Obiettivi
Il progetto nasce con l’obiettivo di sviluppare e validare una piattaforma Edge AI multimodale a basso consumo, capace di elaborare localmente dati provenienti da sensori eterogenei, migliorando accuratezza, efficienza e sostenibilità rispetto a soluzioni cloud-based.
Come obiettivo secondario, invece, il progetto intende integrare tecniche di Self-Supervised Learning per consentire al sistema di adattarsi autonomamente a condizioni operative variabili e apprendere direttamente dai dati non etichettati.
Sfida iniziale
I sistemi di monitoraggio industriale tradizionali dipendono da sensori singolo-scopo e da modelli AI supervisionati che richiedono dataset etichettati estesi e connettività cloud, risultando costosi, lenti e poco adattabili a contesti variabili.>
Soluzione
La soluzione proposta per rispondere alle esigenze del mercato attuale è una nuova generazione di sistemi di monitoraggio industriale, basati su AI multimodale eseguita direttamente su nodo-sensore a basso consumo energetico. Il sistema integra tecniche di Self-Supervised Learning per consentire al dispositivo di apprendere autonomamente dai dati non etichettati e adattarsi a condizioni operative variabili nel tempo, senza necessità di riaddestramenti centralizzati.
Benefici
I benefici dell’approccio Edge AI si estendono dall’efficienza operativa alla riusabilità in settori diversi:
- Monitoraggio scalabile e sostenibile, in grado di operare in autonomia anche in ambienti con risorse computazionali e di rete limitate
- Riduzione dei costi di deployment e dei consumi energetici rispetto alle soluzioni cloud-based
- Adattamento autonomo a nuovi scenari operativi tramite apprendimento continuo auto-supervisionato
- Piattaforma domain-agnostic, riutilizzabile in agritech, food processing, smart manufacturing ed energy
- Riduzione degli interventi manuali e della manutenzione straordinaria nei contesti applicativi
Il ruolo di IFAB
IFAB ha operato come finanziatore e partner tecnico, sostenendo il progetto nell’ambito delle proprie linee di investimento in ricerca e innovazione e contribuendo direttamente allo sviluppo della piattaforma. Il contributo tecnico ha riguardato la progettazione e lo sviluppo di una piattaforma di Edge AI multimodale capace di elaborare localmente, direttamente sul nodo-sensore a basso consumo energetico, dati provenienti da sensori eterogenei — riducendo la dipendenza da infrastrutture di calcolo centralizzate.
Un elemento distintivo della soluzione è l’implementazione di meccanismi di Self-Supervised Learning on-device, che consentono al sistema di apprendere da dati non etichettati e di adattarsi nel tempo senza necessità di riaddestramenti centralizzati. I modelli sono stati ottimizzati per l’esecuzione su dispositivi a risorse limitate secondo i principi del TinyML, integrati con sensori IoT per garantire rilevamento di anomalie efficiente nel rispetto dei vincoli energetici.
L’approccio è stato progettato come domain-agnostic e validato in un caso d’uso concreto: il monitoraggio del livello di biomasse nei digestori anaerobici per la produzione di biometano.
Adapt-AI ha permesso a Fondazione IFAB di consolidare competenze avanzate all’intersezione tra Edge AI, apprendimento auto-supervisionato e TinyML applicato a contesti industriali, un ambito in cui la capacità di portare intelligenza direttamente sul sensore, senza dipendere dalla rete, rappresenta un vantaggio operativo ed energetico di crescente rilevanza.
Per informazioni rivolgersi a: projects@ifabfoundation.org
