DATA DI NASCITA DEL PROGETTO

2020

TEAM DEL PROGETTO

– Daniele Delle Case – Area Commerciale

Daniele ha una comprovata esperienza nelle vendite e nello sviluppo commerciale di prodotti digitali. Possiede un MBA in BioHealth Entrepreneurship and Innovation presso il programma internazionale Bio-All finanziato dalla communità europea ed una laurea in Scienze dello Sport. Competenze: Imprenditorialità – Business Development – Market Validation – Team building – Problem Solving

– Massimo Audrito – Responsabile Ricerca Massimo ha una profonda esperienza nell’AI applicata in ambito biomedico. Ha conseguito una laurea in ingegneria elettronica, un master in ingegneria biomedica e un MBA in Technology Mgmt presso l’EPFL. Competenze: Deep Learning – Machine Learning – Project Management

PARTNER

—

BREVE DESCRIZIONE DEL PROGETTO

Signally è una tecnologia che permette il riconoscimento di pattern in suoni e segnali su dispositivi IoT, con un approccio collaborativo decentralizzato che garantisce la protezione “by-design” di IP, della Privacy, nonchè la riduzione dei costi.

DESCRIZIONE DETTAGLIATA DEL PROGETTO

La nostra soluzione è una piattaforma per il training automatico di AI collaborativa per il riconoscimento di pattern significativi in suoni e segnali.

La tecnologia è molto adatta in situazioni nelle quali il dato è molto sensibile (per motivi di Sicurezza, Privacy & IP protection), in casi di bassa connettività o nel caso in cui i costi computazionali (energetici o di valorizzazione del dato) vadano ridotti.

I casi d’uso su cui è applicabile sono:

– Riconoscimento del contesto sonoro

– Controllo qualità sonoro/vibrazionale

– Anomaly detection

– Tracking posizione sonora

– Predictive quality

– Predicitive maintenance

– Advanced diagnostics

– Event triggering

La nostra soluzione è una metodologia avanzata di apprendimento collaborativo che permette di addestrare algoritmi molto performanti senza inviare dati grezzi sul cloud.

Un modello di base di intelligenza artificiale viene distribuito su ciascun dispositivo at-the-edge, il modello sarà poi continuamente migliorato attraverso i dati generati dai sensori o dagli utenti sfruttando una procedura di addestramento locale.

A seguito del training decentralizzato, ogni dispositivo condivide il gradiente con il Learning Hub basato su cloud. L’Hub riceverà tutti i gradienti dai dispositivi decentralizzati e li utilizzerà per migliorare il modello principale. Il nuovo modello sfrutterà tutte le informazioni provenienti da tutti i dispositivi. Una volta che il nuovo modello principale sarà aggiornato, verrà ricondiviso su ciascun dispositivo periferico per migliorare in modo esponenziale le sue capacità acquisite.

Con questa tecnica, ogni modello locale apprende continuamente tramite il suo contesto di lavoro ma è anche in grado di trasferire l’apprendimento anche a tutti gli altri dispositivi della stessa communità, migliorano le capacità collettive ma garnatendo la proprietà del dato al utente che lo ha generato.

ELEMENTI DI INNOVAZIONE

I maggiori elementi di innovazione sono legati a:

– Metodologia di apprendimento comunitario distribuito tramite condivisione del gradiente e senza trasferimento del dato grezzo, garantendo l’integrità e la proprietà intellettuale del dato.

– Ottimizzazione dei modelli di deep learning per l’architettura del hardware target e sulla capacità computazione al fine di ridurre i costi energetici e computazionali

– Capacità di operare in condizioni di bassa connettività e  di necessità di processi real-time

CUSTOMER NEEDS

Il nostro apprendimento collaborativo affronta diverse criticità come:

– l’aumento esponenziale del costo dato (trasferimento + storage + sfruttamento)

– l’alto impatto energetico e computazionale del AI tradizionale

– necessità di garantire la privacy del dato

– necessità di garantire ai clienti la sicurezza e l’integrità del dato grezzo

– le difficoltà legate alla connettività del dispositivo (luogo, caso d’uso, user experience)

– la difficoltà nell’ottenere predizioni “comunitarie”

BUSINESS MODEL

La nostra soluzione è un SaaS, inizialmente gestito da noi, in futuro self-service.

Il pricing è basato su una Setup Fee che copre i costi legati alla predisposizione del sistema per il caso d’uso del cliente più una Recurring Fee mensile che copre i costi operativi.

SCALABILITY & REPLICABILITY

La scalabilità del business è assicurata dalla stessa natura delle features che andremo ad integrare in modo da rendere friction-less onboarding ed utilizzo, dall’approccio ottimizzato UX low-code, dalle integrazioni plug & play con i fornitori di hardware e dalle partnership con system integrators. Per quanto riguarda la scalabilità tecnica della piattaforma digitale, è assicurata fin dalla progettazione utilizzando un’architettura cloud scalabile, microservizi, bilanciamento del carico e una corretta progettazione dell’esperienza utente. I dispositivi at-the-edge non devono essere scalabili perché ogni dispositivo utilizza la propria potenza di calcolo solo per i propri calcoli interni. Per quanto riguarda la scalabilità del team,  abbiamo progettato una strategia sostenibile per aumentare parallelamente team e i ricavi. E’ già stato definito un processo di vendita di base, verranno introdotti miglioramenti testando canali, obiettivi, flusso di affari al fine di trovare una scalabilità delle vendite di portata e dimostrare l’idoneità al mercato del prodotto. Una strategia di acquisizione di talenti basata su valori aziendali, consapevolezza del marchio, programmi di crescita personale e professionale, uguaglianza e stock option consentirà il coinvolgimento e l’onboarding dei talenti.

SVILUPPO SOSTENIBILE

La nostra soluzione affronta la sostenibilità in 3 aspetti:

1-la riduzione delle emissioni di Co2 necessarie al training (ambientale), alcuni studi scientifici hanno dimostrato che l’adozione dell’apprendimento collaborativo al posto di metodologie formative centralizzate può indurre una riduzione di circa il 40% delle emissioni di CO2.

2- il miglioramento della protezione della privacy dell’utente (sociale) conservando i dati nel dispositivo che li ha generati.

3- la riduzione dei costi necessari per trasferire e archiviare i dati in data center centralizzati (economico).