Acceleratori Hardware: differenza tra Google Coral e Intel Neural Compute Stick 2

L’ottimizzazione energetica rappresenta e rappresenterà un elemento chiave per lo sviluppo degli acceleratori hardware, portare al minimo il consumo di energia per ogni componente hardware è sempre stata una sfida per i produttori, il fine ultimo continua a essere la ricerca di livelli di autonomia elevati migliorando cosi anche i livelli prestazionali. Se da una parte le componenti hardware, con la loro ottimizzazione, rappresentano elementi chiave, dall’altra serve ovviamente un software che riesca a fare tutto questo sfruttando al meglio le caratteristiche, poiché è fondamentale che un sistema operativo sia in grado di gestire tutto questo. L'obiettivo di questa tesi è quello di evidenziare la potenza di nuove tecnologie capaci di elaborare un enorme mole di dati e di come, mediante la comprensione del loro funzionamento e dei loro processi di elaborazione esse riescano a raggiungere risultati soddisfacenti minimizzando il consumo di energia. A partire dall’industria 4.0 tramite la crescita delle tecnologie e dei dati, si è arrivati ad avere bisogno di qualcosa di più innovativo: l’intelligenza artificiale e più in particolare il machine learning, che negli ultimi anni hanno avuto un notevole sviluppo e continueranno ad averlo perché tutto ciò sarà il nostro futuro. Il tema centrale dell'elaborato, fa proprio riferimento a queste tecnologie e più nello specifico alla differenza fra due particolari architetture che compongono gli acceleratori hardware, ovvero architetture TPU (Tensor Processing Unit) e VPU (Vision Processing Unit), in grado di sfruttare al meglio la mole di dati generata per trarne vantaggio sia termini di prestazioni che in termini di consumo energetico, favorendo così il continuo sviluppo e la continua crescita nell’era digitale.