Riassunto analitico
Il recente progresso delle tecnologie afferenti al mondo dell’intelligenza artificiale, unitamente alla diffusione delle architetture IoT nell’ambito biomedicale, industriale e sociale, ha messo in luce nuove opportunità per lo sviluppo di algoritmi di deep learning su microcontrollori resource-constrained. Le tradizionali sfide associate al mondo del machine learning in materia di raccolta, processamento e analisi dei dati, incontrano dunque i vincoli pertinenti all’impiego di risorse computazionali, di rete ed energetiche limitate, caratteristiche dei microcontrollori a bassa potenza. Lo sviluppo di intelligenze artificiali collaborative in questo ambito mira a colmare alcune di queste lacune, pur richiedendo un’analisi trasversale volta ad ottimizzare l’esecuzione degli algoritmi di deep learning e a garantire un adeguato livello di resilienza architetturale.
In questo contesto, le tecniche di apprendimento federato di recente sviluppo e oggetto di studio di questa tesi, svolgono il ruolo di tecnologie abilitanti per la realizzazione di algoritmi di intelligenze artificiali collaborative capaci di mantenere standard di protezione e tutela dei dati conformi alle direttive europee in materia di privacy. L’architettura proposta in questo elaborato è stata realizzata solidalmente ai principi descritti, ovvero mediante l’impiego di microcontrollori resource-constrained ESP32 e di una nuova funzione di aggregazione denominata Progressive Federated Averaging, sviluppata con l’intento di disaccoppiare i dispositivi per incrementare la resilienza sistemica, unitamente all’utilizzo di un algoritmo di compressione per la trasmissione client-server dei parametri della rete neurale.
|
Abstract
Il recente progresso delle tecnologie afferenti al mondo dell’intelligenza artificiale, unitamente alla diffusione delle architetture IoT nell’ambito biomedicale, industriale e sociale, ha messo in luce nuove opportunità per lo sviluppo di algoritmi di deep learning su microcontrollori resource-constrained. Le tradizionali sfide associate al mondo del machine learning in materia di raccolta, processamento e analisi dei dati, incontrano dunque i vincoli pertinenti all’impiego di risorse computazionali, di rete ed energetiche limitate, caratteristiche dei microcontrollori a bassa potenza. Lo sviluppo di intelligenze artificiali collaborative in questo ambito mira a colmare alcune di queste lacune, pur richiedendo un’analisi trasversale volta ad ottimizzare l’esecuzione degli algoritmi di deep learning e a garantire un adeguato livello di resilienza architetturale.
In questo contesto, le tecniche di apprendimento federato di recente sviluppo e oggetto di studio di questa tesi, svolgono il ruolo di tecnologie abilitanti per la realizzazione di algoritmi di intelligenze artificiali collaborative capaci di mantenere standard di protezione e tutela dei dati conformi alle direttive europee in materia di privacy. L’architettura proposta in questo elaborato è stata realizzata solidalmente ai principi descritti, ovvero mediante l’impiego di microcontrollori resource-constrained ESP32 e di una nuova funzione di aggregazione denominata Progressive Federated Averaging, sviluppata con l’intento di disaccoppiare i dispositivi per incrementare la resilienza sistemica, unitamente all’utilizzo di un algoritmo di compressione per la trasmissione client-server dei parametri della rete neurale.
|
