Il machine learning rende edge e IoT più intelligenti

L'implementazione dell'intelligenza artificiale all'edge non solo può ridurre la latenza e i costi di rete, ma anche migliorare la sicurezza e sbloccare la potenza dell'intelligenza distribuita.

intelligenza artificiale

Oggigiorno molte cose vengono chiamate “smart”, dalle lampadine alle automobili. Sempre più intelligenza proviene da una qualche forma di intelligenza artificiale o machine learning. D’altronde l’intelligenza artificiale non è più limitata ai grandi data center centrali. Spostandola all’edge, le aziende possono ridurre la latenza, migliorare le prestazioni, ridurre i requisiti di larghezza di banda e consentire ai dispositivi di continuare a funzionare anche in assenza di connettività di rete.

Uno dei principali driver per l’uso dell’AI a livello edge è che l’enorme quantità di dati prodotti sul campo paralizzerebbe Internet se tutto dovesse essere elaborato da soluzioni di cloud computing centralizzate e data center tradizionali. “La necessità di inviare tutti questi dati a un cloud centralizzato per l’elaborazione ha spinto i limiti della larghezza di banda e della latenza della rete” afferma Ki Lee, vicepresidente di Booz Allen Hamilton.

Combattere i bot

Poche aziende stanno riscontrando questo problema nella misura in cui lo fa Akamai. Akamai gestisce la più grande rete di distribuzione di contenuti del mondo, con, in ultima analisi, circa 325.000 server in oltre 135 Paesi, fornendo oltre 100 TB di traffico web ogni secondo. L’edge computing è fondamentale per migliorare le prestazioni e la sicurezza, afferma Ari Weil, vicepresidente globale di Akamai per il marketing di prodotto e di settore.

adv
Cloud Communication Business

Nell’era digitale il centralino va in Cloud

La telefonia di nuova generazione è in software-as-a-service: non richiede di installare centralini hardware, gestisce fisso e mobile, e consente di attivare nuove linee o filiali con un clic, abilitando Smart Working e Unified Communication. SCOPRI DI PIÙ >>

Prendete i bot, ad esempio. “I bot sono un enorme problema su Internet”, afferma Weil. Attaccano i clienti di Akamai con il riempimento automatico delle credenziali e attacchi denial of service. Inoltre, intasano la rete con traffico inutile, costando denaro ad Akamai. I criminali informatici utilizzano i bot anche per tentare di penetrare le difese di aziende, società di ricerca e organizzazioni sanitarie. Akamai registra 485 milioni di richieste di bot all’ora e 280 milioni di tentativi di accesso ai bot al giorno. Nella battaglia contro di essi, Akamai ha iniziato a distribuire l’intelligenza artificiale a livello edge nel 2018 per capire se un determinato utente è un vero essere umano o un bot.

Nel 2019, Akamai ha anche iniziato a utilizzare il deep learning centralizzato per identificare i comportamenti dei bot e sviluppare modelli di machine learning migliori. Quei modelli vengono quindi distribuiti all’edge per svolgere effettivamente il lavoro. L’intelligenza artificiale viene utilizzata anche per analizzare l’intelligence sulle minacce in Akamai. “È un problema di big data”, afferma Weil. “Prendiamo un’enorme quantità di dati, in un enorme data lake, e proviamo diversi modelli rispetto ai dati per trovare firme dannose. Una volta identificati i modelli, possiamo utilizzarli su tutta la piattaforma “.

A volte i messaggi sono innocui ma provengono da una fonte dannosa, ad esempio il comando e il controllo del traffico. “Addestriamo il modello edge per riconoscere il traffico in uscita da questa particolare regione, o da questo particolare indirizzo IP, e applichiamo le tecniche di mitigazione direttamente all’edge”, afferma Weil. Il risultato finale è che Akamai risparmia denaro perché non deve trasportare il traffico né dai bot né dal malware. I clienti risparmiano perché non devono pagare per la larghezza di banda sprecata. E i clienti sono più sicuri perché hanno meno bot e campioni di malware da gestire. Nel quarto trimestre del 2020, Akamai è riuscita a fermare 1,86 miliardi di attacchi a livello di applicazione, afferma Weil, e contrastare oltre 70 miliardi di attacchi di abuso di credenziali.

Gestione dell’IoT perimetrale

L’intelligenza artificiale all’edge può anche ridurre il carico di dati e di rete delle strategie di Internet of Things. I dispositivi IoT possono generare un’enorme quantità di informazioni, ma spesso tali informazioni sono di routine e ripetitive. Il machine learning viene distribuito all’edge per apprendere quali sono i segnali critici e per pre-elaborare i dati prima che vengano inviati al cliente.

Prendiamo, ad esempio, un’auto connessa. Si sposta da una torre cellulare all’altra, in stati diversi, anche a diverse altitudini e climi. Una lettura appropriata per una posizione potrebbe non essere appropriata per un’altra, oppure il problema potrebbe essere segnalato da una rapida modifica dei dati. Qui il machine learning sta diventando essenziale.

“Portare l’intelligenza ai dispositivi è una delle aree di maggiore crescita dell’IoT in questo momento” afferma Carmen Fontana, responsabile del cloud e delle pratiche tecnologiche emergenti presso Centric Consulting. Il problema si presenta in molti settori, non solo nelle automobili, sebbene i veicoli in movimento abbiano alcuni dei maggiori requisiti di latenza. “Non si può tornare al data center principale per prendere una decisione e riportarla indietro”, afferma. “Non c’è tempo per fare una cosa simile.”

Ma anche i dispositivi che si muovono lentamente o stazionari traggono vantaggio da una maggiore elaborazione all’edge della rete. “Un esempio comune sono i pannelli solari in mezzo al nulla. Non hanno un ottimo servizio cellulare o Wi-Fi. Essere in grado di elaborare i dati e prendere decisioni a livello locale è davvero importante.”

edge computing

L’intelligenza distribuita consente inoltre alle aziende di ridurre il volume del traffico di messaggi di ritorno dai dispositivi, il che riduce i costi di rete e il consumo di energia. “L’archiviazione dei dati è costosa e non efficiente dal punto di vista energetico. Se potete eliminare molti dei dati che avreste altrimenti trasferito e archiviato, allora è un valido risparmio energetico”.

I vantaggi dell’AI decentralizzata

La funzionalità dell’AI all’edge può aiutare a creare un ambiente informatico distribuito intelligente tra i dispositivi di rete, un vantaggio unico per le organizzazioni che sanno come sfruttarlo. “Il settore delle utility è particolarmente interessato all’intelligenza distribuita” afferma Tim Driscoll, direttore dei risultati della gestione delle informazioni presso la società di tecnologia per la gestione delle risorse energetiche e idriche Itron.

“I contatori all’estremità della rete di distribuzione dei servizi hanno una piattaforma app simile al modello di smartphone comune”, afferma. Questi misuratori utilizzano il machine learning per rispondere alle variazioni di tensione e alle condizioni di carico. “Ciò consente ai contatori di fornire consigli proattivi e in tempo reale per il controllo della rete”.

Ma la cosa più interessante è che i contatori possono lavorare insieme imparando dal comportamento, dalle prestazioni e dall’affidabilità della propria rete di comunicazione. “Questo semplifica la gestione della rete eliminando la necessità di un’analisi centralizzata”, afferma Driscoll. E man mano che i sistemi di alimentazione si evolvono per includere una maggiore generazione di energia distribuita nella rete di distribuzione, l’edge computing diventa ancora più importante. Tradizionalmente, solo il carico locale era una variabile per le reti elettriche: la generazione e il flusso di energia erano tutti controllati centralmente. Oggi tutte e tre sono variabili.

“Questo è il motore principale per una risposta autonoma, locale e in tempo reale alimentata dall’elaborazione edge e dal machine learning”, afferma Driscoll. Oltre a una migliore latenza e a costi inferiori, portare l’intelligenza artificiale e il machine learning all’edge può anche aiutare a rendere l’AI più veloce, secondo Lee di Booz Allen Hamilton. Questo perché l’AI edge decentralizzata massimizza la frequenza con cui i modelli vengono calibrati, “il che non solo riduce i costi e le pianificazioni di sviluppo del modello, ma aumenta anche le prestazioni del modello”.

Rischi e sfide

Ma l’intelligenza artificiale all’edge pone anche rischi e sfide, afferma Lee, tra cui l’attuale mancanza di standard. “Vediamo un’ampia varietà di dispositivi hardware edge, chipset di processori, sensori, formati di dati e protocolli che di solito sono incompatibili. Ecco perché è necessario concentrarsi maggiormente sullo sviluppo di architetture aperte comuni”.

Inoltre, molti attori in questo settore si stanno concentrando su soluzioni una tantum che non sono scalabili o interoperabili o si basano su modelli di distribuzione del software tradizionali.Stiamo ancora vedendo applicazioni monolitiche create appositamente per dispositivi specifici. Dal punto di vista del design, abbiamo anche visto le tipiche architetture hub-and-spoke, che possono fallire quando la connettività è limitata”.

Un’altra sfida dell’AI distribuita è la sicurezza informatica. “Con il numero di dispositivi periferici implementati, la superficie di attacco aumenta in modo significativo”. Abbiamo già visto gli aggressori sfruttare dispositivi IoT non sicuri, come la botnet Mirai che ha infettato centinaia di migliaia di dispositivi nel 2016. Man mano che i dispositivi IoT proliferano e diventano più intelligenti, aumenteranno anche i rischi che comportano.

Un approccio al problema consiste nell’applicare il machine learning utilizzandolo per rilevare le minacce. Ma l’hardware edge è in genere più piccolo e più limitato in termini di risorse, limitando la quantità di dati che possono essere elaborati. “Dove l’edge computing basato sull’intelligenza artificiale può fare una grande differenza nella sicurezza informatica è nei micro-data center” afferma Shamik Mishra, CTO per la connettività nel settore dell’ingegneria e della ricerca e sviluppo di Capgemini.

“Il rilevamento delle minacce, la gestione delle vulnerabilità, la sicurezza perimetrale e la sicurezza delle applicazioni possono essere affrontate all’edge e gli algoritmi di intelligenza artificiale possono essere decentralizzati per rilevare le minacce attraverso il rilevamento delle anomalie”.

Stanno emergendo infine nuove tecnologie, come il servizio di accesso sicuro perimetrale. Questi combinano reti geografiche con funzionalità di sicurezza. “Più distribuiamo una funzionalità, più il sistema diventa vulnerabile con l’aumentare della superficie per gli attacchi. Quindi, le applicazioni di elaborazione edge devono mantenere la sicurezza come una priorità di progettazione”, conclude Mishra.

Se questo articolo ti è stato utile, e se vuoi mantenerti sempre aggiornato su cosa succede nell’industria ICT e ai suoi protagonisti, iscriviti alle nostre newsletter:

CWI: notizie e approfondimenti per chi acquista, gestisce e utilizza la tecnologia in azienda
CIO:
approfondimenti e tendenze per chi guida la strategia e il personale IT
Channelworld: notizie e numeri per distributori, rivenditori, system integrator, software house e service provider

Iscriviti ora!