5 tendenze dell’intelligenza artificiale per il 2019

Ecco le 5 tendenze intelligenza artificiale da tenere d’occhio per il 2019: dalle applicazioni aziendali al supporto all’IT

Nel corso del 2018, abbiamo assistito a un drastico aumento di piattaforme, strumenti e applicazioni basate sul machine learning e sull’intelligenza artificiale. Queste tecnologie hanno avuto un impatto non solo sul software e sul settore legato a internet, ma anche su altri settori come quello sanitario, legale, manifatturiero, automobilistico e agricolo.

Tra le tendenze intelligenza artificiale continueremo a vedere aumentare il progresso delle tecnologie relative al ML e all’AI nel 2019 e oltre. Aziende come Amazon, Apple, Facebook, Google, IBM e Microsoft stanno investendo in ricerca e sviluppo di AI, che andranno a vantaggio dell’ecosistema nel portare l’AI più vicino ai consumatori.

Le 5 tendenze intelligenza artificiale per il 2019:

1) L’avvento dei chip AI-enabled

A differenza di altri software, l’AI fa affidamento su processori specializzati che complementano la CPU. Anche la CPU più veloce e avanzata potrebbe non migliorare la velocità di addestramento di un modello di intelligenza artificiale. Durante l’inferenza, il modello necessita di hardware aggiuntivo per eseguire complessi calcoli matematici per accelerare attività come il rilevamento di oggetti e il riconoscimento facciale.

Nel 2019, produttori di chip come Intel, NVIDIA, AMD, ARM e Qualcomm venderanno chip specializzati che accelerano l’esecuzione di applicazioni AI. Questi chip saranno ottimizzati per usi specifici relativi alla computer vision, all’elaborazione del linguaggio naturale e al riconoscimento vocale. Le applicazioni di prossima generazione del settore sanitario e automobilistico si affideranno a questi chip per fornire intelligence agli utenti finali.

Per quanto riguarda del tendenze intelligenza artificiale, il 2019 sarà anche l’anno in cui aziende di infrastrutture iperscalabili come Amazon, Microsoft, Google e Facebook aumenteranno gli investimenti in chip custom basati su gate array programmabili (FPGA) e circuiti integrati specifici per applicazione (ASIC). Questi chip saranno fortemente ottimizzati per l’esecuzione di carichi di lavoro moderni basati su intelligenza artificiale e calcolo ad alte prestazioni (HPC). Alcuni di questi chip aiuteranno anche i database di nuova generazione ad accelerare l’elaborazione delle query e l’analisi predittiva.

Indicatori precoci di questo trend sono: Project Nitro di Amazon, Cloud TPU di Google, Project Brainwave di Microsoft, Intel Myriad X VPU

2) Convergenza di IoT e AI nell’Edge

Nel 2019, l’AI incontrerà l’IoT a livello di edge computing. La maggior parte dei modelli addestrati nel cloud pubblico sarà rilasciata nell’Edge.

L’IoT industriale è lo use case principale per l’intelligenza artificiale che può eseguire il rilevamento di nomalie, l’analisi delle cause alla radice e la manutenzione predittiva dell’apparecchiatura.

I modelli di ML avanzati basati su reti neurali profonde saranno ottimizzati per funzionare sull’Edge. Saranno in grado di gestire video-frame, sintesi vocale, dati di serie temporali e dati non strutturati generati da dispositivi quali telecamere, microfoni e altri sensori.

L’IoT è pronto a diventare il più grande driver dell’intelligenza artificiale nell’azienda. I dispositivi Edge saranno dotati di chip AI speciali basati su FPGA e ASIC.

Indicatori di questa tendenza sono: il supporto per l’inferenza ML sull’Edge di AWS Greengrass, l’AI Toolkit per Azure IoT Edge, Google Cloud IoT Edge, FogHorn Lightning Edge Intelligence e Project Flogo di TIBCO.

3) L’interoperabilità tra le reti neurali

Una delle sfide critiche nello sviluppo di modelli di reti neurali sta nella scelta della struttura giusta. Gli scienziati e gli sviluppatori di dati devono scegliere lo strumento giusto fra una miriade di scelte che includono Caffe2, PyTorch, Apache MXNet, Microsoft Cognitive Toolkit e TensorFlow. Una volta che un modello viene addestrato e valutato in un framework specifico, è difficile trasferire il modello addestrato in un altro framework.

La mancanza di interoperabilità tra i toolkit di rete neurale ostacola l’adozione dell’AI. Per affrontare questa sfida, AWS, Facebook e Microsoft hanno collaborato alla realizzazione di Open Neural Network Exchange (ONNX), che consente di riutilizzare modelli di rete neurale addestrati su più framework.

Nel 2019, ONNX diventerà una tecnologia essenziale per l’industria. Dai ricercatori ai produttori di dispositivi Edge, tutti i principali protagonisti dell’ecosistema si affideranno a ONNX come runtime standard per l’inferenza.

Indicatori iniziali di tale tendenza sono: Windows 10 che viene fornito con il runtime ONNX; Il toolkit Intel OpenVINO che supporta ONNX.

4) Il machine learning automatizzato

Tra le tendenze intelligenza artificiale, una tendenza che cambierà radicalmente il volto delle soluzioni basate su ML è l’AutoML. Esso consentirà agli analisti e agli sviluppatori di business di sviluppare modelli di machine learning in grado di affrontare scenari complessi senza passare attraverso il tipico processo di formazione dei modelli ML.

Con l’uso di una piattaforma AutoML, gli analisti di business rimangono concentrati sul problema aziendale invece di perdersi nel processo e nel flusso di lavoro.

L’AutoML si integra perfettamente tra API cognitive e piattaforme ML personalizzate; offre il giusto livello di personalizzazione senza costringere gli sviluppatori a passare attraverso l’elaborato flusso di lavoro. A differenza delle API cognitive che sono spesso considerate come scatole nere, l’AutoML presenta lo stesso grado di flessibilità, ma con dati personalizzati combinati con la portabilità.

Indicatori precoci di tale trend sono: DataRobot, Google Cloud AutoML, Microsoft Custom Cognitive API, Custom Entities per Amazon Comprehend.

5) L’AI automatizzerà DevOps tramite le AIOps

Le moderne applicazioni e infrastrutture stanno generando dati di log che vengono catturati per l’indicizzazione, la ricerca e l’analisi. I massicci set di dati ottenuti da hardware, sistemi operativi, software server e applicativi possono essere aggregati e correlati per trovare intuizioni e modelli. Quando i modelli di machine learning vengono applicati a questi set di dati, le operazioni IT si trasformano da reattive a predittive.

Quando la potenza dell’AI viene applicata alle operazioni, ridefinirà il modo in cui viene gestita l’infrastruttura. L’applicazione di ML e AI nelle operazioni IT e DevOps fornirà informazioni alle organizzazioni; aiuterà i team operativi a eseguire analisi delle cause alla radice precise e accurate.

Gli AIOps diventeranno mainstream nel 2019. I fornitori di Cloud pubblico e le aziende trarranno beneficio dalla convergenza di AI e DevOps.

Indicatori precoci di questa tendenza sono: Moogsoft AIOps, Amazon EC2 Predictive Scaling, Azure VM resiliency, Intelligent Tiering di Amazon S3

Il machine learning e l’intelligenza artificiale saranno i principali trend tecnologici del 2019: dalle applicazioni aziendali al supporto all’IT, l’AI influenzerà in modo significativo il settore.