Parole d'ordine 'AI' e 'CSP' - Report dal CloudConf 2019

Si è da poco conclusa l'edizione 2019 di CloudConf, di cui HTML.it è media partner. E' stata una conferenza che ha tirato una linea sulle macro-tendenze che oggi sono sempre più utilizzate: dall'approccio serverless che definisce non solo le scelte software in un'azienda, ma a quelle finanziare - il cosiddetto FinDev teorizzato da Simon Wardley nel 2016. Fino alla 'normalizzazione' dei metodi più conosciuti di Narrow AI, ovvero il machine learning e il deep learning.

Il Cloud Computing diventa mainstream

Il 2019 segna anche l'entrata del Cloud Computing nel mainstream, a tutti livelli: con i Cloud Service Providers (Aruba ne è uno), le infrastrutture Cloud sono diventate la normalità. Ma questo tipo di infrastrutture, se immaginate ad hoc, devono essere testate, perché l'attacco DDoS o simile è sempre dietro l'angolo.

Chaos Monkey

Se da una parte, con il serverless, il provider si prende cura di tutti gli stack tranne quello applicativo finale, con la costruzione di una infrastruttura proprietaria è quindi necessario effettuare dei test di resilienza: una pratica conosciuta è quella denominata Chaos Monkey, sviluppata nel 2010 dal reparto IT di Netflix per realizzare un'infrastruttura di streaming che resistesse a picchi di utenza e a bug.

Pay-as-you-use

Un approccio serverless, invece, permette di fare boostrapping molto velocemente e facilmente. I servizi serverless, in realtà, sono utilizzati anche da grandi aziende per gestire in maniera dinamica le variazioni di traffico sulle piattaforme e, secondo la teoria FinDev, sono anche usati per ottimizzare i costi delle infrastrutture.

La tendenza che si nota è relativa alla differenziazione di funzioni applicative che un provider di servizi serverless offre: TensorFlow, per esempio, potrebbe essere considerato un pacchetto di un servizio serverless. Si allenano i modelli AutoML con dei dataset specificati, si usano gli output del modello come input per, ad esempio, funzioni di ottimizzazione del traffico, patter recognition o simile. Il tutto può essere svolto senza possedere un server, in tempo reale e con modello di fatturazione pay-as-you-use.

Modellazione e machine learning

Un esempio, più pratico, di modellazione per il machine learning lo ha offerto Asim Hussain, Evangelist per Microsoft Azure, che ha descritto un framework sviluppato da lui (e non solo) per rendere più fruibile dei semplici applicativi che si basano su machine learning e deep learning: TensorFlow.js, che ha una repository Github pubblica e un sito web associato, aijs.rocks, in cui si possono provare delle semplici e simpatiche demo, come per esempio quella di Mojify, un tool associato a un account Twitter, che può essere anche implementato come Slack Bot, che prende come input un'immagine e restituisce in output una emoji più vicina possibile come espressione a quella di ogni faccia riconosciuta nella foto.

AI: vantaggi e svantaggi in cerca di un equilibrio

In generale, machine learning e deep learning stanno prendendo sempre più piede tra le App e anche come studi di ricerca su fatti di attualità - basta dare un'occhiata sul portale Kaggle per avere un'idea. Questa tendenza, però, non avviene sempre con piena chiarezza: è ormai noto che la definizione 'Intelligenza Artificiale' pervade le campagne marketing di produttori di elettronica di consumo che ne danno un'immagine fuorviante.

Dall'altra parte, le proposte serverless di colossi come AWS, Google Cloud, IBM e simili sono sicuramente ottime per l'abbassamento della barriera d'entrata per piccole imprese e per startup durante i primi passi, ma questa situazione rischia di accentrare il potere computazionale nelle mani di poche entità.

Ogni innovazione porta con sé vantaggi e svantaggi: è necessario dunque equilibrare gli svantaggi affinché risultino inferiori dei vantaggi. Se i dati degli utenti vengono comunque custoditi con sicurezza crittografica, se vengono anche effettuate campagne di consapevolezza sulla sicurezza relativa all'AI, l'equilibrio viene stabilito.