Cognex Corporation annuncia di aver reso disponibile, a livello mondiale, VisionPro ViDi, software di analisi delle immagini basato sul “deep learning” ottimizzato per l’automazione industriale.

VisionPro ViDi amalgama l’intelligenza artificiale con il software di visione VisionPro di Cognex per affrontare e risolvere le applicazioni più impegnative che emergono nelle più svariate produzioni.

Durante la fase produttiva spesso si eseguono manualmente ispezioni complesse a causa di difetti e divergenze non prevedibili e troppo difficili da programmare e mantenere utilizzando la visione artificiale tradizionale.

VisionPro ViDi unisce le capacità di ispezione visiva umana con l’affidabilità, la replicabilità e la velocità di un sistema automatizzato per risolvere tutte quelle applicazioni in precedenza troppo complesse da automatizzare.

ViDi amplia la libreria core di VisionPro con strumenti di localizzazione, ispezione e classificazione con una nuova capacità di riconoscimento ottico dei caratteri basata sul deep learning.

Il nuovo strumento ViDi OCR legge il testo standard senza complesse o particolari preparazioni sui font.

Per la prima volta, è possibile leggere in modo affidabile in un ambiente industriale molti codici, dati e testi in rilievo o incisi davvero impegnativi.

“Gli utenti di VisionPro in tutto il mondo possono ora utilizzare l’intelligenza artificiale avanzata nelle loro fabbriche”, ha affermato Joerg Kuechen, senior vicepresident di Vision Products, Cognex Corporation. “Se gli esseri umani possono imparare a ispezionare i prodotti, anche VisionPro ViDi può farlo. VisionPro ViDi può essere addestrato in pochi minuti già con soltanto un minimo di 50 immagini.“

L'articolo Cognex avvia la distribuzione mondiale del software di analisi delle immagini basato sul “deep learning” proviene da Data Manager Online.

Con Internet of Things (IoT), sia industriale sia consumer, ci si sta spostando verso un mondo in cui non sarà raro vedere milioni di fonti di dati che generano dati da raccogliere, elaborare e analizzare. In effetti, sta già accadendo in alcuni settori come il manufacturing e l’oil and gas. Quando trenta anni fa nacque il data warehousing, con la pubblicazione del noto paper di Devlin e Murphy di IBM (“An architecture for a business and information system”, Devlin and Murphy, IBM Systems Journal Vol 27, N. 1, 1988), nessuno immaginava uno scenario di centinaia di fonti di dati, per non parlare di migliaia, centinaia di migliaia o milioni. Pertanto, furono creati strumenti di estrazione, trasformazione e caricamento (ETL, exact, transform and load) per accelerare lo sviluppo di processi di pulizia, trasformazione e integrazione dei dati senza che servisse scrivere codice per elaborare i dati.

Tuttavia, molti altri compiti erano ancora in larga misura manuali. Gli strumenti ETL hanno avuto molto successo nel migliorare la produttività, funzionando bene per numerose fonti di dati, ma oggi esistono differenze in termini di varietà, volume e velocità dei dati, e c’è anche stata un’esplosione nel numero di fonti di dati. Non solo: molte di queste fonti di dati provengono dall’esterno dell’azienda. Inoltre, sono ora necessari diversi tipi di carichi di lavoro analitici per produrre insight necessari, e sono emersi nuovi data store, oltre ai RDBMS analitici del data warehouse, ottimizzati per diversi tipi di analisi. Questi comprendono il cloud storage, i DBMS grafici NoSQL per l’analisi dei grafi, Hadoop e le piattaforme analytics e di streaming dati. Oggi, nelle aziende vi è un ampio spettro di attività analitiche che vanno oltre le query e il reporting nei data warehouse: vi sono il machine learning supervisionato (per esempio, per costruire modelli predittivi), quello senza supervisione (per i dati del cluster), il deep learning, l’elaborazione del linguaggio naturale, l’analisi dei grafi e lo streaming analytics. E molti di questi vengono ora eseguiti su larga scala su tecnologie come Apache Spark.

#IntelligenzaArtificiale per la gestione dei dati, ma servono nuove regole @mikeferguson1
Click To Tweet

Modello relazionale a fine corsa?

Si tratta sicuramente di un progresso, ma non mancano gli effetti collaterali, tra i quali vi è la complessità in termini di gestione dei dati. Ci sono numerosi data store, sono emerse migliaia di origini dati, i file intermedi sono ovunque e i dati si spostano in tutte le direzioni, dal cloud all’on premises e dall’on premises al cloud, dal NoSQL DBMS a Hadoop, da Hadoop a RDBMS e ritorno. Una cosa è certa: l’IT non sta tenendo il passo con le richieste del business. C’è bisogno di un cambio di passo nella produttività del software di gestione dei dati, che consenta di affrontare la complessità, aprendo al contempo la possibilità di coinvolgere analisti e data scientist in modo che l’IT e le imprese lavorino in modo collaborativo sugli stessi progetti per produrre dati attendibili per l’analisi. Le attività devono essere automatizzate per integrare velocemente nuovi dati e consentire l’elaborazione rapida. Inoltre, i risultati intermedi devono essere condivisi in modo che tutti sappiano cosa è stato o non è ancora stato prodotto. Per far questo, è necessario un software di gestione dei dati che sia smart, e che sia dotato di interfacce utente per l’IT e per il business, ma soprattutto che fornisca analisi integrate per automatizzare il rilevamento dei dati e la loro profilazione, la codifica semantica, la classificazione della governance dei dati, la catalogazione dei dati e persino la mappatura dei dati.

Data lake logici

Serve un riconoscimento automatico di dati comuni come il codice fiscale, i codici postali, i nomi, gli indirizzi, le date, gli orari e così via. Serve anche la correzione automatica dei dati e un software che abbia capacità di self learning, in modo da migliorare l’automazione e la produttività. Per eliminare il backlog, bisogna consentire alle persone del business che utilizzano la preparazione self-service dei dati e ai professionisti IT che utilizzano strumenti ETL di condividere le specifiche dei metadati e i set di dati intermedi in un ambiente di sviluppo collaborativo, il tutto integrato con un catalogo di informazioni. Perché ciò accada, bisogna che un catalogo di informazioni diventi centrale per tutto, in modo che tutti sappiano quali dati vi sono e dove sono. Nei cataloghi di informazioni, la discovery automatica esamina ogni singolo dato nel tentativo di individuare automaticamente i dati e il loro significato. I modelli predefiniti, quelli definiti dall’utente e gli analytics consentono di identificare automaticamente quali sono i dati, come denominarli, come classificarli a fini di governance e se si riferiscono ad altri dati già catalogati. Questo approccio di intelligenza artificiale è rapido e ideale per aiutare a creare e gestire i cosiddetti “data lake logici” che consistono in più data store, sia on premises sia nel cloud, nei quali i dati provengono spesso da fonti di dati il cui numero aumenta rapidamente, e potrebbero non essere ben compresi. La discovery automatica consente inoltre di scoprire i dati semi-strutturati, e potenzialmente può anche derivare automaticamente dati strutturati da dati non strutturati durante il processo di scoperta, per esempio tramite l’elaborazione del linguaggio naturale. Senza questo, non c’è modo di tenere il passo con la domanda. Questo approccio significa anche che la mappatura di dati disparati in vocabolari di business comuni può anche essere automatizzata, in modo che le aziende possano basarsi sul proprio investimento in un glossario di business oppure iniziarne uno.

#DaNonPerdere Data & Analytics Summit il 21e 22 giugno a Roma – @mikeferguson1 @techtran
Click To Tweet

Policy per una governance complessa

Per affrontare la governance dei dati in un panorama dati così complesso, è necessario definire le politiche e le regole una volta per tutte e applicarle ovunque in tutti i data store in cui compaiono gli stessi dati. Quello che serve è identificare quali dati vi sono e dove sono, classificare i dati (per esempio i dati personali identificabili), quindi taggarli in modo da sapere come governarli. Il passo successivo è collegare le regole alle policy e le policy ai tag. Pertanto, se i dati sono presenti in più data store, possono essere riconosciuti automaticamente, con ogni istanza dotata dello stesso tag semantico. Inoltre, ogni istanza di dati verrebbe probabilmente classificata allo stesso modo con un tag di governance per sapere come governarlo. Pertanto, la stessa policy si applicherebbe indipendentemente da dove si trovano i dati tra diversi data store sia on premises sia nel cloud. Il catalogo dovrebbe quindi sapere dove sono i dati, essere in grado di classificarli automaticamente, utilizzando l’intelligenza artificiale o consentire la classificazione manuale dei dati. Fornirebbe quindi le politiche e le regole per governarli in modo coerente su tutti i data store eterogenei. L’unico altro requisito è quello di disporre di motori di applicazione diversi in ciascuno di questi ambienti per applicare la stessa politica in più data store o per poter passare la policy e le regole su diverse tecnologie sottostanti, tramite l’interscambio di metadati. La buona notizia è che oggi tutto questo sta iniziando a essere implementato dai vendor che si occupano di gestione dati. La tendenza va sempre più verso software di gestione dati con intelligenza artificiale. Se la abbracciamo e la mettiamo all’opera in un panorama dati sempre più complesso, abbiamo buone possibilità di abbattere i muri tra IT e business, rimanendo agili e riducendo ancora il time-to-value.

Mike Ferguson

Managing director di Intelligent Business Strategies, è analista e consulente specializzato in business intelligence ed enterprise business integration. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la business intelligence, l’enterprise architecture, la business process integration, l’application integration e la data integration. Oltre a essere speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson sarà il chairman del “Data & Analytics Summit 2018” di Technology Transfer il 21-22 giugno a Roma. Inoltre, presenterà il seminario “Enterprise Data Governance & Master Data Management” il 19-20 giugno.

L'articolo Vincere la complessità dei dati. È l’ora dello smart data management proviene da Data Manager Online.

Sophos lancia la nuova versione di Intercept X dotata di rilevamento del malware ottimizzato dalla rete neurale del deep Learning. L’ultima versione della soluzione di protezione degli endpoint di nuova generazione include nuove funzionalità di mitigazione degli attacchi, lockdown avanzato delle applicazioni e una migliore protezione dai ransomware garantendo standard di rilevamento delle minacce e prevenzione mai raggiunti prima.

Il Deep Learning, evoluzione del Machine Learning, rende disponibile un modello di rilevamento altamente scalabile in grado di analizzare e apprendere l’intero panorama visibile delle minacce. Con la capacità di processare centinaia di milioni di campioni, il Deep Learning è in grado di fornire previsioni più accurate rispetto al Machine Learning tradizionale, in modo rapido e con un tasso minore di falsi positivi.

“I modelli di Machine Learning tradizionali si basano su parametri che vengono impostati dagli esperti di analisi delle minacce e ciò implica che siano influenzati dal fattore umano. Inoltre, più dati vengono aggiunti, più tali modelli diventano complessi e pesanti e di conseguenza lenti e macchinosi. Non va inoltre sottovalutato l’elevato tasso di falsi positivi che li caratterizza e che costringe gli IT manager a dedicare tempo per tentare di determinare se si tratti realmente di malware oppure no” spiega Tony Palmer, Senior Validation Analyst dell’Enterprise Strategy Group (ESG). “Al contrario, la rete neurale del Deep Learning che caratterizza il nuovo Intercept X è stata sviluppata per imparare dell’esperienza, creando correlazioni tra il comportamento osservato e il malware. Queste correlazioni permettono un elevato tasso di accuratezza nell’individuazione di malware esistenti e di malware zero-day e un tasso di falsi positivi sensibilmente ridotto. L’analisi svolta dall’ESG Lab rileva che questo modello è facilmente scalabile, e che più dati integra più diventa intelligente. Ciò permette di utilizzare una rilevazione del malware aggressiva senza penalizzare le prestazioni amministrative o di sistema “.

Questa nuova versione di Sophos Intercept X è caratterizzata inoltre da importanti innovazioni per quanto riguarda la lotta al ransomware, la prevenzione degli exploit e la mitigazione di attacchi hacker come quelli mirati al furto di credenziali. Il sensibile miglioramento della soluzione anti-malware ha infatti portato i cybercriminali a concentrarsi sempre di più sul furto di credenziali per potersi poi muovere legittimamente all’interno di sistemi e reti; Intercept X rileva e previene questo comportamento. Reso disponibile attraverso la piattaforma di gestione basata su cloud Sophos Central, Intercept X può essere installato contestualmente al software di sicurezza degli endpoint pre-esistente di qualsiasi fornitore, incrementando immediatamente la protezione degli endpoint. Se utilizzato con Sophos XG Firewall, Intercept X mette inoltre a disposizione funzionalità di sicurezza sincronizzata che ottimizzano ulteriormente la protezione.

“La protezione predittiva è il futuro della sicurezza informatica. Sophos ha compiuto un enorme passo avanti integrando le reti neurali del Deep Learning all’interno del suo prodotto leader nella protezione dai ransomware e dagli exploit, Intercept X,” commenta Dan Schiappa, Vice President Senior e General Manager of Products di Sophos. Prevedere e dunque essere in grado di proteggersi dal prossimo attacco sconosciuto invece di aspettare che colpisca cambierà il modo in cui l’IT di ogni azienda proteggerà i propri utenti e le proprie risorse. Intercept X può portare la protezione più avanzata di nuova generazione a qualsiasi organizzazione, indipendentemente dalla loro strategia attuale “.

Questa tendenza viene confermata anche dal report ESG Lab Validation, ogni azienda dovrebbe presumere di essere sempre sotto l’attacco di minacce informatiche. In una recente ricerca ESG, più di un quarto degli interlocutori aziendali intervistati ha affermato che oggi l’analisi e le operazioni di cybersecurity siano rese più complesse a causa dei rapidi cambiamenti nel panorama delle minacce. (Cybersecurity Analytics and Operations in Transition, luglio 2017.)

Le nuove caratteristiche di Intercept X includono:

Rilevamento del malware grazie al Deep Learning

• Il modello basato sul Deep Learning individua i malware conosciuti e sconosciuti e le Applicazioni Potenzialmente Indesiderate (PUA) prima che vengano avviate, senza fare affidamento sulle signature.
• Tale modello occupa meno di 20MB e gli aggiornamenti richiesti sono saltuari

Mitigazione degli attacchi attivi

Protezione dal furto di credenziali: prevenire il furto di password di autenticazione e informazioni hash dalla memoria, registro e archiviazione persistente, come accaduto nel caso di attacchi come Mimikatz.

• Rilevazione della tecnica di code cave: rileva la presenza di codice arbitrario in un’altra applicazione, spesso utilizzata per la persistenza e l’elusione antivirus
• Protezione APC: rilevazione dell’abuso di APC (Asynchronous Procedure Calls) spesso sfruttato come parte della tecnica di iniezione codice AtomBombing e, più recentemente, utilizzato come metodo di diffusione del worm WannaCry e NotPetya via EternalBlue e DoublePulsar (gli hacker abusano di queste chiamate per far sì che sia un altro processo ad eseguire il codice dannoso)

Nuove tecniche di prevenzione degli exploit

• Migrazione dei processi malevoli: rileva la tecnica di “remote reflective DLL injection” utilizzata dagli hacker per spostarsi tra i processi in esecuzione sul sistema.
• Processo di escalation dei privilegi: evita che un processo a basso privilegio si trasformi in un processo a più alto privilegio, una tattica utilizzata per ottenere un elevato accesso al sistema.

Lockdown delle applicazioni migliorata

• Lockdown del comportamento del browser: Intercept X previene l’uso dannoso di PowerShell dai browser come blocco del comportamento di base
• Lockdown dell’applicazione HTA: verranno applicate alle applicazioni HTML caricate dal browser gli stessi blocchi come se fossero un browser.

L'articolo Sophos: nuova versione di Intercept X con Deep Learning avanzato proviene da Data Manager Online.

Sophos lancia la nuova versione di Intercept X dotata di rilevamento del malware ottimizzato dalla rete neurale del Deep Learning.

L’ultima versione della soluzione di protezione degli endpoint di nuova generazione include nuove funzionalità di mitigazione degli attacchi, lockdown avanzato delle applicazioni e una migliore protezione dai ransomware garantendo standard di rilevamento delle minacce e prevenzione mai raggiunti prima.

Il Deep Learning, evoluzione del Machine Learning, rende disponibile un modello di rilevamento altamente scalabile in grado di analizzare e apprendere l’intero panorama visibile delle minacce. Con la capacità di processare centinaia di milioni di campioni, il Deep Learning è in grado di fornire previsioni più accurate rispetto al Machine Learning tradizionale, in modo rapido e con un tasso minore di falsi positivi.

“I modelli di Machine Learning tradizionali si basano su parametri che vengono impostati dagli esperti di analisi delle minacce e ciò implica che siano influenzati dal fattore umano. Inoltre, più dati vengono aggiunti, più tali modelli diventano complessi e pesanti e di conseguenza lenti e macchinosi. Non va inoltre sottovalutato l’elevato tasso di falsi positivi che li caratterizza e che costringe gli IT manager a dedicare tempo per tentare di determinare se si tratti realmente di malware oppure no” spiega Tony Palmer, Senior Validation Analyst dell’Enterprise Strategy Group (ESG). “Al contrario, la rete neurale del Deep Learning che caratterizza il nuovo Intercept X è stata sviluppata per imparare dell’esperienza, creando correlazioni tra il comportamento osservato e il malware. Queste correlazioni permettono un elevato tasso di accuratezza nell’individuazione di malware esistenti e di malware zero-day e un tasso di falsi positivi sensibilmente ridotto. L’analisi svolta dall’ESG Lab rileva che questo modello è facilmente scalabile, e che più dati integra più diventa intelligente. Ciò permette di utilizzare una rilevazione del malware aggressiva senza penalizzare le prestazioni amministrative o di sistema”.

Questa nuova versione di Sophos Intercept X è caratterizzata inoltre da importanti innovazioni per quanto riguarda la lotta al ransomware, la prevenzione degli exploit e la mitigazione di attacchi hacker come quelli mirati al furto di credenziali. Il sensibile miglioramento della soluzione anti-malware ha infatti portato i cybercriminali a concentrarsi sempre di più sul furto di credenziali per potersi poi muovere legittimamente all’interno di sistemi e reti; Intercept X rileva e previene questo comportamento. Reso disponibile attraverso la piattaforma di gestione basata su cloud Sophos Central, Intercept X può essere installato contestualmente al software di sicurezza degli endpoint pre-esistente di qualsiasi fornitore, incrementando immediatamente la protezione degli endpoint. Se utilizzato con Sophos XG Firewall, Intercept X mette inoltre a disposizione funzionalità di sicurezza sincronizzata che ottimizzano ulteriormente la protezione.

“La protezione predittiva è il futuro della sicurezza informatica. Sophos ha compiuto un enorme passo avanti integrando le reti neurali del Deep Learning all’interno del suo prodotto leader nella protezione dai ransomware e dagli exploit, Intercept X,” commenta Dan Schiappa, Vice President Senior e General Manager of Products di Sophos. Prevedere e dunque essere in grado di proteggersi dal prossimo attacco sconosciuto invece di aspettare che colpisca cambierà il modo in cui l’IT di ogni azienda proteggerà i propri utenti e le proprie risorse. Intercept X può portare la protezione più avanzata di nuova generazione a qualsiasi organizzazione, indipendentemente dalla loro strategia attuale”.

Questa tendenza viene confermata anche dal report ESG Lab Validation, ogni azienda dovrebbe presumere di essere sempre sotto l’attacco di minacce informatiche. In una recente ricerca ESG, più di un quarto degli interlocutori aziendali intervistati ha affermato che oggi l’analisi e le operazioni di cybersecurity siano rese più complesse a causa dei rapidi cambiamenti nel panorama delle minacce. (Cybersecurity Analytics and Operations in Transition, luglio 2017.)

Le nuove caratteristiche di Intercept X includono:

Rilevamento del malware grazie al Deep Learning

• Il modello basato sul Deep Learning individua i malware conosciuti e sconosciuti e le Applicazioni Potenzialmente Indesiderate (PUA) prima che vengano avviate, senza fare affidamento sulle signature.
• Tale modello occupa meno di 20MB e gli aggiornamenti richiesti sono saltuari

Mitigazione degli attacchi attivi

Protezione dal furto di credenziali: prevenire il furto di password di autenticazione e informazioni hash dalla memoria, registro e archiviazione persistente, come accaduto nel caso di attacchi come Mimikatz.

• Rilevazione della tecnica di code cave: rileva la presenza di codice arbitrario in un’altra applicazione, spesso utilizzata per la persistenza e l’elusione antivirus
• Protezione APC: rilevazione dell’abuso di APC (Asynchronous Procedure Calls) spesso sfruttato come parte della tecnica di iniezione codice AtomBombing e, più recentemente, utilizzato come metodo di diffusione del worm WannaCry e NotPetya via EternalBlue e DoublePulsar (gli hacker abusano di queste chiamate per far sì che sia un altro processo ad eseguire il codice dannoso)

Nuove tecniche di prevenzione degli exploit

• Migrazione dei processi malevoli: rileva la tecnica di “remote reflective DLL injection” utilizzata dagli hacker per spostarsi tra i processi in esecuzione sul sistema.
• Processo di escalation dei privilegi: evita che un processo a basso privilegio si trasformi in un processo a più alto privilegio, una tattica utilizzata per ottenere un elevato accesso al sistema.

Lockdown delle applicazioni migliorata

• Lockdown del comportamento del browser: Intercept X previene l’uso dannoso di PowerShell dai browser come blocco del comportamento di base
• Lockdown dell’applicazione HTA: verranno applicate alle applicazioni HTML caricate dal browser gli stessi blocchi come se fossero un browser.

L'articolo Intercept X: bloccare il ransomware con il Deep Learning proviene da Data Manager Online.

In particolare, oggi la piattaforma SAS ha tre caratteristiche: diversity, scale e trust. Diversity significa dare la possibilità di accedere agli analytics di tutti i generi, dal deep learning all’intelligenza artificiale al text analytics, a utenti che non devono essere vincolati a un tipo di linguaggio. Scale, perché tutto questo deve essere in una logica di scalabilità, con una soluzione che può essere utilizzata anche su grandissime quantità di dati. Infine, la logica del trust è quella che da oltre 40 anni guida l’attività di SAS, che utilizza una piattaforma che è consolidata e riconosciuta sul mercato da lungo tempo.

Videointervista a Cristina Conti, SAS
Click To Tweet

L'articolo Videointervista a Cristina Conti, Analytics Manager EMEA di SAS proviene da Data Manager Online.

Con l’obiettivo di introdurre l’High Performance Computing (HPC) e le capacità di data analytics all’interno delle aziende, Dell EMC ha annunciato nuove soluzioni dedicate al machine learning e al deep learning; secondo la società, la convergenza tra HPC e data analytics permetterà di ottenere importanti risultati, a partire da aree quali il rilevamento delle frodi, l’elaborazione delle immagini, l’analisi degli investimenti finanziari e la medicina personalizzata.

Alla base dello sviluppo di queste nuove soluzioni vi è l’idea da parte di Dell EMC di rendere “democratico” l’HPC, per ottimizzare la data analytics con le innovazioni tecnologiche dell’intelligenza artificiale (AI) e per far crescere le comunità dell’HPC e dell’AI.

Se infatti è vero che l’Intelligenza Artificiale, il machine learning e deep learning si stanno rapidamente diffondendo all’interno delle aziende, e in più settori, solo poche di esse hanno le competenze necessarie per progettare, implementare e gestire veri e propri sistemi in grado – in maniera efficace – di ottenere velocemente nuovi insight.

Dell EMC, facendo leva sul suo ecosistema di partner e sulla sua competenza nell’ambito dei servizi di data analytics e HPC, ha sviluppato nuove soluzioni che permettono alle aziende di trarre il massimo vantaggio dall’enorme quantità di dati in loro possesso, ricavandone insight più rapidi, in tempo reale, migliori e approfonditi: i nuovi Dell EMC Machine e Deep Learning Ready Bundle infatti combinano servizi, storage, networking e server pre-collaudati e convalidati, ottimizzati per le applicazioni di machine learning e deep learning. Inoltre, i clienti Dell EMC Deep Learning Ready Bundle possono avvalersi del nuovo server Dell EMC PowerEdge C4140 con il supporto degli acceleratori GPU di ultima generazione NVIDIA Tesla V100, PCIe e tecnologia di interconnessione ad alta velocità NVLink.

L'articolo Dell EMC porta i vantaggi del machine e deep learning a tutte le aziende proviene da Data Manager Online.

Si sta tenendo negli USA l’evento annuale di Amazon Web Services. La compagnia ieri ha svelato DeepLens, una speciale videocamera che si pone l’obiettivo di migliorare lo studio di classi di oggetti e soggetti per finalità di deep learning. In parole povere, chiunque può piazzare questo oggettino, in arrivo nel 2018, e collegarvi un software di apprendimento automatico, non solo per operazioni oggi già possibili (pensiamo alla Nest IQ Cam) di monitoraggio individuale ma anche all’interno di spazi pubblici ampi, dove è sempre più necessario alzare i livelli di sicurezza. Detto questo, DeepLens si rivolge prettamente al mondo degli sviluppatori, che potranno integrare l’analisi visiva con i loro progetti esistenti, o nuovi, su SageMaker, TensorFlow e Caffe2, per fare un passo in avanti verso il futuro dell’Internet delle Cose.

Come funziona

Quello che cambia con DeepLens è che al suo interno ha una base computazionale che la rende intelligente già alla nascita. La piattaforma di elaborazione è AWS Greengrass, che appunto può comunicare con quelle citate prima e supportate pienamente. “DeepLens lavora sui modelli direttamente al suo interno – ha spiegato il general manager dei servii AI di AWS Matt Wood – non c’è bisogno di inviare i video da nessuna parte. Può imparare poi a lavorare meglio con SageMaker e con gli altri software più conosciuti”. Da quanto ne sappiamo, la videocamera è in grado di eseguire il riconoscimento facciale, di oggetti ed effettuare sentiment analyssis su larga scala, spulciando tra le informazioni in memoria, che includono attività eterogenee, persino alcune specifiche, come il lavaggio dei denti e l’utilizzo di strumenti musicali. Tecnicamente, DeepLens include un sensore da 4 megapixel e due microfoni, così come 8 GB di memoria RAM e 16 GB di storage. Il prezzo è di 249 dollari e probabilmente la vedremo prima negli USA e poi in altri mercati selezionati.

L'articolo Amazon AWS annuncia DeepLens, la videocamera per il deep learning proviene da Data Manager Online.

Le vite di milioni di persone si intrecciano istante per istante con i “luoghi” di Internet, in particolare i social network, i blog, le recensioni su prodotti ed esercizi commerciali, i mille contenitori personali in cui riversiamo gioie, paure, sensazioni, giudizi. In questo flusso ininterrotto, imponente, si nascondono le cose che “fanno tendenza”, gli aggregatori del consenso delle persone. Cogliere per primi i deboli segnali di questi trend può significare molto: un concreto vantaggio competitivo nel lancio di un nuovo prodotto, una campagna pubblicitaria più efficace, o perché no, un messaggio elettorale vincente. Nextatlas è una sorta di telescopio “big data” puntato sulla radiazione di fondo del social web, un “sensore” che con i suoi sofisticati algoritmi di correlazione, la potenza dei suoi motori semantici, è in grado di cogliere i deboli segnali di tutto quanto possa fare tendenza.

COME NASCE L’IDEA

L’idea nasce da due fratelli torinesi, Luca e Alessio Morena: uno ricercatore al dipartimento di Filosofia dell’Università di Bologna, l’altro architetto, catturato molto presto dalla Rete e convertitosi alla comunicazione digitale. Il loro è un percorso imprenditoriale che si svolge in due tappe. «Prima di buttarci nell’avventura di Nextatlas – dice Alessio Morena – abbiamo creato un mobile social network che sfruttava le capacità dell’iPhone e si chiamava iCoolHunt. Era il 2012 e allora immaginavamo di poter condividere le tendenze emergenti in una comunità di trend setter, facendo emergere quelle più significative». C’era un forte elemento di gamification in quel primo esperimento, per certi versi simile all’Instagram di allora, ma anticipatore del concetto di stream visuale utilizzato come diario del gusto e della moda di cinquantamila utenti motivati. «Un primo round di un milione di euro, concesso dal fondo Atlante Venture di Intesa San Paolo, ci aveva permesso di realizzare il social network, ma avevamo già in mente il vero obiettivo: un tool capace di mettere in evidenza dati e informazioni di business intelligence e soprattutto di forecasting rivolto ad aziende e altre istituzioni». Nel maggio di quest’anno, forte del successo ottenuto con iCoolHunt e dell’arrivo dei primi clienti commerciali, un secondo round di finanziamenti provenienti da un insieme di investor internazionali e “family office” (termine che designa un fondo strutturato basato su capitali di famiglia) consente a Luca e Alessio di compiere un significativo balzo in avanti nel giovane ma fiorente mercato dei big data.

#vision @nextatlas Tutto quanto fa(rà) tendenza
Click To Tweet

A CACCIA DI VERI INFLUENCER

«Nextatlas – spiega ancora Morena – è un grande motore di intelligenza artificiale che analizza milioni di dati da social come Tumblr, Instagram, Twitter. Puntiamo a identificare in questi flussi i cosiddetti “influencer”, che non sono, per intendersi, personaggi alla Chiara Ferragni, ormai solo dei testimonial pagati, ma membri autorevoli e indipendenti di piccole community. Queste community vengono modellate, sui modelli vengono applicati algoritmi che risalgono alle fonti delle fonti e il network si estende a un certo numero di insider. Oggi, sono circa trecentomila persone in tutto il mondo e insieme ogni mese macinano miliardi di data point». Dati che vengono ulteriormente arricchiti attraverso la geolocalizzazione, il timbro temporale, descrizioni più dettagliate e che alla fine vengono analizzati con algoritmi di correlazione in grado di amplificare la più piccola traccia di un trend emergente. «Tutto sta nella forza delle macchine» – sottolinea Morena. Con Nextatlas riusciamo a cogliere “onde” altrimenti invisibili». Tra le varie analisi, c’è anche quella testuale-semantica, che Nextatlas realizza con il motore semantico Cogito di Expert System. Ma c’è anche l’analisi delle immagini, per la quale è stato scelto il motore di riconoscimento visuale di Clarifai, la tecnologia leader nel campo. Persino l’analisi cromatica che serve all’utente per valutare meglio gli abbinamenti di colore di un abito o di un paio di scarpe. Nextatlas cerca di sfruttare al meglio il meccanismo dei microservizi, delle funzionalità modulari accessibili via API, per non dover reinventare cose già fatte e ottimizzare la sua “dashboard”.

#vision @nextatlas Come tracciare l’evoluzione dei #trends in realtime
Click To Tweet

COME FUNZIONA

Tutte le informazioni ottenute dall’AI di Nextatlas vengono infine validate da un gruppo di esperti umani, che confermano e affinano i trend identificati e tradotti in una serie di tag che trasformano il motore analitico in un potente motore di ricerca. «Un altro vantaggio è che tutte queste informazioni sono collegate tra di loro, e permettono di focalizzarsi solo su una determinata nazione o città, addirittura, su un singolo quartiere. Ma il vero valore aggiunto è l’analisi qualitativa sulle evidenze quantitative, che vengono accumulate per essere esposti al cliente sotto forma di circa 400 trend – da “micro” a “macro” – che riguardano di tutto, il design, la tecnologia…». Come viene utilizzato Nextatlas, quale tipo di organizzazione accede a questa piattaforma di analisi e previsione? Il mercato di riferimento è quello della business intelligence di nuova generazione, dei tool di supporto decisionale utilizzati dalla Industry 4.0. «Apparteniamo a una nicchia, quella del trend forecasting, che nasce negli anni 90 per merito di una azienda londinese, la WGSN, che aveva inventato il concetto di trendbook da digitalizzare e diffondere in rete. La dashboard di Nextatlas viene utilizzata in ogni settore, in genere da clienti di grandi dimensioni con forti strutture di marketing e R&D, ma anche dai centri stile, come dai centri media». Alessio Morena riferisce per esempio di un cliente pubblicitario che grazie alle informazioni “anticipatrici” di Nextatlas è riuscito ad aggiudicarsi una gara bandita da un grande brand di cosmesi. Ma la giovane azienda può vantare tra i suoi clienti tutto il gruppo FCA, imprese alimentari e molti prodotti di consumo. I trend rilevati con il deep learning hanno avuto un ruolo anche nella recente campagna elettorale in Sicilia. La conoscenza estratta può servire per impostare una campagna di comunicazione vincente, ma anche per riconoscere il sapore giusto da conferire alla nuova merendina. Con Lavazza è stato fatto un lungo lavoro sul mondo degli appassionati di caffé, presentato al pubblico del Festival del Marketing a Londra.

#vision A caccia di tendenze @nextatlas rivela i segnali deboli della rete
Click To Tweet

NUOVI ORIZZONTI

Nelle sue ultime evoluzioni, conclude Alessio Morena, Nextatlas sta allargando il proprio orizzonte d’azione sia attraverso l’offerta di analisi specializzate per clienti con necessità molto specifiche, sia andando a esplorare ambiti inattesi, che sorprendono gli stessi creatori di questo tool. «Per esempio, ci è stato chiesto di individuare non trend, ma nuove aziende che possono essere target delle strategie di acquisizione di una grande multinazionale. E una delle applicazioni future potrebbe essere l’uso dei nostri sensori non più in ambito social web, ma all’interno delle stesse aziende, per estrarre informazioni dalle loro piattaforme CRM o dai portali aziendali». Combinando l’intelligenza dei suoi algoritmi e la potenza di calcolo delle macchine, Nextatlas è una sfera di cristallo puntata sulle opportunità di business del futuro.

L'articolo Nextatlas, tutto quanto fa(rà) tendenza proviene da Data Manager Online.

Hewlett Packard Enterprise ha annunciato nuove piattaforme e nuovi servizi su misura per aiutare le aziende a semplificare l’adozione dell’intelligenza artificiale, partendo da un’importante area dell’AI (Artificial Intelligence) conosciuta come deep learning.

Ispirato dal cervello umano, il deep learning viene tipicamente implementato per attività complesse quali il riconoscimento di immagini e volti, la classificazione di immagini e il riconoscimento vocale. Per poter sfruttare al meglio il deep learning, le aziende hanno bisogno di un’infrastruttura di calcolo ad alte prestazioni in grado di creare e addestrare modelli di apprendimento capaci di gestire grandi volumi di dati per riconoscere i pattern presenti nell’audio, nelle immagini, nei video, nei testi e nei dati provenienti da sensori.

Molte aziende non dispongono di tutti gli elementi necessari a implementare il deep learning, incluse competenze e risorse, sofisticate infrastrutture hardware e software su misura e capacità di integrazione necessarie ad assimilare i vari componenti hardware e software per poter scalare i sistemi AI. Per aiutare i clienti a superare questi ostacoli e concretizzare le potenzialità dell’AI, HPE ha annunciato le seguenti proposte:

• HPE Rapid Software Development for AI: HPE ha introdotto una soluzione hardware e software integrata appositamente realizzata per le applicazioni di High Performance Computing e deep learning. Basata sul sistema HPE Apollo 6500 in collaborazione con Bright Computing per consentire il rapido sviluppo di applicazioni di deep learning, questa soluzione comprende framework software preconfigurati per il deep learning, librerie, aggiornamenti software automatici e gestione dei cluster ottimizzata per il deep learning. La soluzione supporta le GPU NVIDIA Tesla V100.
• HPE Deep Learning Cookbook: creato dal team AI Research di Hewlett Packard Labs, Deep Learning Cookbook è un set di strumenti che guidano il cliente nella scelta del miglior ambiente hardware e software per le diverse attività di deep learning. Questi tool aiutano le aziende a stimare le performance delle varie piattaforme hardware, caratterizzare i più diffusi framework dedicati al deep learning e scegliere gli stack hardware e software ideali per le proprie esigenze individuali. Deep Learning Cookbook può essere inoltre utilizzato per convalidare le performance e ottimizzare la configurazione degli stack hardware e software già acquistati. Una casistica di utilizzo presente nel Cookbook riguarda gli HPE Image Classification Reference Design. Questi reference design forniscono ai clienti configurazioni infrastrutturali ottimizzate per l’addestramento di modelli di classificazione delle immagini per vari fini, come la verifica delle targhe automobilistiche o la classificazione dei tessuti biologici. Questi design sono collaudati per garantirne le performance ed eliminare eventuali incertezze aiutando i data scientist e l’IT a essere più efficienti ed economicamente efficaci.
• HPE AI Innovation Center: ideati per progetti di ricerca a più lungo termine, questi centri per l’innovazione agiranno da piattaforma per la collaborazione sulla ricerca tra università, aziende operanti all’avanguardia nella ricerca sulla AI e ricercatori HPE. I centri, situati a Houston, Palo Alto e Grenoble, offriranno ai ricercatori di atenei e imprese l’accesso a infrastrutture e strumenti necessari per proseguire le iniziative di ricerca.
• HPE Center of Excellence (CoE) potenziati: studiati per assistere dipartimenti IT e data scientist che intendono accelerare le proprie applicazioni di deep learning e ricavare un ROI migliore dai deployment di deep learning nel breve termine, gli HPE CoE offrono a clienti selezionati l’accesso alle ultimissime tecnologie e competenze,  comprese le più recenti GPU NVIDIA sui sistemi HPE. I CoE si trovano attualmente a Houston, Palo Alto, Tokyo, Bangalore e Grenoble.

“Oggi viviamo in un mondo dove generiamo enormi quantità di dati, e il deep learning può aiutarci a ricavarne intelligence”, ha dichiarato Pankaj Goyal, vice president, Artificial Intelligence Business di Hewlett Packard Enterprise. “Tuttavia un’unica soluzione valida per tutti non può funzionare: ogni azienda ha le proprie esigenze specifiche che richiedono un approccio particolare per avviare, scalare e ottimizzare l’infrastruttura in funzione del deep learning. In HPE intendiamo rendere concreta l’AI per i nostri clienti, ovunque essi siano, grazie al nostro portafoglio infrastrutturale, alle competenze AI, alla ricerca avanzata e all’ecosistema dei partner”.

Nell’ambito della propria mission finalizzata ad aiutare a concretizzare l’AI per i propri clienti, HPE propone servizi per il consumo flessibile dell’infrastruttura HPE in modo da evitare l’overprovisioning, aumentare i risparmi finanziari e scalare verso l’alto o verso il basso, secondo necessità, così da soddisfare i requisiti dei deployment di deep learning.

“L’intelligenza artificiale ha la capacità di trasformare l’analisi dei dati scientifici ricavandone previsioni e sorprendenti connessioni”, ha commentato Paul Padley, docente di fisica e astronomia presso la Rice University. “Oggi la rivoluzione dell’AI può avere un profondo impatto per rimodellare innovazione, scienza, educazione e società nel loro complesso. L’accesso agli AI Innovation Center di HPE ci aiuterà a proseguire il lavoro di ricerca nel nostro percorso di progresso accademico utilizzando gli strumenti e le soluzioni che HPE ci mette a disposizione”.

L’AI sta diventando mainstream nel settore consumer grazie ad applicazioni come interfacce vocali, assistenti personali e il tagging delle immagini. Tuttavia, le implicazioni dell’AI vanno al di là delle più diffuse casistiche di utilizzo consumer per entrare in campi come l’analisi per il sequenziamento genomico, le ricerche sul clima, la medicina, le vetture a guida autonoma e la robotica. Innovazioni e progressi tecnologici in queste aree sono stati, e continuano a essere, possibili grazie al deep learning.

“I passi avanti compiuti nell’AI basata sul deep learning trasformeranno la scienza, il commercio e la qualità della nostra vita automatizzando le attività che non richiedono l’applicazione di pensiero più complesso come quello umano”, ha commentato Steve Conway, senior vice president di Hyperion Research. “L’infrastruttura e le soluzioni software di HPE sono progettate per essere easy-to-use e capaci di favorire l’adozione dell’AI nelle aziende e in altre organizzazioni nel prossimo futuro”.

L'articolo HPE introduce nuove piattaforme e servizi per l’Intelligenza Artificiale proviene da Data Manager Online.

Intelligenza artificiale (AI) e deep learning sono attività che comportano enormi quantità di dati e ambienti di calcolo altamente esigenti. Fujitsu risponde a questa sfida introducendo capacità di calcolo native per deep learning in alcuni modelli dei propri server Fujitsu PRIMERGY CX e RX. Per raggiungere i più alti livelli possibili di performance di sistema, Fujitsu sta introducendo il supporto nativo delle GPU NVIDIA attraverso la connessione diretta alla mainboard. Collegati insieme per mezzo di schede PCIe o attraverso l’interconnessione ad alta velocità NVIDIA NVLink, i server Fujitsu PRIMERGY permettono di ottenere nel deep learning performance superiori a 100 TeraFLOPS per secondo (TFLOPS).

I primi modelli dotati di supporto nativo delle GPU NVIDIA Volta sono i sistemi Fujitsu Server PRIMERGY CX2570 M4, in qualità di componente dell’ecosistema scale-out modulare CX400 M4, e Fujitsu Server PRIMERGY RX2540 M4. Lo chassis PRIMERGY CX400 M4 combina la densità e l’efficienza dei server blade-like con la semplicità e la convenienza economica dei sistemi basati su rack proponendo una piattaforma versatile e orientata al futuro per il deployment di sistemi integrati e di tecnologie software-defined. Il modello PRIMERGY RX2540 M4, un rack server dual-socket 2U ideale per il funzionamento di applicazioni enterprise, per workload di collaborazione e messaging e per database tradizionali, definisce standard elevati in termini di usabilità, scalabilità ed efficienza economica.

Il server CX2570 M4 può essere equipaggiato con un massimo di quattro acceleratori Tesla V100 per NVLink mentre sul modello RX2540 M4 possono essere installati fino a due acceleratori Tesla V100 per PCle, mettendo a disposizione la più alta versatilità per qualunque genere di workload.

L'articolo I server Fujitsu PRIMERGY aggiungono il supporto per il deep learning sulle GPU NVIDIA Volta proviene da Data Manager Online.