito di TensorFlow, Apache MXNet e PyTorch, oltre ai modelli che utilizzano il formato ONNX. Dal canto suo, Microsoft, attraverso l’introdu- zione di servizi come Azure Machine Learning , con funzionalità automatizzate di ML, ha l’o- biettivo di fornire al mondo aziendale soluzioni evolute, ideate per semplificare e accelerare il processo di costruzione, addestramento e dispie- gamento dei modelli di ML. Ad Azure Machine Learning si affiancano anche Azure Databricks, la piattaforma di analisi di big data basata su Apache Spark e ottimizzata per i servizi cloud di Microsoft Azure, nonché il supporto da parte di Microsoft del progetto open source ONNX (Open Neural Network Exchange), un formato di modello e runtime open source per ML che consente agli utenti di spostarsi in modo agile tra diversi framework e piattaforme hardware. Machine learning nell’automazione di fabbrica La crescente diffusione delle tecnologie di AI eML in applicazioni commerciali e di largo consumo, come le interfacce conversazionali, i chatbot, i sistemi previsionali in ambito sanitario, assicura- tivo, finanziario, testimonia il grado di maturità raggiunto dagli algoritmi e modelli predittivi, che stanno registrando un’adozione sempre maggiore anche nel settore dell’automazione e dei sistemi di controllo a livello industriale. Un ambito in cui i requisiti tecnici però variano, rispetto alle tipiche esigenze di AI e machine learning delle aziende IT, soddisfatte dalla capacità e potenza dei grandi data center cloud-based. Perché? Nelle applicazioni industriali, gli apparati e sistemi della tecnologia Machine learning, un mondo di framework e tool I framework di machine learning disponibili sul mercato comprendono una vasta gamma di piattaforme software open source e commer- ciali, tra cui si possono menzionare TensorFlow, Apache Spark, Apache MXNet, Caffe, Caffe2, PyTorch, Microsoft Cognitive Toolkit, o il Deep Learning Toolbox di Matlab (MathWorks), solo per fare alcuni esempi. Ma vi sono anche piattaforme come MindSphere Predictive Learning, in grado di combinare tool analitici, statistiche e algoritmi di machine learning, per estrapolare dai big data ‘insight’ utili, ad esempio, a ottimizzare la qualità dei prodotti, o ridurre i potenziali problemi di malfunzionamento e performance nei processi industriali. Scorcio di un data-center che fa parte dell’infrastruttura cloud di Google