Analysis and implementation of Dictionary Learning techniques in a Digital Twin framework

Negli ultimi anni, la tecnologia dei Gemelli Digitali (Digital Twins) sta svolgendo un ruolo cruciale in diversi contesti, dalla agricoltura intelligente alla manutenzione predittiva, dalla sanità alla modellazione meteorologica, ottimizzando processi e prevenendo eventuali guasti degli apparecchi. Un Gemello Digitale consiste in una replica virtuale di un oggetto fisico, di un sistema o di un processo, aggiornata in tempo reale attraverso uno scambio continuo di enormi quantità di dati tra sensori IoT (Internet of Things) nel mondo reale e il sistema digitale. Questi dati posso essere utilizzati per addestrare sul sistema digitale modelli di intelligenza artificiale che, eseguendo analisi automatiche sui dati, sono in grado di prendere decisioni e attuarle sul sistema reale. Di conseguenza, una gestione efficiente dei dati diventa essenziale per sfruttare al massimo il potenziale di questa tecnologia. Questa tesi, pertanto, mira a presentare un metodo di compressione basato sulla tecnica di Dictionary Learning (DL). Il Dictionary Learning mira a trovare un dizionario di elementi, una “base” o “atomi”, che possano essere combinati in modo sparso per approssimare efficacemente i dati originali. Grazie alle proprietà del DL, vedremo come l’algoritmo di compressione presentato in questa tesi sia in grado di comprimere dati senza avere un impatto significativo sull’accuratezza del modello di intelligenza artificiale e richiedendo però minime risorse computazionali, rendendolo adatto ad essere implementato anche su dispositivi non complessi come i sensori per IoT.