In questi giorni – è iniziata l’8 Dicembre e proseguirà fino al 14 – si tiene a Vancouver la 33^ edizione del NeurIPS, Neural Information Processing System, l’evento annuale che raduna gli esperti mondiali di Artificial Intelligence.
Qui è presentata una interessante ricerca, realizzata da IBM Research di Zurigo in collaborazione con il Politecnico di Zurigo (ETH) e con l’Università di Bologna, dove Florian Scheidegger, Costas Bekas e l’italiano Cristiano Malossi, scienziati che hanno preso parte al progetto, illustrano il primo algoritmo di IA in grado di sintetizzare automaticamente le reti neurali profonde per rendere efficienti i sistemi di classificazione delle immagini nei dispositivi IoT, dalle apparecchiature domestiche intelligenti alle auto senza conducente.
“Abbiamo proposto un modo automatico di progettare modelli per il ‘deep learning’ che rispettassero le condizioni poste dagli utenti”, recitano le premesse della lavoro di ricerca, “particolarmente adatti ad essere impiegati nello IoT, quali ad esempio la ridotta latenza nell’inferenza e la costruzione modulare per potersi adattare a futuri sviluppi del sistema”.
Oggi sono già molto diffusi i dispositivi IoT che fanno leva sull’Intelligenza Artificiale. Tuttavia, i modelli di AI tradizionali non sono progettati per rispondere alle necessità superiori dei dispositivi IoT più innovativi, a causa della memoria limitata, dell’elevato consumo di energia e minore velocità di reazione.
In un’auto senza conducente, ad esempio, una rete neurale all’avanguardia potrebbe essere in grado di identificare un essere umano che attraversa la strada di notte con elevata precisione, ma probabilmente l’identificazione richiederebbe troppo tempo per prevenire un incidente. Il nuovo algoritmo di IA si focalizza sui principali requisiti prestazionali di un determinato caso d’uso e semplifica la ricerca di modelli di reti neurali profonde efficienti. Nell’ambito delle auto senza conducente, i modelli IBM per la classificazione delle immagini sintetizzate verrebbero eseguiti in millisecondi, lasciando così al veicolo il tempo necessario per intercettare ed evitare un pedone.
Nei test eseguiti fino ad oggi, la ricerca dell’architettura di rete neurale profonda ha dimostrato di poter generare modelli di intelligenza artificiale efficienti, in grado di operare su hardware a basso costo, con una precisione maggiore rispetto a quanto attualmente disponibile sul mercato. Tale tecnologia può essere applicata anche a dispositivi IoT differenti, offrendo un nuovo modo di semplificare i sistemi di back-end.
“Una forte correlazione tra la dimensioni dei modelli e la latenza”, conclude la ricerca, “consente di creare modelli sperimentali pratici che forniscono ritardi nelle risposte all’inferenza molto contenuti, inferiori ai 10 ms, utilizzando device del costo di produzione industriale di 35 dollari al massimo”.