{"id":10840,"date":"2021-01-18T07:35:00","date_gmt":"2021-01-18T07:35:00","guid":{"rendered":"https:\/\/www.overit.ai\/it\/?p=10840"},"modified":"2022-03-28T08:43:43","modified_gmt":"2022-03-28T08:43:43","slug":"edge-ai-consuntivazione-automatica","status":"publish","type":"post","link":"https:\/\/www.overit.ai\/it\/blog\/edge-ai-consuntivazione-automatica\/","title":{"rendered":"Come l\u2019Edge AI consente di consuntivare automaticamente su mobile in ambienti a bassa connettivit\u00e0 [manutenzione reti gas]"},"content":{"rendered":"\n \n
\n\n
\n \n \n

I tecnici delle aziende operanti nel settore della manutenzione di reti del gas (o di qualunque altra rete basata su asset lineari, come acqua, luce o ferrovie), si trovano spesso a dover operare su impianti ubicati in aree isolate<\/strong>, dove la scarsa connessione<\/strong> alla rete mobile limita fortemente l\u2019utilizzo delle App che li supportano nel portare a termine il loro lavoro sul campo. Un problema, questo, che solitamente si risolve utilizzando una cache e sincronizzando il database interno con quello centrale appena la connettivit\u00e0 lo rende possibile.<\/p>\n

Ma nel caso di applicazioni basate su Machine Learning, come si fa?<\/p>\n<\/div>\n \n <\/section>\n\n<\/div>\n<\/div>\n\n\n\n \n

\n\n
\n \n

Cos\u2019\u00e8 l\u2019Edge AI?<\/h2 >\n \n

Il concetto di Edge AI deriva dal pi\u00f9 generale Edge Computing<\/strong>, un modello di calcolo distribuito il quale prevede che l\u2019elaborazione dati <\/strong>avvenga nel punto pi\u00f9 vicino<\/strong> possibile a dove i dati stessi vengono prodotti, meglio se direttamente sul dispositivo mobile<\/strong> in uso (a differenza dell\u2019elaborazione dati centralizzata, tipica del Cloud Computing).<\/p>\n

Attualmente la maggior parte degli algoritmi di Intelligenza Artificiale<\/strong>, di per s\u00e9 avidi di risorse e con la necessit\u00e0 di elaborare grosse moli di dati in fase di training, viene eseguita in Cloud<\/strong>. L\u2019utente, tramite la rete, accede al modello in Cloud, fa una richiesta e il servizio remoto restituisce la risposta. Il tempo per ottenere il risultato \u00e8 determinato dal tempo necessario per la richiesta, l\u2019elaborazione e la risposta ed \u00e8 fortemente influenzato dalla latenza e dall\u2019elaborazione in Cloud.<\/p>\n

In questo contesto, le soluzioni Edge si stanno mettendo in luce sempre di pi\u00f9 e, proprio grazie alla loro capacit\u00e0 di risolvere il problema della latenza<\/strong>, un numero crescente di aziende ne sta valutando l\u2019impiego all\u2019interno dei propri processi di business. Secondo Gartner<\/strong>, \u201cCi sono tre opportunit\u00e0 di profitto immediato che collocano l\u2019Edge AI nella fase di maggioranza anticipatrice al 90%-100%\u201d<\/em>, delineando come \u201cl\u2019Intelligenza Artificiale incorporata nell\u2019endpoint Internet of Things (IoT) \u00e8 tra le maggiori opportunit\u00e0 di profitto per i provider di tecnologia e servizi (TSP) e tra i fattori trainanti nell\u2019adozione di tecnologie innovative della maggioranza anticipatrice\u2026<\/em> L\u2019utilizzo dell\u2019Edge AI per l\u2019analisi di dati \u00e8 in rapida crescita, soprattutto in ambito industriale\u2026 Sempre pi\u00f9 spesso, l\u2019Edge AI \u00e8 un catalizzatore per l\u2019adozione di soluzioni di IoT pi\u00f9 ampie, grazie alla sua capacit\u00e0 di ridurre il costo delle soluzioni stesse<\/em>\u201d<\/em> (Gartner, Emerging Technologies and Trends Impact Radar: Artificial Intelligence, 12 October 2020).<\/p>\n

Inoltre, la recente introduzione di framework embedded per il Machine Learning, come il famoso \u201cTensor Flow lite\u201d di Google, pensato proprio per operare sui dispositivi mobile, ha dato un\u2019ulteriore spinta verso l\u2019Edge AI.<\/p>\n<\/div>\n \n <\/section>\n\n<\/div>\n<\/div>\n\n\n\n \n

\n\n
\n \n

Il problema della consuntivazione mobile in ambienti a bassa connettivit\u00e0<\/h2 >\n \n

Nell\u2019ambito di un processo di Field Service Management su una rete gas, una delle fasi tipiche in cui una risorsa operativa si trova coinvolta \u00e8 quella della consuntivazione<\/strong>, che include tutte le attivit\u00e0 volte a formalizzare quanto eseguito mediante un\u2019App mobile, la quale fornisce supporto sia per l\u2019accesso ai dati aziendali, sia per l\u2019inserimento delle informazioni raccolte sul campo.<\/p>\n

Tale consuntivazione pu\u00f2 essere manuale<\/strong>, nel caso in cui l\u2019utente inserisca di sua iniziativa ognuna delle informazioni rilevate durante l\u2019intervento (ore lavorare, materiali e ricambi usati, misurazioni, contenuti multimediali, ecc.), oppure automatica<\/strong>, quando lo strumento viene \u201cistruito\u201d per eseguire in autonomia alcune attivit\u00e0 tediose relative ai dati post-lavorazione, demandando all\u2019utente il solo controllo di validit\u00e0 degli stessi.<\/p>\n

Il funzionamento generale di questa seconda modalit\u00e0 parte dall\u2019analisi di video o immagini dai quali vengono, ad esempio, estratti dati numerici o effettuate misurazioni di distanze. Fino a poco tempo fa, ci\u00f2 sarebbe stato possibile soltanto tramite l\u2019upload dei dati verso il Cloud e la successiva attesa della risposta, con evidenti problemi in termini di:<\/p>\n

    \n
  • Mole di dati da trasmettere<\/strong>, soprattutto nel caso di video, che si traduce in costi di connettivit\u00e0;<\/li>\n
  • Latenza<\/strong>, ovvero lunghi tempi di attesa per caricare i dati, elaborarli e ottenere una risposta;<\/li>\n
  • Scarsa qualit\u00e0 di rete<\/strong> o addirittura assenza di segnale.<\/li>\n<\/ul>\n

    Nella pi\u00f9 diffusa consuntivazione manuale, i problemi all\u2019ordine del giorno sono soprattutto gli ultimi due tra quelli sopra citati, in quanto l\u2019elaborazione viene tipicamente eseguita in locale, senza la necessit\u00e0 di una connessione internet.<\/p>\n

    Quindi qual \u00e8 la soluzione tecnologica migliore per consuntivare in ambienti a scarsa connettivit\u00e0?<\/p>\n<\/div>\n \n <\/section>\n\n<\/div>\n<\/div>\n\n\n\n \n

    \n\n
    \n \n

    L\u2019applicazione dell\u2019Edge AI per la consuntivazione automatica mobile<\/h2 >\n \n

    L\u2019idea alla base dell\u2019implementazione dell\u2019Edge AI nella consuntivazione automatica \u00e8 semplice: cercare di elaborare <\/strong>quante pi\u00f9 informazioni possibili direttamente sul dispositivo<\/strong>, in modo da:<\/p>\n

      \n
    • Trasferire meno dati<\/strong>, portando a un notevole risparmio economico;<\/li>\n
    • Minimizzare la latenza<\/strong>, in modo di trasmettere soltanto il risultato (spesso in formato JSON);<\/li>\n
    • Mantenere sul dispositivo il risultato<\/strong> dell\u2019elaborazione<\/strong> e sincronizzare i dati alla prima occasione utile.<\/li>\n<\/ul>\n

      Ci\u00f2 viene realizzato tramite un modello<\/strong>, ovvero una componente \u201cpensante\u201d di software, addestrato<\/strong> in remoto e scaricato su dispositivo. Successivamente, tale modello viene eseguito localmente e non necessita di connessione per funzionare.<\/p>\n

      Nel contesto specifico della manutenzione di reti gas, \u00e8 possibile implementare strumenti per la consuntivazione automatica grazie all\u2019utilizzo di servizi di computer vision su Cloud<\/strong>, esportandoli sull\u2019SDK mobile (ML KIT) di Firebase, la piattaforma per la creazione di applicazioni per dispositivi mobili e Web sviluppata da Google. Grazie a questo, il modello \u00e8 in grado di funzionare all\u2019interno di un dispositivo, fornendo supporto proattivo all\u2019utente in ogni situazione di connettivit\u00e0.<\/p>\n

      L\u2019operatore, infatti, fotografa il lavoro appena eseguito (uno scavo, l\u2019installazione di una tubazione interrata, la presenza di eventuali barriere naturali, ecc.), l\u2019Artificial Intelligence riconosce le varie informazioni presenti nella foto e le restituisce pre-compilando tutta una serie di campi che altrimenti avrebbero dovuto essere riempiti a mano. Un\u2019operazione, quest\u2019ultima, non di poco conto, se si pensa alla quantit\u00e0 di interventi che ogni giorno un tecnico della rete gas deve effettuare, con tutta la relativa mole di informazioni da raccogliere e inserire.<\/p>\n

      \"OverIT<\/p>\n<\/div>\n \n <\/section>\n\n<\/div>\n<\/div>\n\n\n\n \n

      \n\n
      \n
       <\/div>\n
      \n
      \n
      \n \"citation\n <\/div>\n
      \n Giuseppe Serra <\/br>Associate professor of Computer Science, Universit\u00e0 di Udine<\/span>\n <\/div>\n <\/div>\n
      \n

      \u201cLa possibilit\u00e0 offerta dall’Edge AI di rilevare ed elaborare dati mediante algoritmi di AI, eseguibili in tempo reale su un dispositivo mobile, apre scenari entusiasmanti. L’Edge AI permetter\u00e0, infatti, non solo di ridurre i tempi e i costi di comunicazione dei dati accorciando in maniera sensibile le tempistiche del processo decisionale, ma anche di evitare di esporre sul Cloud informazioni sensibili che potrebbero essere soggette a Data Breach.\u201d<\/p>\n\n <\/div>\n <\/div>\n<\/div>\n\n<\/div>\n<\/div>\n\n\n\n \n

      \n\n
      \n \n

      I benefici dell\u2019Edge AI nel Field Service Management delle Utility gas<\/h2 >\n \n

      La mobilit\u00e0 \u00e8 una componente fondamentale all\u2019interno dei processi manutentivi delle societ\u00e0 di distribuzione gas, in quanto consente di fornire le migliori informazioni al momento giusto, consentendo di ottimizzare<\/strong> i molteplici e quotidiani lavori di cui una rete necessita. Una consuntivazione efficiente<\/strong> \u00e8 quindi essenziale sia per l\u2019azienda, sia per il tecnico in campo.<\/p>\n

      L\u2019Edge AI \u00e8 una tecnologia all\u2019avanguardia che, inserita in questo contesto, \u00e8 in grado di garantire qualit\u00e0<\/strong> e rapidit\u00e0 di esecuzione<\/strong>, grazie alla possibilit\u00e0 di accedere in tempo reale alle informazioni<\/strong> (tutte le risorse necessarie sono gi\u00e0 presenti sul dispositivo e vengono fornite all\u2019operatore riconoscendo automaticamente il contesto in cui si trova), con notevoli vantaggi in termini di:<\/p>\n

        \n
      • Minore latenza<\/strong>: i servizi di AI in mobilit\u00e0 funzionano anche offline;<\/li>\n
      • Diminuzione dei costi di connettivit\u00e0<\/strong>: \u00e8 sufficiente trasmettere il risultato finale dell\u2019elaborazione;<\/li>\n
      • Maggiore privacy<\/strong>: pi\u00f9 protezione sui dati sensibili in quanto questi non vengono inviati al di fuori del dispositivo.<\/li>\n<\/ul>\n<\/div>\n \n <\/section>\n\n<\/div>\n<\/div>\n\n\n\n \n
        \n\n
        \n \n

        Conclusione<\/h2 >\n \n

        Possiamo affermare che l\u2019Edge AI non sostituir\u00e0 completamente il Cloud come noi lo conosciamo, in quanto grandi quantit\u00e0 di dati saranno ancora elaborati in esso, ma nel medio-breve termine sar\u00e0 sicuramente una delle nuove modalit\u00e0 che consentiranno di fare Machine Learning con dati istantanei.<\/p>\n

         <\/p>\n<\/div>\n \n <\/section>\n\n<\/div>\n<\/div>\n\n\n\n \n

        \n\n\n
        \n
        <\/div>\n
        \n
        Iscrizione alla Newsletter<\/div>\n
        I nostri blog post direttamente nella tua casella di posta. Iscriviti ora!<\/div>\n
        \n \r\n