AIoT Report

AI meets Things

Dove il machine learning esce dal data center e gira accanto al sensore. Edge AI, TinyML, visione artificiale sul dispositivo, manutenzione predittiva e gli agenti che cominciano a gestire case e fabbriche.

Questa sezione è pubblicata anche come AIoT Report (in inglese) e ha un feed RSS in italiano. Vai a: Fondamenti AIoT · Edge AI · TinyML · Visione sul dispositivo · Manutenzione predittiva · Agenti AI

Close-up of a single-board computer on a dark table

Foto: Jainath Ponnala / Unsplash

Tutte le guide

7 guide, in ordine di lettura
TinyML · intermedio

TinyML: machine learning sui microcontrollori

Il TinyML esegue reti neurali su microcontrollori con pochi kilobyte di RAM. Scopri i vincoli, il flusso di lavoro, i framework e i carichi di lavoro adatti.

Aggiornato 17 ottobre 2026 · 7 min di lettura

Visione sul dispositivo · intermedio

Visione artificiale sul dispositivo per l'IoT

Come eseguire la visione artificiale su hardware IoT: la pipeline dall'acquisizione all'azione, i tipi di compito, le fasce hardware, i modelli e i limiti dell'elaborazione locale.

Aggiornato 17 ottobre 2026 · 6 min di lettura

Manutenzione predittiva · intermedio

Manutenzione predittiva con IoT e AI

Come funziona la manutenzione predittiva: firme di vibrazione e di corrente, l'elaborazione del segnale che le rivela, i modelli che le usano e dove conviene davvero.

Aggiornato 17 ottobre 2026 · 7 min di lettura

Agenti AI · intermedio

Agenti AI per la smart home

Come gli agenti basati su LLM controllano una smart home tramite Matter, Home Assistant e MQTT, quali guardrail servono e quando una semplice automazione è meglio.

Aggiornato 17 ottobre 2026 · 6 min di lettura

Agenti AI · avanzato

Agenti AI nel reparto produttivo

Come gli agenti LLM entrano in un impianto: lettura dei dati OPC UA e MQTT, bozze di ordini di lavoro e diagnosi, e i guardrail che li tengono lontani dai loop di controllo.

Aggiornato 17 ottobre 2026 · 7 min di lettura

Termini AI nel glossario

Tutti i termini AI
  • Addestramento del modelloIl processo con cui un modello di machine learning viene adattato a dati di esempio, regolandone i parametri in modo iterativo per ridurre l'errore di previsione.
  • Agente AISoftware che persegue un obiettivo osservando l'ambiente, ragionando su cosa fare e chiamando strumenti o dispositivi per agire, spesso costruito su un modello linguistico di grandi dimensioni.
  • AI generativaModelli che producono contenuti nuovi, come testo, immagini, codice o dati sintetici di sensori, invece di limitarsi a classificare o prevedere a partire da input esistenti.
  • AIoTLa combinazione di intelligenza artificiale e sistemi Internet of Things, perché i dispositivi connessi e le loro pipeline di dati possano apprendere, classificare e decidere, non solo misurare e riportare.
  • Apprendimento federato (federated learning)Approccio all'addestramento in cui i dispositivi migliorano localmente un modello condiviso e inviano al server solo gli aggiornamenti dei parametri, così i dati grezzi non lasciano mai il dispositivo.
  • Deep learningUn ramo del machine learning che usa reti neurali con molti livelli per apprendere le caratteristiche direttamente da segnali grezzi come immagini, audio o vibrazioni.
  • Drift del modelloLa perdita graduale di accuratezza di un modello in produzione, perché i dati che vede non corrispondono più a quelli con cui è stato addestrato.
  • Edge AIEseguire l'inferenza di machine learning direttamente sul dispositivo che produce i dati o vicino a esso, invece di inviare tutto prima a un servizio cloud.
  • InferenzaL'esecuzione di un modello di machine learning già addestrato su dati nuovi per produrre una previsione, una classificazione o un punteggio.
  • Machine learningUn insieme di tecniche che permettono al software di imparare schemi da dati di esempio e applicarli a nuovi input, invece di seguire regole scritte a mano.
  • Manutenzione predittivaL'uso di dati dei sensori e modelli per stimare quando una macchina rischia di guastarsi, così da programmare la manutenzione prima del guasto invece che a calendario fisso.
  • MLOpsLe pratiche ingegneristiche per portare i modelli di machine learning dall'addestramento al deployment e monitorarli in produzione, anche su flotte di dispositivi edge.