Edge AI: l'IA embarcata sul campo, dall'alveare all'officina

Jersey, estate 2023. Su una stazione collocata vicino agli apiari, una telecamera resta in attesa finché un insetto delle dimensioni di un calabrone entra nel campo visivo. Un Raspberry Pi 4, il computer grande quanto una carta di credito, analizza l'immagine sul posto e decide: calabrone europeo, specie locale, oppure Vespa velutina, il calabrone asiatico che decima le colonie di api. Solo nel secondo caso parte un SMS verso un telefono. Questo dispositivo, battezzato VespAI dall'Università di Exeter, è un buon punto di partenza per capire cosa si intende per edge AI, e perché una parte dell'intelligenza artificiale lascia i data center per installarsi accanto ai sensori.

Cosa indica l'edge AI

Il termine inglese edge AI, che si traduce con IA embarcata o IA di periferia, indica un modello di apprendimento automatico che viene eseguito là dove il dato è prodotto: in una telecamera, in un apparato fissato ai piedi di una macchina, in un trattore, in un dispositivo medico. Il « bordo » in questione è quello della rete, in opposizione al centro costituito dai server di un fornitore cloud.

Occorre distinguere due momenti nella vita di un modello. L'addestramento, che consiste nel regolare i suoi parametri su migliaia o milioni di esempi, richiede molto calcolo e si svolge per lo più su server. L'inferenza, che consiste nell'applicare il modello già addestrato a una nuova immagine o a un nuovo segnale, è molto più leggera. È questa seconda fase che l'edge AI avvicina al campo.

Il cambiamento riguarda ciò che circola sulla rete. In un'architettura centralizzata, il flusso video o la serie di misure parte verso il server. Con un'elaborazione locale, viaggia solo la conclusione, in pochi byte: un calabrone asiatico rilevato alle 14:12, una porta di ascensore la cui firma vibratoria si discosta.

Banda e latenza: quanto costa il percorso

Le cifre più eloquenti vengono dalla videosorveglianza, dove il volume di dati è massiccio. In un confronto pubblicato il 2 settembre 2026, l'editore statunitense Lumana stima che una telecamera il cui flusso è analizzato nel cloud consumi in continuo da 1 a 2 megabit al secondo in invio, contro pochi kilobit al secondo quando trasmette solo allarmi e metadati. Riferito a un'azienda con oltre cento sedi, il divario si misura secondo Lumana in gigabit al secondo di banda sostenuta. Lumana indica una riduzione dei consumi fino al 70%. La cifra proviene da un venditore che commercializza questo tipo di soluzione, e l'ordine di grandezza dipende ovviamente dal numero di telecamere e dalla frequenza degli eventi.

Lo stesso documento quantifica il ritardo aggiunto da un'analisi remota in da uno a cinque secondi, contro pochi millisecondi per un'elaborazione locale. Per un rapporto settimanale, questa differenza non conta. Per un allarme di sicurezza in un magazzino in cui circolano carrelli elevatori, determina se l'allarme arriva prima o dopo l'incidente.

Lo sport professionistico mostra cosa significhi tempo reale. Hawk-Eye, controllata di Sony, segue 29 punti dello scheletro di ciascun giocatore durante la partita; secondo il suo sito, il suo fuorigioco semiautomatizzato è stato utilizzato in oltre 900 incontri. Il calcolo avviene su server installati nello stadio anziché nelle telecamere, ma il vincolo è lo stesso: una decisione che arriva dopo la ripresa del gioco non serve a nulla.

Resta la questione della continuità. Un sistema che dipende da una connessione si ferma quando questa cade. Lumana sottolinea che un'architettura locale, abbinata a un archivio in sede, continua a funzionare durante un'interruzione. In un cantiere o in un'officina servita male, questa proprietà pesa spesso più della latenza.

Cosa dice la CNIL sull'elaborazione locale

Per un'organizzazione francese, l'argomento decisivo è spesso giuridico. Nel luglio 2022 la CNIL ha pubblicato la sua posizione sulle telecamere cosiddette « intelligenti » o « aumentate » negli spazi pubblici. Il documento non si pronuncia a favore o contro un'architettura. Elenca invece garanzie che riducono i rischi per le persone riprese e che pesano nella valutazione della proporzionalità di un dispositivo.

Tra queste figurano la riduzione della definizione delle immagini, la sfocatura, un approccio « frugale » che limita il numero di immagini elaborate, e l'elaborazione locale dei dati, che la Commissione descrive come effettuata « in dispositivi fisicamente adiacenti alle telecamere ». Cita anche i meccanismi che eliminano quasi immediatamente le immagini sorgente o che producono soltanto informazioni anonime, per esempio un semplice conteggio dei passaggi.

Queste misure non dispensano dal GDPR, né da una valutazione d'impatto quando è richiesta. Traducono un principio di progettazione che gli ingegneri conoscono con il nome di privacy by design: un dato che non lascia mai il sito non deve essere protetto durante il trasferimento, né presso un responsabile del trattamento. Un articolo tecnico dedicato alla sicurezza industriale, pubblicato da PowerGen Advancement, descrive la stessa logica lato stabilimento: sfocatura, anonimizzazione, cifratura e invio selettivo prima che qualsiasi cosa esca dal perimetro.

VespAI, anatomia di un rilevatore autonomo

Torniamo al calabrone, perché il progetto VespAI è documentato con una precisione rara. L'articolo di riferimento, firmato da Thomas O'Shea-Wheller, Peter Kennedy e dai loro colleghi dell'Università di Exeter, è apparso su Communications Biology il 3 aprile 2024.

Il punto di partenza è un problema di selezione. Vespa velutina si è insediata in Europa a partire dal 2004, dalla Francia, e la sua predazione sulle colonie di api mellifere riduce la loro attività di raccolta e le loro probabilità di sopravvivenza. Nel Regno Unito, la sorveglianza si basa sulle segnalazioni degli apicoltori e del pubblico. Ora, la maggior parte di queste segnalazioni riguarda in realtà specie locali: gli autori valutano la loro accuratezza media allo 0,06%. Ogni anno, migliaia di foto devono essere verificate a mano.

Il dispositivo risponde a questo problema con un hardware ordinario. Una stazione con esca attira gli insetti sotto una telecamera da 16 megapixel. Un primo filtro di rilevamento del movimento evita di far girare il modello in permanenza. Il modello stesso è uno YOLOv5s, un'architettura di rilevamento di oggetti molto diffusa, che conta circa sette milioni di parametri. I parametri sono i valori numerici che l'addestramento regola; a titolo di confronto, i grandi modelli linguistici ne contano decine o centinaia di miliardi. L'insieme gira su un Raspberry Pi 4, alimentato da una batteria da 12.000 mAh e, in opzione, da un pannello solare da 40 watt. Un modulo 4G consente di inviare un allarme via SMS dove non c'è Wi-Fi.

I risultati sono misurati con due indicatori classici. La precisione indica la quota di allarmi corretti; il richiamo, la quota di calabroni effettivamente presenti che sono stati rilevati. Il punteggio F1 combina i due. In condizioni di test, il modello supera 0,99 su questo punteggio. In 55 prove condotte in due siti di Jersey nel 2023, su oltre 5.500 immagini, la precisione media è rimasta pari o superiore a 0,99 e il richiamo medio sopra 0,93. In altre parole, il sistema sbaglia molto raramente quando dà l'allarme, e lascia passare qualche individuo.

Il modello non decide da solo il seguito. L'allarme arriva con un'immagine, un essere umano la conferma, e l'insetto può essere catturato vivo e poi seguito fino al suo nido. La distruzione del nido resta, secondo il gruppo, l'unico mezzo efficace per eliminare una colonia.

La struttura di questo progetto si trasferisce ben oltre l'apicoltura: un sensore economico, un modello compatto addestrato per un solo compito, un'alimentazione autonoma e un messaggio breve inviato soltanto quando c'è qualcosa da segnalare.

Nei campi e nelle officine, la decisione si prende sulla macchina

L'agricoltura ha adottato l'IA embarcata per una ragione semplice: un irroratore in movimento non può aspettare un server. Il sistema See & Spray di John Deere, descritto da Vision Systems Design nell'agosto 2025, allinea 36 telecamere industriali distanziate di un metro su una barra di 120 piedi, cioè circa 36 metri. Unità di elaborazione dotate di processori grafici analizzano oltre 2.000 piedi quadrati al secondo, circa 185 metri quadrati, per distinguere un'infestante da una pianta coltivata e aprire l'ugello solo sopra la prima.

Lo stesso articolo descrive il LaserWeeder G2 di Carbon Robotics, che distrugge le erbe infestanti con il laser. Ogni modulo integra tre telecamere, due processori grafici NVIDIA e due laser da 240 watt; la macchina elabora 4,7 milioni di immagini all'ora, con reti neurali addestrate su oltre 40 milioni di piante annotate. A questa cadenza, l'invio delle immagini verso un data center non avrebbe senso: il trattore avrebbe superato la pianta prima del ritorno della risposta.

In fabbrica, la logica si applica all'ascolto delle macchine. Un motore, una pompa o una porta automatica producono continuamente vibrazioni, calore e variazioni di corrente. Un sensore incollato sulla carcassa basta a misurarli, anche su un'apparecchiatura di vent'anni che nessun costruttore aveva previsto di collegare. Gli ingegneri parlano di retrofit: dotare un parco esistente anziché sostituirlo.

Un caso di studio pubblicato da TDK SensEI, ripreso nell'aprile 2026 dall'Edge AI and Vision Alliance, illustra l'approccio. Un costruttore mondiale di ascensori, il cui nome non è comunicato, ha dotato le porte di cabina di sensori di vibrazione i cui segnali sono analizzati localmente dalla soluzione edgeRX. Secondo il documento, gli interventi non pianificati sono passati da 1,8 giorni a 1 giorno all'anno, per un risparmio annuo dichiarato di 192 milioni di dollari, e l'implementazione ha richiesto una settimana di formazione in sede. Queste cifre provengono dal fornitore e non sono state oggetto di un audit indipendente pubblicato. Il meccanismo, invece, è chiaro: un modello apprende la firma di una porta che funziona bene e segnala lo scarto prima del guasto.

Trasposto a un'azienda più piccola, il ragionamento resta lo stesso. Si può immaginare un panificio che installa un sensore di temperatura e di corrente sul forno e sulla cella di lievitazione, con un modello che apprende il loro funzionamento normale e avvisa il venerdì sera anziché il sabato mattina. È una possibilità, non un caso documentato, e non richiede alcuna connessione permanente.

Un impianto acustico che classifica i suoni senza rete

La sanità spinge il vincolo al massimo. Un articolo di AI News pubblicato il 27 novembre 2025 dettaglia l'architettura del sistema Nucleus Nexa dell'australiana Cochlear. Nel processore esterno, un classificatore chiamato SCAN 2, basato su un albero decisionale, ripartisce l'ambiente sonoro in cinque categorie: parlato, parlato nel rumore, rumore, musica e silenzio. La regolazione della stimolazione si adatta di conseguenza.

Tre vincoli spiegano perché questo calcolo avvenga sul dispositivo. La latenza deve restare impercettibile tra il suono e il segnale inviato al nervo acustico. L'impianto deve durare oltre quarant'anni con un consumo minimo. E i dati riguardano la salute di una persona. Cochlear indica di applicare una rigorosa deidentificazione prima che i dati alimentino il suo programma di dati di vita reale, che riguarda oltre 500.000 pazienti. Gli aggiornamenti del firmware passano per un collegamento radio a corto raggio, e l'impianto conserva in memoria fino a quattro impostazioni personalizzate.

Jan Janssen, direttore tecnico dell'azienda, accenna all'arrivo futuro di reti neurali profonde per gli ambienti rumorosi. Nel frattempo, un semplice albero decisionale basta per un compito ben delimitato.

Anche i documenti hanno un campo

Gran parte dell'attività economica si gioca sul testo: contratti, fatture, lettere, verbali. La questione della localizzazione vi si pone negli stessi termini, ed è cambiata di natura con l'arrivo di piccoli modelli linguistici in grado di girare su un computer da ufficio.

Il 16 ottobre 2024, Mistral AI ha presentato Ministral 3B e Ministral 8B, due modelli da 3 e 8 miliardi di parametri progettati esplicitamente per un uso locale. L'editore francese cita la traduzione sul dispositivo, gli assistenti che funzionano senza internet e l'analisi locale tra i casi d'uso previsti, e afferma che il più piccolo dei due supera nella maggior parte dei test il proprio modello da 7 miliardi di parametri uscito un anno prima. Modelli di questa taglia sanno estrarre date e importi da una fattura, riassumere un verbale o rispondere a una domanda su un regolamento interno. Restano nettamente al di sotto dei modelli più grandi sul ragionamento lungo o sui documenti molto complessi.

Gli usi seguenti sono proiezioni, non implementazioni osservate. Uno studio legale potrebbe confrontare le clausole di un centinaio di contratti di locazione senza che i documenti escano dallo studio. Un revisore dei conti potrebbe riconciliare fatture, estratti conto e scritture su una macchina collocata nei propri locali, il che semplifica la discussione sul segreto professionale. Un comune potrebbe preparare la pre-istruttoria di pratiche correnti senza trasmettere fascicoli di stato civile a un fornitore straniero. Nella difesa, dove la circolazione stessa di certi documenti è regolamentata, un'elaborazione su una postazione isolata dalla rete è spesso l'unica opzione ipotizzabile. Un panettiere, infine, potrebbe far rileggere i preventivi dei fornitori o tenere aggiornate le schede degli allergeni.

In tutti questi casi, la questione pertinente riguarda meno la capacità del modello di leggere un documento che il percorso di quel documento durante l'analisi. Una macchina installata nei locali offre una risposta verificabile: il file entra, il risultato esce, nulla attraversa il firewall.

Locale per impostazione predefinita, cloud su decisione

Il tutto locale ha i suoi limiti, e gli stessi fornitori li riconoscono. Lumana osserva che la gestione di un parco di apparecchiature distribuito su decine di sedi diventa presto pesante: configurazione, sorveglianza, manutenzione e soprattutto aggiornamento dei modelli, che può richiedere settimane o mesi su scala di flotta. Difende un'architettura ibrida, in cui il rilevamento avviene sul posto e la supervisione al centro. L'articolo di PowerGen Advancement propone la stessa ripartizione: il sito gestisce rilevamento, riservatezza e reazione rapida; il cloud si occupa dei cruscotti multisede, dell'analisi delle tendenze e della gestione dei modelli.

La ricerca descrive schemi più fini. Una rassegna pubblicata su arXiv nel luglio 2025 da Senyao Li e coautori censisce i modi di far collaborare un piccolo modello locale e un grande modello remoto: instradare ogni richiesta verso l'uno o l'altro in base alla difficoltà, affidare al locale il pretrattamento e al remoto la parte più impegnativa, oppure lasciare che il piccolo modello proponga una sequenza di parole che il grande verifica.

Per un'azienda, questo si traduce in una regola d'uso semplice. L'elaborazione locale è il regime predefinito: i dati restano sul posto, la risposta è rapida, il servizio continua senza rete. L'invio verso un modello remoto diventa una scelta esplicita, fatta compito per compito, quando un modello più potente apporta un vantaggio reale, e l'organizzazione sa esattamente cosa parte e perché.

Questa regola presuppone una disciplina preliminare. Bisogna aver definito le categorie di informazioni che non escono mai, il livello di fiducia al di sotto del quale una risposta locale deve essere verificata o inoltrata a un livello superiore, la persona che convalida un invio e il modo in cui ogni invio viene registrato. Queste decisioni competono all'organizzazione più che alla tecnica, ed è meglio prenderle prima dell'implementazione che dopo il primo incidente.

Come scegliere un primo caso d'uso

I progetti citati in questo articolo condividono un tratto: un perimetro ristretto. Un insetto, un'erba infestante, una porta di ascensore, cinque categorie di suoni. VespAI non cerca di riconoscere tutti gli insetti d'Europa, e l'impianto Cochlear non trascrive le conversazioni. La precisione dell'esigenza spiega buona parte della qualità del risultato.

Tre domande permettono poi di capire se un'elaborazione locale si impone. Il dato prodotto ha il diritto di lasciare l'azienda? Quale tempo di risposta è accettabile? Cosa succede se la connessione cade? Una risposta negativa alla prima, un tempo dell'ordine del secondo o meno per la seconda, o un'attività che non può interrompersi per la terza orientano verso l'edge AI.

L'ultimo punto riguarda la decisione finale. In VespAI, un essere umano conferma l'allarme prima di qualsiasi azione. Nella manutenzione predittiva, il sensore avvisa e il tecnico decide se intervenire. Questa ripartizione tra una macchina che propone e un professionista che convalida rende lo strumento accettabile in un'officina, in uno studio o in un servizio pubblico, e permette di misurarne gli errori anziché subirli.

HOMN SYSTEMS progetta apparati di IA locale per le imprese francesi su questo principio: i modelli girano nei locali del cliente, sui suoi dati, e un invio verso un servizio esterno avviene solo quando l'azienda lo ha deciso e può ricostruirlo. L'approccio di HOMN parte dalla stessa constatazione degli ingegneri di Exeter: una parte crescente delle decisioni utili può essere presa nel luogo in cui il dato compare.

Che cos'è l'edge AI, o IA embarcata?

L'edge AI indica l'esecuzione di un modello di intelligenza artificiale direttamente là dove il dato è prodotto, in una telecamera, un apparato, una macchina o un dispositivo, anziché sui server di un fornitore cloud. Il modello è generalmente addestrato altrove, poi solo l'inferenza, cioè la sua applicazione a nuovi dati, avviene sul posto. Ciò che circola sulla rete è allora una conclusione breve anziché il dato grezzo.

Quali sono i vantaggi dell'IA sul campo rispetto al cloud?

Un'elaborazione locale riduce la latenza a pochi millisecondi, laddove un'analisi remota può aggiungere da uno a cinque secondi secondo un confronto di Lumana pubblicato nel 2026. Limita fortemente la banda, poiché vengono trasmessi solo allarmi e metadati, e continua a funzionare durante un'interruzione di rete. Consente inoltre di mantenere i dati sensibili sul sito, una garanzia che la CNIL cita tra le misure di tutela della vita privata.

L'IA embarcata è compatibile con il GDPR?

L'elaborazione locale non dispensa dal GDPR, ma facilita il rispetto dei suoi principi di minimizzazione e di protezione fin dalla progettazione. Nella sua posizione del luglio 2022 sulle telecamere aumentate, la CNIL menziona l'elaborazione in dispositivi adiacenti alle telecamere, la cancellazione quasi immediata delle immagini sorgente e la produzione di informazioni anonime come garanzie utili. Una valutazione d'impatto resta necessaria quando il trattamento presenta un rischio elevato per le persone.

Bisogna scegliere tra IA locale e cloud?

La maggior parte delle architetture recenti combina i due: il rilevamento e il trattamento dei dati sensibili avvengono sul posto, mentre la supervisione, i cruscotti multisede e l'aggiornamento dei modelli passano per un servizio centrale. Per i modelli linguistici, la ricerca descrive schemi in cui un piccolo modello locale tratta la maggioranza delle richieste e ne trasmette alcune a un grande modello remoto solo quando è giustificato. In ogni caso, ogni invio verso l'esterno dovrebbe essere una decisione esplicita e tracciabile.