L’Utilità del 5G e del Cloud nelle Applicazioni Embedded con Machine Learning

^{Risparmiatevi dispositivi intelligenti almeno nelle vostre interiora, per piacere.} 

Gli Ostacoli per il Machine Learning

Ma se il machine learning è così fantastico, perché non è stato ancora implementato ovunque? Per le stesse ragioni per cui non ho un cervello bionico: è troppo ingombrante e richiede troppa energia.

Non è così facile installare un supercomputer in un sistema embedded, ma se volete l'intelligenza artificiale è proprio quello che dovete fare. Il Machine learning necessita di un'enorme quantità di potenza di elaborazione, più di quanto sia ragionevole inserire in un sistema embedded. Anche le case automobilistiche dotate di sistema avanzato di assistenza alla guida (ADAS) sono preoccupate di non essere in grado di montare le CPU (unità di elaborazione centrale) necessarie per i sistemi intelligenti. Gli sviluppatori stanno ora impiegando le GPU (unità di elaborazione grafica) per accelerare i processi di machine learning, ma queste sono troppo voluminose per i sistemi embedded.

Se anche fossero disponibili dei chip appropriati, dovreste comunque occuparvi del fabbisogno energetico delle IA. Nel 1989 alcuni ricercatori del Carnegie Melon hanno realizzato un'auto che guidava da sola utilizzando tecniche di deep learning. La vettura si chiamava ALVINN e la sua CPU da 100 MFLOP era alimentata da un generatore da 5.000 W. Gli attuali chip consumano meno energia, ma ancora troppa. Per i sistemi embedded di grandi dimensioni, come un'auto abilitata ADAS, potreste disporre di abbastanza spazio; ma, per elettrodomestici e dispositivi portatili, lo spazio disponibile è troppo ristretto.

Per quanto siano difficili da superare, un giorno forse riusciremo a sopraffare i nostri problemi. Ciononostante, l'unica soluzione a breve termine per introdurre l'IA nei sistemi embedded è il 5G e il cloud computing. 

Cloud Computing e 5G

Il cloud è una cosa misteriosa. Mi piace immaginarlo come il mondo di Tron, speriamo senza alcun conflitto. Se abbinato al 5G, il cloud computing potrebbe essere sufficientemente intelligente da aiutarmi a creare il mio mondo computerizzato.

Il cloud computing può risolvere i suddetti limiti di potenza e di elaborazione. I calcoli possono essere eseguiti in una postazione esterna con una potenza di calcolo praticamente infinita e una connessione alla rete. Il cloud viene attualmente utilizzato per il calcolo decentralizzato, per cui non c'è motivo per cui i sistemi embedded non dovrebbero fare lo stesso. Ecco perché Google, Amazon ed altri hanno iniziato ad offrire servizi di cloud machine learning. Utilizzando la potenza di calcolo di una computer farm remota, basta preoccuparsi solamente di alimentare un'antenna. Ed è qui che entra in gioco il 5G.

Il Machine learning esige moltissimi dati, che attualmente sono difficili da trasmettere in wireless. Intel stima, che le auto abilitate ADAS dovranno elaborare almeno 1 GB di dati al secondo. È una mole di dati troppo grande per essere trasmessa tramite una connessione WiFi o 4G. Si dà il caso che 5G supporti velocità di trasmissione dati fino a 10 Gbps con latenze inferiori a 10 ms. Questo significa che il dispositivo sarà in grado di trasferire i dati richiesti e ricevere quasi istantaneamente un'interpretazione. Le aziende stanno anche lavorando su antenne 5G a bassa potenza in modo che le vostre schede possano prendere decisioni intelligenti consumando meno elettricità.