\n\n\n\n
Caso di studio: l\u2019utilizzo del sensore Power Meter<\/h2>\n\n\n\n
Ma per capire al meglio i benefici e i vantaggi della piattaforma, osserveremo ora l\u2019applicazione pratica di un modello di machine basato sulle serie temporali di dati provenienti da una rete elettrica domestica possa essere utilizzato per monitorare lo stato degli elettrodomestici collegati e identificare eventuali anomalie utilizzando il Power Meter.<\/p>\n\n\n\n
Un Power Meter \u00e8 uno strumento che misura la potenza elettrica e pu\u00f2 essere utile per il monitoraggio del consumo di elettricit\u00e0 in ambito residenziale. Collegando i dispositivi domestici di questo tipo alla piattaforma Riseberg \u00e8 possibile registrare, a intervalli di tempo regolare, la potenza assorbita, come nella figura sottostante.<\/p>\n\n\n\n Il trasferimento dei dati raccolti dallo strumento verso Riseberg avviene attraverso il protocollo MQTT su WiFi. Tale scambio \u00e8 reso sicuro dall\u2019implementazione di un canale mTLS, ovvero un canale cifrato (TLS) a cui viene aggiunto un sistema di mutua autenticazione tra le parti.<\/p>\n\n\n\n Quindi, la grande mole di dati rilevata dal power meter viene gestita attraverso DVC, una delle componenti essenziali del MLOps (vedere sezione Gestione del ciclo di vita tramite MLOps), che si interfaccia direttamente con Riseberg. Sfruttando DVC, l\u2019applicazione MLOps \u00e8 in grado tenere traccia del versioning dei dati e di rendere disponibili gli stessi per lo sviluppo e il mantenimento di un modello di Intelligenza Artificiale adibito alla classificazione dei cicli di funzionamento degli elettrodomestici. <\/p>\n\n\n\n L\u2019algoritmo di AI \u00e8 un modello basato su albero decisionale con circa 1000 stimatori ed addestrato in modalit\u00e0 supervisionata. I dati forniti all\u2019algoritmo sono precedentemente processati in una fase di estrazione delle feature che prevede attivit\u00e0 come l\u2019identificazione dello spettro delle frequenze e della densit\u00e0 spettrale di potenza dei segnali con relativi picchi. I dati cos\u00ec elaborati vengono proposti al modello che \u00e8 per sua natura confacente al riconoscimento dei pattern descritti dai segnali in potenza dei singoli elettrodomestici e delle singole fasi di funzionamento. Per esempio, nel caso in cui l\u2019apparecchio in analisi fosse una lavatrice, il modello sarebbe in grado di distinguerne il pattern e riconoscere le fasi di lavaggio, risciacquo e centrifuga. <\/p>\n\n\n\n Il modello addestrato sul funzionamento nominale degli elettrodomestici \u00e8 quindi in grado non solo di riconoscerne il segnale caratterizzante, ma di individuare, grazie alle propriet\u00e0 degli alberi decisionali, le caratteristiche che lo rendono tale tramite l\u2019estrazione dell\u2019importanza delle feature. In questo modo \u00e8 possibile utilizzare la medesima soluzione per identificare eventuali anomalie o malfunzionamenti, poich\u00e9 caratterizzati da segnali che non rispettano le peculiarit\u00e0 di un funzionamento in condizioni normali dell\u2019apparecchio. <\/p>\n\n\n\n Il modello addestrato insieme ai suoi artefatti viene salvato all\u2019interno della piattaforma MLOps e le predizioni esposte verso Riseberg per la loro visualizzazione.<\/p>\n\n\n\n Lettura consigliata: Nella tua azienda sei sottovalutato? Come capire quale dovrebbe essere la RAL giusta per te<\/a><\/strong><\/p>\n\n\n\n Il sistema di monitoraggio e identificazione delle anomalie descritto in precedenza comporta diverse complicazioni a livello di gestione dei servizi, soprattutto se si pensa alla manutenzione e all\u2019evoluzione del sistema a seguito della prima messa in produzione.<\/p>\n\n\n\n Per questo, Kalpa ha integrato vari strumenti di machine learning per implementare un flusso di MLOps per la gestione automatizzata di tutto il ciclo di vita del sistema. <\/p>\n\n\n\n Ogni progetto di machine learning parte con una fase di sperimentazione, in cui vengono analizzati i dati disponibili per determinare gli algoritmi pi\u00f9 idonei e le feature pi\u00f9 efficaci per il raggiungimento del risultato desiderato. Gi\u00e0 in questa fase preliminare entrano in gioco gli strumenti di MLOps, con il tool MLflow. Esso permette di far partire l\u2019addestramento del modello direttamente dal proprio ambiente di sviluppo (ad esempio, un notebook Jupiter). I vari esperimenti effettuati sono tracciati dalla piattaforma ed \u00e8 possibile visualizzare e confrontare i risultati ottenuti.<\/p>\n\n\n\n Al termine della sperimentazione, il modello di machine learning viene ingegnerizzato. Il codice sorgente e il dataset di training vengono versionati all\u2019interno di un repository GitLab (per completezza, \u00e8 opportuno specificare che lo storage dei dati si appoggia a un sistema dedicato alla memorizzazione di file di grandi dimensioni, come DVC o Git LFS).<\/p>\n\n\n\n Analogamente a quanto avviene nelle pratiche di DevOps, ai cambiamenti sul repository viene associata una pipeline, ovvero una serie di operazioni predefinite per costruire e distribuire un artefatto. <\/p>\n\n\n\n Nel caso di MLOps l\u2019artefatto, invece di essere un software compilato e testato, \u00e8 un modello addestrato. Il tool scelto per orchestrare il flusso di costruzione, addestramento e distribuzione del modello \u00e8 ZenML. La sua caratteristica principale \u00e8 la capacit\u00e0 di definire le pipeline direttamente in Python, mantenendo per\u00f2 la flessibilit\u00e0 di cambiare infrastruttura di esecuzione senza modificare il codice. A rendere l\u2019architettura ancora pi\u00f9 flessibile, \u00e8 la disponibilit\u00e0 \u201cout-of-the-box” di integrazioni con diversi provider di servizi cloud e diversi strumenti di machine learning. Nel caso in esame, ad esempio, il training e il tracciamento con MLflow utilizzato durante la fase di sperimentazione, rientra nella pipeline come uno degli step di ZenML.<\/p>\n\n\n\n Ma come viene interrogato un modello tracciato e registrato? BentoML \u00e8 una soluzione che permette di caricare un modello (anche direttamente da MLflow) e lo rende disponibile in un archivio redistribuibile (chiamato \u201cBento\u201d). Da esso \u00e8 possibile auto-generare un server che espone delle REST API, facilmente integrabili con altre applicazioni, nel caso in questione, l\u2019applicazione collegata a Riseberg. <\/p>\n\n\n\n E\u2019 quindi importante notare che, grazie a questo formato unificato di distribuzione del modello, \u00e8 possibile trasferire l\u2019inferenza sui dispositivi domestici Edge della rete IoT, senza complicare il ciclo di vita del sistema. L\u2019archivio \u201cBento\u201d pu\u00f2 essere, infatti, caricato sull\u2019Edge attraverso un normale processo di aggiornamento.<\/p>\n\n\n\n Come ultima fase di MLOps rimane il monitoraggio del funzionamento del modello in produzione, basato su Evidently AI, che permette di creare report in tempo reale e impostare la ricezione di e-mail di allarme, in caso di possibili problemi del modello o deriva dei dati.<\/p>\n\n\n\n Lettura consigliata: Scarica “The Ultimate Azure Cybersecurity Handbook” e proteggi il tuo ambiente cloud<\/a><\/strong><\/p>\n\n\n\n Nell\u2019ottica di individuare approcci pratici per la riduzione del consumo energetico e l\u2019ottimizzazione delle prestazioni, la soluzione proposta nella sezione Classificazione e rilevazione delle anomalie risulta essere un potenziale strumento di supporto decisionale. Le capacit\u00e0 del modello di AI possono essere utilizzate non solo per individuare e classificare segnali in potenza degli elettrodomestici ma, associandovi una coordinata temporale, anche per calcolare la durata dei cicli e i consumi correlati. <\/p>\n\n\n\n Questo porta grandi vantaggi perfino nella quotidianit\u00e0 di un privato cittadino; si pensi al beneficio che si pu\u00f2 trarre dal conoscere i consumi specifici degli elettrodomestici all\u2019interno di un\u2019abitazione consentendo quindi un\u2019analisi a posteriori sull\u2019utilizzo e favorendo cos\u00ec la messa in atto di abitudini ottimizzate in termini di risparmio energetico.<\/p>\n\n\n\n I vantaggi raggiungibili dall\u2019introduzione di questa nuova piattaforma sono diversi: innanzitutto, consentono di ridurre il tempo e lo sforzo necessari per implementare e gestire i modelli di machine learning. In secondo luogo, migliorano la qualit\u00e0 e l’affidabilit\u00e0 dei modelli di machine learning, sia perch\u00e9 ne consente un aggiornamento pi\u00f9 frequente, sia perch\u00e9 riducono sensibilmente gli errori rendendo riproducibili i processi operativi.<\/p>\n\n\n\n E quindi, la piattaforma Riseberg sviluppata da Kalpa, fornisce una soluzione potente e versatile per connettere i propri dispositivi domestici, grazie a:<\/p>\n\n\n\n Per questo ti invitiamo a scoprirne di pi\u00f9 sul mondo Kalpa tramite il loro sito web. <\/p>\n\n\n\n![\"\"\/](\"https:\/\/lh5.googleusercontent.com\/BvhVw_5gN8hM_ux4nCF_2fC3WDyQd-TnEdar18NgtscmgFBnFJXN7zvw6EBidqVxIgsGMf3-Pk0wvtxy0Oxg93aMg-MzEY2L2gFL_jCB4jPaW0_PkkCog9WHhmcMh4N2QxATsOZQLvyQuPhAiHPmT2g\")
Gestione delle anomalie<\/h3>\n\n\n\n
\n\n\n\n
\n\n\n\nSperimentazione e messa in produzione dei modelli<\/h2>\n\n\n\n
\n\n\n\n
\n\n\n\nMigliorare l’efficienza degli elettrodomestici<\/h2>\n\n\n\n
Conclusione<\/h2>\n\n\n\n
\n
![\"\"\/](\"https:\/\/lh4.googleusercontent.com\/Xfp6yk8oCpVWScnD3vHpa1D6XzEfZ4RB5s5Q26Pnbcz-hs6_ZO4CAuSaSu4CM4_HGjItoEz08ty4EmUmTRDnBYOSW3fdAlR9MMN00My7zGNhHWCMPa-vbiyKeuT8Id3nDU_LxpbLDIe45Enf16tbWqw\")