Implementazione di Deep Learning su sistemi embedded: The ALOHA experience = Implementation of Deep Learning on embedded systems: The ALOHA experience

L'Intelligenza Artificiale è avanzata al punto di poter trasformare la maggior parte dei settori negli anni a venire e tra i diversi approcci, certamente il Deep Learning rappresenta uno dei più promettenti. Infatti, esso ha già dimostrato la sua efficacia in numerose applicazioni come la classificazione delle immagini e il riconoscimento vocale. Tuttavia, l'implementazione di queste applicazioni su sistemi embedded richiede la soddisfazione di un importante trade-off: ottenere un'elevata precisione nonostante le limitate risorse energetiche e computazionali. L'approccio tradizionale per assolvere tale compito prevede due distinte fasi che consistono, nello sperimentare diverse configurazioni di rete fino ad ottenere un modello che incontri gli obiettivi di qualità prefissati, e nel cercare di ottimizzarlo rispetto alla specifica architettura target. In questo modo l'intero flusso di lavoro potrebbe richiedere mesi di codifica, compromettendo significativamente la produttività a seguito di continui rework, estenuanti fasi di tuning e sovraccarico di lavoro per i membri del team. Il lavoro di tesi, svolto presso Concept Reply, si pone come obiettivo l'ideazione e successiva implementazione di un caso studio volto a dimostrare i benefici derivanti dall'adozione di ALOHA, toolflow di automazione dell'intero processo di design.