IT202000029291A1 - Apparecchiatura elettronica basata su rete neurale - Google Patents

Apparecchiatura elettronica basata su rete neurale Download PDF

Info

Publication number
IT202000029291A1
IT202000029291A1 IT102020000029291A IT202000029291A IT202000029291A1 IT 202000029291 A1 IT202000029291 A1 IT 202000029291A1 IT 102020000029291 A IT102020000029291 A IT 102020000029291A IT 202000029291 A IT202000029291 A IT 202000029291A IT 202000029291 A1 IT202000029291 A1 IT 202000029291A1
Authority
IT
Italy
Prior art keywords
neural network
update
unit
main
auxiliary
Prior art date
Application number
IT102020000029291A
Other languages
English (en)
Inventor
Andrea Basso
Michelangelo Guarise
Original Assignee
Volumio S R L
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Volumio S R L filed Critical Volumio S R L
Priority to IT102020000029291A priority Critical patent/IT202000029291A1/it
Priority to PCT/IB2021/061109 priority patent/WO2022118188A1/en
Publication of IT202000029291A1 publication Critical patent/IT202000029291A1/it

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • G06F8/656—Updates while running
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Selective Calling Equipment (AREA)
  • Photoreceptors In Electrophotography (AREA)

Description

TITOLO
APPARECCHIATURA ELETTRONICA BASATA SU RETE NEURALE DESCRIZIONE CAMPO DELL?INVENZIONE
La presente invenzione riguarda una apparecchiatura elettronica basata su rete neurale.
STATO DELLA TECNICA
Da anni le reti neurali si stanno diffondendo e trovano impiego in vari tipi di apparecchiature elettroniche per svolgere funzioni operative durante il funzionamento delle apparecchiature stesse.
Nelle apparecchiature audio (quali riproduttori, telefoni, radio, televisori, computer, ecc.) posso essere usate, ad esempio, per effettuare filtraggi dei segnali audio in ingresso nelle e/o in uscita dalle apparecchiature. Come noto, prima di essere integrata in una apparecchiatura, una rete neurale ? soggetta a ?apprendimento?.
Spesso, l? ?apprendimento? della rete neurale continua anche dopo la sua integrazione in un?apparecchiature e la commercializzazione dell?apparecchiatura stessa. L? ?apprendimento? pu? derivare da attivit? effettuata dentro l?apparecchiatura e dall?apparecchiatura stessa (cosiddetto ?auto-apprendimento?) e/o fuori dall?apparecchiatura (ad esempio, dal produttore dell?apparecchiatura presso un suo centro di ricerca e sviluppo oppure da un gestore dell?apparecchiatura).
In entrambi questi due casi, il risultato dell? ?apprendimento? ? un ?aggiornamento? della rete neurale, ossia una modifica di uno o pi? dei seguenti parametri della rete neurale:
- pesi associati a uno o pi? neuroni
- funzione non-lineare (tipo e/o caratteristiche) associata a uno o pi? neuroni
- numero totale dei neuroni
- connessione tra i neuroni (ossia topologia della rete neurale) - numero degli strati (ossia architettura della rete neurale)
- numero di neuroni per ogni strato
A seconda dei casi, il tempo richiesto per aggiornare la rete neurale pu? essere differente. Ad esempio, una modifica di qualche peso richiede poco tempo mentre una modifica di architettura e topologia (che spesso comporta anche una modifica dei pesi) pu? richiedere molto tempo. Durante l?aggiornamento, la rete neurale non pu? svolgere le sue funzioni operative. Quindi, a seconda dell?aggiornamento, il tempo in cui l?apparecchiatura non funziona (durante l?aggiornamento) pu? essere differente.
SOMMARIO
Scopo generale della presente invenzione ? di migliorare l?aggiornamento di una rete neurale integrata in un?apparecchiatura elettronica.
Un primo scopo specifico della presente invenzione ? di consentire un elevato tasso di funzionamento di un?apparecchiatura elettronica basata su rete neurale anche se la rete neurale ? soggetta ad aggiornamenti. Sarebbe ideale che l?utente dell?apparecchiatura elettronica percepisca per nulla o poco gli aggiornamenti della rete neurale, ossia che il comportamento dell?apparecchiatura agli effetti esterni sia influenzato per nulla o poco dagli aggiornamenti.
L?apparecchiatura elettronica basata su rete neurale secondo la presente invenzione comprende un?unit? di aggiornamento predisposta per ricevere richieste di aggiornamento e gestire l'aggiornamento di della rete neurale in base alle richieste di aggiornamento; l?unit? di aggiornamento ? predisposta per prendere decisioni di aggiornamento in merito a A) se e/o B) quando e/o C) come soddisfare le richieste di aggiornamento.
Ulteriori caratteristiche della presente invenzione sono espresse nelle annesse rivendicazioni che sono da considerare parte integrante della presente descrizione ai fini della divulgazione dell?invenzione.
ELENCO DELLE FIGURE
La presente invenzione risulter? pi? chiara dalla descrizione dettagliata che segue da considerare assieme ai disegni annessi in cui:
Fig. 1 mostra uno schema a blocchi di un esempio di realizzazione di una apparecchiatura elettronica secondo la presente invenzione, Fig. 2 mostra un primo possibile diagramma temporale della successione di periodi di attivit? e di periodi di inattivit? di una rete neurale nell?apparecchiatura di Fig.1, e
Fig. 3 mostra un secondo possibile diagramma temporale della successione di periodi di attivit? e di periodi di inattivit? di una rete neurale nell?apparecchiatura di Fig.1.
Come si comprende facilmente, vi sono vari modi di implementare in pratica la presente invenzione che ? definita nei suoi principali aspetti vantaggiosi nelle annesse rivendicazioni e non ? limitata n? dalla descrizione dettagliata che segue n? dagli annessi disegni.
DESCRIZIONE DETTAGLIATA
Con riferimento a Fig. 1, secondo un esempio di realizzazione, l?apparecchiatura elettronica 100 basata su rete neurale prevede almeno degli ingressi di segnale, indicati con ?input? o 31 in Fig. 1, delle uscite di segnale, indicati con ?output? o 41 in Fig. 1, e degli ingressi di controllo aggiornamento rete neurale, indicati con ?update? o 51 in Fig.1; segnali di ingresso sono ricevuti e processati dall?apparecchiatura e poi segnali di uscita sono forniti dall?apparecchiatura.
L?apparecchiatura 100 comprende una rete neurale principale 10 e una rete neurale ausiliare 20, che secondo alcuni tipici esempi di realizzazione ? identica o pressoch? identica alla rete neurale principale 10 e quindi pu? essere anche chiamata ?rete neurale gemella?. La rete ausiliare 20 ? disegnata con linea tratteggiata perch?, secondo alcuni esempi di realizzazione, questa pu? essere istanziata (in HW e/o SW) quando serve e deistanziata quando non serve; in altre parole, non ? sempre esistente nell?apparecchiatura.
Entrambe le reti neurali 10 and 20 possono ricevere dall?esterno segnali di ingresso dall?ingresso 31 ad esempio attraverso un buffer o cache 30; in generale il buffer 30 non ? un componente essenziale dell?apparecchiatura 100.
Entrambe le reti neurali 10 and 20 possono trasmettere all?esterno segnali di uscita dall?uscita 41 ad esempio attraverso un buffer o cache 40; in generale il buffer 40 non ? un componente essenziale dell?apparecchiatura 100.
La rete neurale principale 10 ? osservata da un?unit? di osservazione 60. Una connessione 61 serve a trasferire segnali di osservazione della rete neurale principale 10 dalla rete 10 alla unit? 60 durante il funzionamento dell?apparecchiatura 100.
Fig. 2 e Fig. 3 aiutano a capire cosa possano essere tali segnali di osservazione.
Secondo lo scenario operativo corrispondente a Fig. 2, i periodi 210 and 230 and 250 and 270 sono periodi di inattivit? della rete neurale, ossia periodi durante i quali non sta processando segnali di ingresso, ad esempio segnali dall?ingresso 31 attraverso il buffer 30, i periodi 220 and 240 and 260 sono periodi di attivit? della rete neurale, ossia periodi durante i quali sta processando segnali di ingresso; si pu? assumere che segnali di ingresso siano ricevuti dalla apparecchiatura 100 all?inizio dei periodi 220 and 240 and 260, siano processati dalla rete 10 durante i periodi 220 and 240 and 260, e siano trasmessi dalla apparecchiatura 100 alla fine dei periodi 220 and 240 and 260.
Secondo lo scenario operativo corrispondente a Fig. 3, i periodi 310 and 330 and 350 and 370 sono periodi di inattivit? della rete neurale, ossia periodi durante i quali non sta processando segnali di ingresso, ad esempio segnali dall?ingresso 31 attraverso il buffer 30, i periodi 320 and 340 and 360 sono periodi di attivit? della rete neurale, ossia periodi durante i quali sta processando segnali di ingresso; si pu? assumere che segnali di ingresso siano ricevuti dalla apparecchiatura 100 all?inizio dei periodi 320 and 340 and 360, siano processati dalla rete 10 durante i periodi 320 and 340 and 360, e siano trasmessi dalla apparecchiatura 100 alla fine dei periodi 320 and 340 and 360.
La differenza tra questi due scenari ? che nel caso di Fig. 2 i periodi di attivit? sono della medesima durata e i periodi di inattivit? sono della medesima durata (in particolare assai pi? lunghi dei periodi di attivit?), mentre nel caso di Fig. 3 i periodi di attivit? sono di diverse durate e i periodi di inattivit? sono di diverse durate; pertanto, il funzionamento della rete neurale principale nel caso di Fig. 2 ? facilmente prevedibile alla luce dell?osservazione mentre nel caso di Fig. 3 ? pi? difficilmente prevedibile alla luce dell?osservazione.
I diagrammi di Fig. 2 e Fig.3 potrebbero corrispondere all?andamento di segnali trasferiti dalla rete 10 alla unit? 60 durante il funzionamento dell?apparecchiatura 100 e che sono segnali di osservazione della rete neurale principale 10.
La rete neurale principale 10 ? aggiornata grazie a un?unit? di aggiornamento 50 che ? atta a gestirne l?aggiornamento. Una connessione 52 in Fig. 1 rappresenta concettualmente l?aggiornamento della rete 10 e potrebbe corrispondere, ad esempio, a un trasferimento di dati dei nuovi parametri (pochi o tanti) della rete neurale.
L?aggiornamento della rete neurale principale 10 pu? avvenire in base a richieste di aggiornamento ricevute dall?unit? di aggiornamento 50 in particolare dall?ingresso di controllo 51.
Una richiesta di aggiornamento pu? venire da remoto o essere locale. Una richiesta di aggiornamento pu? riferirsi a uno o pochi o molti o tutti i parametri di rete neurale della rete neurale principale, e/o a una o pi? categorie di parametri di rete neurale.
Una richiesta di aggiornamento pu? specificare una classe di servizio di aggiornamento; ad esempio, la classe di servizio pu? essere ?massimo sforzo? (effettuare l?aggiornamento con certezza e il prima possibile e con il minimo disservizio possibile) oppure ?accelerato? (effettuare l?aggiornamento con certezza e il prima possibile) oppure ?assicurato? (effettuare l?aggiornamento con certezza); deve essere chiaro che si possono definire molte altre e differenti classi di servizio a seconda della realizzazione della presente invenzione. Quindi, secondo alcuni esempi di realizzazione, l?unit? di aggiornamento pu? decidere di non effettuare un aggiornamento della rete neurale principale ad esempio perch? l?aggiornamento non ? strettamente necessario, oppure di non effettuarlo immediatamente ad esempio perch? l?aggiornamento non ? prioritario rispetto alle funzioni che la rete sta fornendo in quell?istante. L?unit? 50 ? predisposta per prendere decisioni di aggiornamento della rete neurale principale 10 in merito a A) se e/o B) quando e/o C) come soddisfare le richieste di aggiornamento e quindi effettuare l?aggiornamento della rete neurale principale 10.
In particolare, tali decisioni sono prese dall?unit? 50 grazie all?unit? 60. Nell?esempio di realizzazione di Fig. 1, l?unit? di osservazione 60 ? collegata all?unit? di aggiornamento 50 attraverso una connessione 53. L?osservazione della rete neurale principale 10 serve, ad esempio, a determinare dati o informazioni relativi al funzionamento della rete 10 durante il funzionamento dell?apparecchiatura 100 ed a comunicare tali dati o informazioni all?unit? di aggiornamento 50. Ad esempio, l?osservazione della rete 10 pu? prevedere la misura della frequenza di ?interrogazioni? e/o la distribuzione temporale di ?interrogazioni? e/o il ritardo tra ?interrogazioni? e/o il tempo di elaborazione di ?interrogazioni? ? con ?interrogazione? si intende, ad esempio, un segnale di ingresso agli ingressi della rete neurale, il che, tipicamente, comporta un?elaborazione da parte della rete neurale e la generazione di un segnale di uscita.
L?unit? 50 ? predisposta per prendere decisioni di aggiornamento della rete neurale principale 10 sulla base di dati o informazioni dall?unit? 60 in particolare attraverso la connessione 53; quindi tali decisioni possono derivare dalla cooperazione tra l?unit? di aggiornamento e l?unit? di osservazione (che potrebbero essere integrate in un?unica circuiteria elettronica). Secondo alcuni esempi di realizzazione, le elaborazioni effettuate dall?unit? 50 e/o dall?unit? 60 ai fini dell?aggiornamento della rete neurale principale 10 potrebbero essere basate su ?Intelligenza Artificiale?; ad esempio, potrebbero essere effettuate da o anche da una o pi? reti neurali interne alla unit? o alle unit?.
Secondo alcuni esempi di realizzazione e/o in alcune situazioni, l?unit? di aggiornamento pu? fare intervenire il buffer o cache d?ingresso (e quindi memorizzare segnali d?ingresso provenienti dall?ingresso della apparecchiatura per un po? di tempo prima di inoltrarli alla rete neurale principale) se un aggiornamento della rete neurale principale ? in corso e l?apparecchiatura riceve una ?interrogazione?.
Secondo alcuni esempi di realizzazione e/o in alcune situazioni, l?unit? di aggiornamento pu? fare intervenire il buffer o cache d?uscita durante e/o (subito) dopo un aggiornamento della rete neurale principale; ci? pu? essere utile, ad esempio, per ?regolarizzare? il flusso di segnali in uscita dalla apparecchiatura.
Nel seguito, si far? prima riferimento a casi esemplificativi in cui l?aggiornamento della rete neurale principale avviene, in particolare ? effettuato sotto la gestione dell?unit? di aggiornamento, senza l?ausilio di un?altra rete neurale, detta ?rete neurale ausiliare? (in particolare una ?rete neurale gemella?) indicata con 20 in Fig.1. Quindi, una decisione di aggiornamento dell?unit? di aggiornamento in merito a ?come? pu? corrispondere, ad esempio, a decidere se usare o meno un?altra rete neurale per l?aggiornamento della rete neurale principale.
Secondo un primo caso che ricade nello scenario operativo di Fig. 2, l?unit? di aggiornamento 50 riceve una richiesta di aggiornamento della rete neurale principale 10 ad un tempo T1 che cade all?interno del periodo 230. L?unit? 50 sa o determina che tale aggiornamento richiede un periodo DT1. L?unit? 50 pu? decidere di iniziare l?aggiornamento subito perch? il periodo DT1 ? inferiore alla distanza temporale tra il tempo T1 e la fine del periodo di inattivit? 230. Alternativamente, l?unit? 50 pu? decidere di attendere e di iniziare l?aggiornamento all?inizio del successivo periodo di inattivit? 250.
Secondo un secondo caso che ricade nello scenario operativo di Fig.3, l?unit? di aggiornamento 50 riceve una richiesta di aggiornamento della rete neurale principale 10 ad un tempo T2 che cade all?interno del periodo 330. L?unit? 50 sa o determina che tale aggiornamento richiede un periodo DT2. L?unit? 50 pu? decidere di iniziare l?aggiornamento subito perch? il periodo DT2 ? (probabilmente) inferiore alla distanza temporale tra il tempo T2 e la fine (stimata) del periodo di inattivit? 330. Alternativamente, l?unit? 50 pu? decidere di attendere e di iniziare l?aggiornamento all?inizio di un successivo periodo di inattivit?, ad esempio 350 oppure 370, stimando che tale successivo periodo di inattivit? sia maggiore del periodo DT2.
Secondo alcuni esempi di realizzazione della presente invenzione, l?aggiornamento della rete neurale principale avviene, in particolare ? effettuato sotto la gestione dell?unit? di aggiornamento, con l?ausilio di un?altra rete neurale, detta ?rete neurale ausiliare? (in particolare una ?rete neurale gemella?) come, ad esempio, la rete neurale 20 in Fig.1. Tipicamente ma non necessariamente, la rete neurale ausiliare ? identica alla rete neurale principale ed ? predisposta per svolgere funzioni operative durante il funzionamento dell?apparecchiatura durante l?aggiornamento della rete neurale principale; quindi, si pu? dire che durante l?aggiornamento della rete neurale principale la rete neurale ausiliare pu? sostituirsi alla rete neurale principale.
Se la rete neurale ausiliare ? identica alla rete neurale principale, questa pu? svolgere tutte le funzioni operative della rete neurale principale esattamente in modo identico; alternativamente, questa pu? svolgere meno funzioni operative e/o in modo similare.
Secondo alcuni esempi di realizzazione, tale sostituzione pu? avvenire sempre, ossia indipendentemente dal tipo e/o entit? dell?aggiornamento della rete neurale principale (in particolare dal tempo necessario per effettuare l?aggiornamento).
Secondo altri esempi di realizzazione, tale sostituzione pu? avvenire solo in certi casi. Ad esempio, pu? avvenire se il tempo necessario per effettuare l?aggiornamento ? elevato, ad esempio maggiore di una certa soglia, in particolare una soglia predeterminata.
Secondo l?esempio di realizzazione di Fig. 1, la rete neurale principale 10 e la rete neurale ausiliare 20 sono collegabili allo stesso ingresso di segnale 31, ad esempio attraverso il buffer 30, e alla stessa uscita di segnale 41, ad esempio attraverso il buffer 40. In particolare, secondo questo esempio, vi ? un primo commutatore 70 controllato da un?uscita di controllo 54 dell?unit? di aggiornamento 50 ed atto a collegare alternativamente gli ingressi delle reti 10 e 20 (indirettamente, tramite il buffer 30) all?ingresso 31. In particolare, secondo questo esempio, vi ? un secondo commutatore 80 controllato da un?uscita di controllo 54 dell?unit? di aggiornamento 50 ed atto a collegare alternativamente le uscite delle reti 10 e 20 (indirettamente, tramite il buffer 40) all?uscita 41. La commutazione dei commutatori 70 e 80 dipende da quale rete neurale deve essere usata.
Come anticipato, la rete neurale ausiliare pu? non esistere sempre. Secondo una prima possibilit?, l?unit? di aggiornamento pu? essere predisposta per istanziare e attivare la rete neurale ausiliare prima di aggiornare la rete neurale principale e per deistanziare e disattivare la rete neurale ausiliare dopo aver aggiornato la rete neurale principale. In questo modo, eventuali componenti hardware e/o software dell?apparecchiatura elettronica usati per realizzare la rete neurale ausiliare possono essere usati per altri scopi quando la rete neurale ausiliare non serve. E? da notare che tale istanziazione pu? essere fatta in funzione delle rete neurale principale da ?mimare?; quindi il medesimo software e/o hardware pu? essere usato per ?mimare? reti neurali diverse a seconda del bisogno.
Secondo una seconda possibilit?, la rete neurale ausiliare ? sempre presente nell?apparecchiatura elettronica ed ? preferibilmente identica alla rete neurale principale. In questo caso, l?unit? di aggiornamento ? predisposta per attivare la rete neurale ausiliare prima di aggiornare la rete neurale principale e per disattivare la rete neurale ausiliare dopo aver aggiornato la rete neurale principale. E? da notare che prima dell?attivazione potrebbe anche essere possibile ri-configurare la rete neurale ausiliare in modo tale da ?mimare? reti neurali diverse a seconda del bisogno.
Secondo la presente invenzione, un?unit? di aggiornamento potrebbe essere usata per gestire aggiornamenti di pi? reti neurali principali, ad esempio situate vicino o lontano tra loro.
Secondo la presente invenzione, un?unit? di aggiornamento potrebbe essere situata totalmente vicino (locale) una rete neurale principale da aggiornare oppure parzialmente vicino e parzialmente lontano (ad esempio suddivisa in due o pi? sub-unit?) oppure totalmente lontano (remota).
Secondo la presente invenzione, un?unit? di osservazione potrebbe essere usata per gestire osservazioni di pi? reti neurali principali, ad esempio situate vicino o lontano tra loro.
Secondo la presente invenzione, un?unit? di osservazione potrebbe essere situata totalmente vicino (locale) una rete neurale principale da aggiornare oppure parzialmente vicino e parzialmente lontano (ad esempio suddivisa in due o pi? sub-unit?) oppure totalmente lontano (remota).

Claims (10)

RIVENDICAZIONI
1. Apparecchiatura elettronica basata su rete neurale comprendente:
- una rete neurale principale predisposta per svolgere funzioni operative durante il funzionamento dell?apparecchiatura, e
- un?unit? di aggiornamento collegata a detta rete neurale principale, e predisposta per ricevere richieste di aggiornamento e gestire l'aggiornamento di detta rete neurale principale in base a dette richieste di aggiornamento;
in cui detta unit? di aggiornamento ? predisposta per prendere decisioni di aggiornamento in merito a se e/o quando e/o come soddisfare dette richieste di aggiornamento.
2. Apparecchiatura secondo la rivendicazione 1, comprendente inoltre:
- un?unit? di osservazione collegata a detta rete neurale principale e a detta unit? di aggiornamento, e predisposta per eseguire l'osservazione di detta rete neurale principale;
in cui detta osservazione comprende determinare dati o informazioni relativi al funzionamento di detta rete neurale principale durante il funzionamento dell?apparecchiatura e comunicare detti dati o informazioni a detta unit? di aggiornamento;
in cui detta unit? di aggiornamento ? predisposta per prendere dette decisioni di aggiornamento sulla base di detti dati o informazioni.
3. Apparecchiatura secondo la rivendicazione 2,
in cui detta osservazione comprende misurare la frequenza di ?interrogazioni? e/o la distribuzione temporale di ?interrogazioni? e/o il ritardo tra ?interrogazioni? e/o il tempo di elaborazione di ?interrogazioni?.
4. Apparecchiature secondo la rivendicazione 1 oppure 2 oppure 3, in cui come soddisfare una richiesta di aggiornamento comprende utilizzare una rete neurale ausiliare identica a detta rete neurale principale; e
in cui detta rete neurale ausiliare ? predisposta per svolgere funzioni operative durante il funzionamento dell?apparecchiatura durante l?aggiornamento di detta rete neurale principale da parte di detta unit? di aggiornamento;
in cui detta rete neurale principale e detta rete neurale ausiliare sono collegabili agli stessi ingressi di segnale e alle stesse uscite di segnale.
5. Apparecchiatura secondo la rivendicazione 4, in cui detta unit? di aggiornamento ? predisposta per collegare alternativamente detti stessi ingressi di segnale a detta rete neurale principale e detta rete neurale ausiliare, e per collegare alternativamente dette stesse uscite di segnale a detta rete neurale principale e detta rete neurale ausiliare.
6. Apparecchiatura secondo la rivendicazione 5, in cui detta unit? di aggiornamento ? predisposta per collegare alternativamente detti stessi ingressi di segnale a detta rete neurale principale e detta rete neurale ausiliare attraverso un'unit? cache in particolare durante l'aggiornamento di detta rete neurale principale da parte di detta unit? di aggiornamento.
7. Apparecchiature secondo la rivendicazione 4 oppure 5 oppure 6, in cui detta unit? di aggiornamento ? predisposta per istanziare e attivare detta rete neurale ausiliare prima di aggiornare detta rete neurale principale e per deistanziare e disattivare detta rete neurale ausiliare dopo aver aggiornato detta rete neurale principale.
8. Apparecchiatura secondo la rivendicazione 4 oppure 5 oppure 6, comprendente inoltre:
- una rete neurale ausiliare identica a detta rete neurale principale; in cui detta unit? di aggiornamento ? predisposta per attivare detta rete neurale ausiliare prima di aggiornare detta rete neurale principale e per disattivare detta rete neurale ausiliare dopo aver aggiornato detta rete neurale principale.
9. Apparecchiatura secondo una qualsiasi delle rivendicazioni precedenti,
in cui una richiesta di aggiornamento si riferisce a uno o pochi o molti o tutti i parametri di rete neurale di detta rete neurale principale, e/o a una o pi? categorie di parametri di rete neurale.
10. Apparecchiatura secondo una qualsiasi delle rivendicazioni precedenti,
in cui una richiesta di aggiornamento specifica una classe di servizio di aggiornamento, detta classe di servizio di aggiornamento comprendendo ?massimo sforzo? e/o ?assicurato? e/o ?accelerato?.
IT102020000029291A 2020-12-01 2020-12-01 Apparecchiatura elettronica basata su rete neurale IT202000029291A1 (it)

Priority Applications (2)

Application Number Priority Date Filing Date Title
IT102020000029291A IT202000029291A1 (it) 2020-12-01 2020-12-01 Apparecchiatura elettronica basata su rete neurale
PCT/IB2021/061109 WO2022118188A1 (en) 2020-12-01 2021-11-30 Neural network based electronic equipment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
IT102020000029291A IT202000029291A1 (it) 2020-12-01 2020-12-01 Apparecchiatura elettronica basata su rete neurale

Publications (1)

Publication Number Publication Date
IT202000029291A1 true IT202000029291A1 (it) 2022-06-01

Family

ID=74874967

Family Applications (1)

Application Number Title Priority Date Filing Date
IT102020000029291A IT202000029291A1 (it) 2020-12-01 2020-12-01 Apparecchiatura elettronica basata su rete neurale

Country Status (2)

Country Link
IT (1) IT202000029291A1 (it)
WO (1) WO2022118188A1 (it)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190286434A1 (en) * 2014-06-30 2019-09-19 Google Llc Systems and methods for updating software in a hazard detection system
US20200134374A1 (en) * 2019-12-20 2020-04-30 UiPath, Inc. Dynamic artificial intelligence / machine learning model update, or retrain and update, in digital processes at runtime

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7526463B2 (en) * 2005-05-13 2009-04-28 Rockwell Automation Technologies, Inc. Neural network using spatially dependent data for controlling a web-based process

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190286434A1 (en) * 2014-06-30 2019-09-19 Google Llc Systems and methods for updating software in a hazard detection system
US20200134374A1 (en) * 2019-12-20 2020-04-30 UiPath, Inc. Dynamic artificial intelligence / machine learning model update, or retrain and update, in digital processes at runtime

Also Published As

Publication number Publication date
WO2022118188A1 (en) 2022-06-09

Similar Documents

Publication Publication Date Title
CN108259367B (zh) 一种基于软件定义网络的服务感知的流策略定制方法
CN106464593B (zh) 一种优化路由数据流的系统和方法
CN110166305B (zh) 一种基于意图的应用QoE管理方法及系统
US20160105364A1 (en) Network traffic flow management using machine learning
TW201032524A (en) Method and system for control of energy efficiency and associated policies in a physical layer device
US10511897B2 (en) Method and apparatus for performing an automatic bandwidth management in a communication network
CN103838659B (zh) 一种系统日志的控制方法和装置
WO2022050541A1 (ko) 복수의 vnf(virtualized network function)에 대한 컴퓨팅 자원의 할당을 조정하는 방법 및 그 서버
WO2007037006A1 (ja) マルチコアプロセッサ
US11043048B2 (en) Method for diagnosis and/or maintenance of a transportation system, and software program
CN105270937A (zh) 电梯组管理装置
WO2020110131A1 (en) Method and crew allocation system for allocating a field technician for executing a work order
IT202000029291A1 (it) Apparecchiatura elettronica basata su rete neurale
Hassan et al. PlanIoT: a framework for adaptive data flow management in IoT-enhanced spaces
CN105874729B (zh) 用于接入网络的设备和方法
CN108604996A (zh) 一种nfv系统中的策略传输方法和装置
EP3295567A1 (en) Pattern-based data collection for a distributed stream data processing system
JP6861123B2 (ja) 群管理エレベータ装置
JP6531060B2 (ja) 群管理エレベーター装置及び呼び登録装置の機能変更方法
US10447556B2 (en) End user on demand network resource instantiation
Mata et al. Application of artificial intelligence techniques in optical networks
US20120191637A1 (en) Context-awareness system and method of forming event data
KR102543689B1 (ko) 하이브리드 클라우드 운영 시스템 및 그 제어방법과, 그 하이브리드 클라우드 운영 시스템에 포함되는 노드 배치 장치 및 그 제어방법
Shen et al. Elevator group-control policy based on neural network optimized by genetic algorithm
CN115001750B (zh) 电力物联网中基于信任管理的可信群体构建方法及系统