L'obiettivo del corso è quello di presentare agli studenti le opportunità e le problematiche relative all’utilizzo del Machine Learning in ambienti di calcolo distribuito (come il Cloud e l’Edge computing). In particolare, vengono analizzate le differenti tecnologie che rendono il Machine Learning fruibile anche in sistemi con limitare risorse di calcolo (nodi Edge), che permettono di bilanciare il carico computazionale tra nodi Edge e Cloud, e che implementano il Federated Learning. Vengono inoltre presentati casi applicativi specifici per comprendere l’effettiva applicabilità delle soluzioni tecnologiche esaminate. Al termine del corso lo studente è in grado di: - conoscere le caratteristiche fondamentali alla base del Cloud e dell’Edge computing; - identificare i vantaggi e gli svantaggi dell’adozione di specifici framework per il Machine Learning in sistemi Cloud ed Edge; - riconoscere gli strumenti tecnologici più adeguati a rispondere alle esigenze di analisi dei dati in casi applicativi specifici; - implementare soluzioni basate sul Machine Learning per soddisfare specifici requisiti funzionali e non funzionali.
Prerequisiti
Conoscenze di programmazione, di elementi
di Machine Learning e reti di calcolatori.
Testi
Edge Computing, Fundamentals, Advances and Applications. K. Anitha Kumari, G. Sudha Sadasivam, D. Dharani, M. Niranjanamurthy. CRC Press, 2022. ISBN 9781032126081
AI at the Edge. Daniel Situnayake, Jenny Plunkett. O'Reilly Media, Inc.2023. ISBN 9781098120207
Cloud Computing: characteristics of Cloud environments, Cloud models, Cloud services models, Cloud deployment models, other computing paradigms, ubiquitous computing, Jungle computing, fog computing, osmotic computing.
Edge Computing: Edge computing architecture, Edge devices, Edge server cluster, Cloud server, IoT devices, network management and control, orchestration, Edge computing interfaces and middleware.
Edge Analytics: types of data, data analytics, domains benefiting from big data analytics, real-time applications of data analytics, phases of data analytics, collection and pre-processing, machine learning-model building, performance evaluation, types of data analytics, Edge data analytics, machine learning for Edge devices
Discrete-Event Simulation: main components of a DES, Omnet++. Omnet++ modelling approach for distributed systems.