Edge computing e di edge AI: sono senza dubbio le due tecnologie del momento, perché in grado di rivoluzionare il nostro approccio alla sicurezza e alle operazioni aziendali. Vediamole da vicino.

Edge Computing

L’edge computing è emerso come un cambio di paradigma strategico nel mondo dell’elaborazione dei dati.

A differenza del tradizionale cloud computing centralizzato, l’edge computing avvicina il calcolo alla fonte dei dati, elaborando i dati nel punto di creazione o in prossimità di esso: questo riduce la latenza, migliora la reattività in tempo reale e riduce al minimo la necessità di trasmissione dei dati ai server cloud centralizzati. Insomma, è come avere un mini data center proprio dove avviene l’azione.

L’interesse per l’edge computing è cresciuto negli ultimi anni. Nel 2024, secondo l’ultimo report “Worldwide edge spending guide” della società di ricerche IDC c’è stato un aumento del 14% nella spesa mondiale per l’edge computing.

Inoltre, il report prevede che la spesa complessiva di aziende e fornitori di servizi in hardware, software, servizi professionali e servizi forniti per soluzioni edge continuerà a crescere in modo sostenuto fino al 2027, quando la spesa raggiungerà quasi 350 miliardi di dollari.

Ma vediamo quali sono i principali motivi alla base dell’ascesa dell’edge computing:

Latenza ridotta – Nelle applicazioni in cui la reattività in tempo reale è critica, ridurre al minimo la latenza è fondamentale. L’edge computing garantisce che l’elaborazione dei dati avvenga localmente, riducendo significativamente il tempo necessario per prendere decisioni.

Ottimizzazione della larghezza di banda – La trasmissione di enormi quantità di dati grezzi al cloud può mettere a dura prova la larghezza di banda della rete. I dispositivi edge pre-elaborano i dati localmente, inviando solo le informazioni rilevanti al cloud. Un’ottimizzazione che migliora l’efficienza e riduce i costi.

Sicurezza e privacy – L’elaborazione edge mantiene i dati sensibili locali, affrontando le preoccupazioni sulla privacy e garantendo la conformità alle normative sulla protezione dei dati. I dati critici rimangono entro i confini dell’organizzazione.

Resilienza – I dispositivi edge continuano a funzionare anche durante le interruzioni di rete o i tempi di inattività del cloud. Tale resilienza è fondamentale per le applicazioni che non possono permettersi interruzioni.

Edge AI

L’Edge AI combina l’edge computing con l’Intelligenza artificiale. Ciò comporta l’esecuzione di algoritmi AI su dispositivi locali con capacità di edge computing.

Inoltre, è doveroso evidenziare che l’edge AI non richiede connettività e integrazione tra sistemi, consentendo agli utenti di elaborare i dati sul dispositivo in tempo reale.

Non solo: mantenere l’elaborazione dei dati locale riduce anche la quantità di dati che devono essere inviati tramite Internet, il che può aiutare a proteggere la privacy e ridurre il rischio che i dati vengano intercettati.

È bene evidenziare che la maggior parte dei processi di AI è attualmente eseguita in centri basati su cloud, dato che richiedono una notevole capacità di elaborazione; tuttavia, lo svantaggio è che problemi di connettività o di rete possono causare tempi di inattività o un rallentamento significativo del servizio.

L’edge AI, invece, elimina questi problemi, rendendo i processi di AI una parte integrante dei dispositivi di edge computing, oltre a consentire agli utenti di risparmiare tempo, aggregando i dati senza comunicare con altre sedi fisiche.

Vediamo di seguito i vantaggi principali dell’edge AI.

Elaborazione dati in tempo reale – Il vantaggio più importante dell’edge AI è garantisce capacità di elaborazione ad alte prestazioni all’edge, dove si trovano sensori e dispositivi IoT. Inoltre, l’edge AI consente alle applicazioni AI di funzionare direttamente sui dispositivi di campo – rispetto al cloud – elaborando i dati di campo, oltre ad eseguire algoritmi di machine learning (ML) e di deep learning (DDL) in tempo reale.

Privacy dei dati – La tutela della privacy risulta potenziata poiché i dati non vengono trasferiti su altre reti, dove potrebbero essere esposti ad attacchi informatici. Infatti, l’edge AI, processando le informazioni direttamente sul dispositivo, diminuisce il rischio di cattiva gestione dei dati. Nei settori regolati da normative sulla sovranità dei dati, l’AI edge contribuisce al mantenimento della conformità, elaborando e conservando i dati localmente all’interno delle giurisdizioni previste, oltre a mitigare il rischio che i dati vengano sottratti o gestiti in maniera inappropriata.

Riduzione della larghezza di banda Internet e dei costi del cloud – L’Edge AI elabora la maggior parte dei dati localmente, inviando meno dati su Internet e risparmiando, così, molta larghezza di banda Internet.

Inoltre, considerando che le spese associate ai servizi di AI – che sono ospitati sul cloud – possono essere elevate, l’edge AI offre l’opzione di utilizzare costose risorse cloud come repository per l’accumulo di dati di post-elaborazione, destinati ad analisi successive piuttosto che a operazioni immediate sul campo. Ciò riduce i carichi di lavoro dei computer e delle reti cloud.

Inoltre, l’utilizzo di CPU, di GPU e di memoria subiscono una notevole riduzione poiché i carichi di lavoro sono distribuiti tra dispositivi edge, rendendo l’edge AI come l’opzione più conveniente tra le due.

Scalabilità – L’edge AI espande i sistemi, utilizzando piattaforme basate su cloud e le capacità edge intrinseche su tecnologie OEM (Original Equipment Manufacturer) che comprendono sia software sia hardware. È doveroso evidenziare che le tecnologie OEM sono state dotate di edge native, semplificando così il processo di scalabilità del sistema, oltre a consentire alle reti locali di mantenere la funzionalità anche in situazioni in cui i nodi upstream o downstream subiscono tempi di inattività.

Minore consumo di energia – L’edge AI elabora i dati a livello locale, consentendo di risparmiare sui costi energetici. Di fatto, i dispositivi di edge computing sono progettati per garantire consumo energetico altamente efficiente, il che significa che i requisiti di potenza per l’esecuzione dell’AI in edge sono molto inferiori rispetto ai data center cloud.

Il futuro dell’edge AI: casi d’uso e applicazioni

Esiste un’ampia gamma di applicazioni di edge AI, tra cui: il riconoscimento facciale, gli aggiornamenti del traffico in tempo reale su veicoli semi-autonomi, dispositivi connessi e smartphone. Inoltre, videogiochi, robot, smart speaker, droni, dispositivi indossabili per il monitoraggio della salute e telecamere di sicurezza stanno tutti iniziando a supportare l’edge AI.

Di seguito alcuni ambiti, secondo l’opinione degli esperti del settore, in cui l’impiego dell’edge AI è destinato a crescere.

Processi di rilevamento delle telecamere di sicurezza – Le telecamere di sorveglianza tradizionali registrano immagini per ore e archiviano e utilizzano i dati secondo necessità. Tuttavia, con l’edge AI, il processo algoritmico viene eseguito sul sistema stesso in tempo reale, consentendo alla telecamera di rilevare e di gestire attività sospette in tempo reale. Ciò garantisce un servizio più efficiente e meno costoso.

Analisi di immagini e video e sorveglianza pubblica – L’edge AI può anche aiutare a generare nei robot risposte automatiche agli stimoli audiovisivi. Inoltre, può anche essere utilizzato per il riconoscimento in tempo reale di spazi e di aree intere, oltre a facilitare il miglioramento delle misure di sicurezza pubblica e pianificazione urbana in termini di: monitoraggio dei modelli di traffico, rilevamento tempestivo degli incidenti, riduzione del traffico congestionato eccetera.

Migliorare l’efficacia dell’Internet of Things industriale (IIoT) – Gli algoritmi di AI possono monitorare potenziali difetti ed errori nella catena di produzione e consentire adeguamenti in tempo reale ai processi di produzione.

Commercio al dettaglio – L’analisi in tempo reale del comportamento degli acquirenti può aiutare a prevenire i furti e a migliorare la gestione delle risorse. Le telecamere abilitate dall’edge AI possono raccogliere informazioni sul traffico dei clienti, per generare esperienze di acquisto personalizzate, oltre ad avvisare in caso di furto, migliorando, così, la sicurezza proattiva.

Produzione e logistica – I vantaggi ottenuti dall’edge AI includono un migliore monitoraggio delle apparecchiature e la conformità alla sicurezza. L’analisi in tempo reale all’edge consente la manutenzione predittiva e una maggiore sicurezza dei lavoratori, riducendo i tempi di inattività e aumentando l’efficienza operativa.

In futuro si ritiene che l’impatto dell’edge AI sarà più visibile nei settori ad alta intensità di asset critici, e in particolare in quelli con operazioni altamente distribuite, tra cui:

Energia e servizi di pubblica utilità – L’edge AI supporterà la raccolta di dati in tempo reale da risorse energetiche distribuite e da sottostazioni, consentendo flessibilità nella rete e una migliore manutenzione delle risorse

Trattamento delle acque – L’edge AI è progettato per migliorare l’utilizzo delle risorse nei processi di trattamento delle acque, consentendo il monitoraggio in tempo reale per garantire la conformità agli standard di sicurezza e qualità.

Petrolio e gas – L’edge AI migliorerà la sicurezza e l’efficienza operativa, consentendo il monitoraggio in tempo reale di apparecchiature e di condotte, riducendo i tempi di fermo e prevenendo i guasti.

Process Manufacturing – L’edge AI consente il monitoraggio in tempo reale dei processi di produzione, migliorando l’efficienza operativa attraverso il rilevamento di anomalie e l’ottimizzazione dei flussi di lavoro. Inoltre, la manutenzione predittiva basata sull’AI riduce al minimo i tempi di fermo delle apparecchiature, analizzando i dati dei sensori; mentre la garanzia della qualità basata sull’AI assicura che gli standard di produzione siano costantemente rispettati.

Sfide da considerare nell’adozione dell’edge AI

È doveroso evidenziare che, a fronte di una maggiore diffusione dell’edge AI, aumentano anche le sfide dato che, decentralizzando l’elaborazione e l’archiviazione dei dati, i dispositivi sono esposti a una serie di rischi, dato che i dispositivi sono spesso aperti e ciò li rende più vulnerabili alle minacce fisiche e informatiche. Analizziamo di seguito le principali sfide da considerare in termini di adozione dell’edge AI.

Rischi di accesso fisico – I dispositivi edge sono spesso distribuiti in luoghi in cui la sicurezza fisica è minima, come un sito industriale remoto o persino una trafficata strada cittadina.

A differenza di un data center cloud, in cui l’accesso è strettamente controllato, tali dispositivi possono essere manomessi, rubati o danneggiati. Inoltre, un dispositivo violato può causare gravi perdite di dati, sabotaggi o persino l’apertura di intere reti agli attacchi.

Privacy dei dati – La privacy è aumentata perché i dati non vengono trasferiti su un’altra rete, dove potrebbero essere vulnerabili agli attacchi informatici. Elaborando le informazioni localmente sul dispositivo, l’intelligenza artificiale edge riduce il rischio di cattiva gestione dei dati.

Nei settori soggetti a normative sulla sovranità dei dati, l’intelligenza artificiale edge può aiutare a mantenere la conformità elaborando e archiviando localmente i dati all’interno di giurisdizioni designate. Tuttavia, qualsiasi database centralizzato ha il potenziale per diventare un bersaglio allettante per potenziali aggressori, il che significa che l’edge AI non è completamente immune ai rischi per la sicurezza.

Minacce alla sicurezza informatica – I dispositivi edge AI sono obiettivi primari per gli attacchi informatici e l’elenco delle minacce continua a crescere. Ciò che rende la situazione ancora peggiore è che molti sistemi edge non hanno gli stessi livelli di sicurezza dei sistemi centralizzati, il che li rende più facili da penetrare. Inoltre, un attacco a un dispositivo edge può anche avere effetti a cascata sull’intera rete.

Strategie per migliorare la sicurezza dell’edge AI

È giusto evidenziare che proteggere l’edge AI richiede un approccio olistico che includa: progettazione di reti intelligenti, crittografia, autenticazione sicura e aggiornamenti regolari.

Al momento, il Secure Access Service Edge (SASE) è uno dei framework che ha guadagnato popolarità per garantire la sicurezza dell’edge AI. Di fatto, il SASE combina reti WAN (wide-area networking) con servizi di sicurezza come gateway web sicuri, firewall e Zero Trust Network Access (ZTNA) in un singolo modello distribuito tramite cloud.

Inoltre, il SASE è in grado di combinare networking e sicurezza in un unico servizio basato su cloud ed è stato sviluppato per affrontare le sfide degli ambienti IT moderni, in cui i modelli di sicurezza tradizionali e centralizzati non funzionano non sono sufficienti.

Ancora, poiché sempre più persone lavorano da remoto e utilizzano applicazioni basate su cloud, il SASE contribuisce a un approccio coerente e unificato alla sicurezza, indipendentemente da dove si trovino gli utenti o i dispositivi.

Il SASE, per queste sue caratteristiche, risulta essere una soluzione idonea per la sicurezza dell’edge AI, in grado di garantire policy di sicurezza coerenti su dispositivi e su posizioni, semplificando la gestione e la protezione di reti diverse e decentralizzate, oltre ad assicurare che tutte le parti del sistema siano sicure, indipendentemente da dove si trovino.

Conclusione

Lo scenario in continua evoluzione in termini di tecnologie e di attacchi cyber richiede sempre più una gestione strutturata dei rischi e della resilienza, oltre che un approccio di security e privacy by design e by default.

Tuttavia, vi sono pareri discordi. Alcuni esperti spingono per standard molto dettagliati per il massimo livello di sicurezza, sostenendo che, senza linee guida rigorose, stiamo lasciando troppo spazio a errori e vulnerabilità. Altri credono che troppa rigidità potrebbe soffocare l’innovazione, rendendo difficile lo sviluppo di nuove idee e tecnologie.

Personalmente ritengo che in medio virtus stat. Ovvero, si tratta di partire dalla conoscenza delle tecnologie, per poi comprendere come implementarle all’interno delle organizzazioni, coinvolgendo tutta l’organizzazione, evidenziandone i pro e i contro, oltre ad effettuare necessari cambi di paradigma.

Inoltre, è quanto mai importante diffondere una cultura della cyber resilience e dell’operational resilience. Ancora, La condivisione delle conoscenze, delle best practice e delle attività di threat intelligence, permetterà alle organizzazioni di sviluppare strategie di sicurezza più efficaci e di rispondere più rapidamente alle minacce emergenti.

Tuttavia, le organizzazioni potrebbero essere riluttanti a condividere informazioni che considerano proprietarie o che potrebbero esporre vulnerabilità. Nonostante queste preoccupazioni, i vantaggi della collaborazione superano di gran lunga i rischi.

Pertanto, è importante istituire consorzi industriali, partnership pubblico-private e iniziative di ricerca intersettoriali, quale base di partenza per salvaguardare il futuro dei nostri ecosistemi che utilizzano l’edge computing e in futuro sempre più l’edge AI.

Inoltre, ogni settore e ogni organizzazione affronta sfide e rischi unici che dovranno essere mitigati e si dovranno garantire, altresì, strategie di business continuity adeguate, senza dimenticare che, in contesti altamente digitalizzati ed innovativi, la sicurezza informatica deve essere una priorità fin dall’inizio, unitamente alla salvaguardia dei dati che queste tecnologie raccolgono ed elaborano.