Vai al contenutoVai al piede

Dalla sfida al risultato: casi d’uso dell’HPC con EuroCC Italy

Quando si parla di High Performance Computing, il rischio è concentrarsi sulla potenza delle infrastrutture, sul numero di processori o sulla velocità di calcolo. Per le imprese, però, la domanda davvero importante è un’altra: quale problema concreto può essere risolto grazie al supercalcolo? Il valore del supercalcolo, infatti, non consiste semplicemente nell’eseguire più velocemente le stesse operazioni: significa rendere possibili analisi, simulazioni e sperimentazioni che altrimenti sarebbero troppo onerose, lente o difficili da scalare.

Prevedere un’anomalia prima che comprometta una produzione industriale, addestrare modelli di intelligenza artificiale su dataset complessi, elaborare previsioni ambientali ad altissima risoluzione o ridurre i tempi di sviluppo di una nuova soluzione sono sfide molto diverse tra loro. In tutti questi casi, l’HPC diventa una leva strategica quando le risorse tradizionali non bastano più a gestire il volume dei dati, la complessità dei modelli o i tempi di elaborazione richiesti.  Ma l’accesso a un’infrastruttura avanzata, da solo, non basta: per trasformare la capacità di calcolo in innovazione servono un caso d’uso ben definito, dati adeguati, competenze specialistiche e un percorso capace di collegare la sperimentazione tecnologica agli obiettivi dell’organizzazione.

Quando il supercalcolo diventa una risposta concreta

L’adozione dell’HPC dovrebbe sempre partire da una domanda precisa: quale problema non riusciamo ad affrontare in modo sufficientemente rapido, accurato o scalabile con gli strumenti disponibili?

Il supercalcolo può essere utile quando:

  • la quantità di dati da elaborare cresce oltre le capacità dei sistemi tradizionali;
  • i tempi di calcolo rallentano attività di ricerca, progettazione o decisione;
  • è necessario addestrare e confrontare numerosi modelli di intelligenza artificiale;
  • le simulazioni richiedono un elevato livello di dettaglio;
  • devono essere esplorate molte configurazioni o scenari differenti;
  • l’organizzazione vuole validare una soluzione prima di investire nella sua industrializzazione.

Le case history sviluppate con il supporto di EuroCC Italy raccontano il passaggio dalla definizione di una sfida concreta alla costruzione, validazione e applicazione di soluzioni basate su HPC, intelligenza artificiale e analisi avanzata dei dati. I progetti mostrano inoltre che l’accesso alla potenza computazionale è solo una parte del percorso. Per ottenere risultati concreti servono anche dati adeguati, software capace di sfruttare architetture parallele, competenze specialistiche e una chiara connessione tra attività tecnologiche e obiettivi organizzativi.

GenAI4add: prevedere le anomalie nella stampa 3D industriale

Nell’additive manufacturing, una singola stampa può richiedere molte ore o persino giorni di lavorazione e impiegare materiali ad alto valore, come il titanio. Quando un’anomalia viene rilevata solo nelle fasi finali del processo, l’azienda non perde solamente il componente prodotto: perde materiale, tempo macchina ed efficienza operativa. Da questa sfida nasce GenAI4add, il progetto sviluppato da BitBang nell’ambito del programma europeo Fortissimo Plus.

Le stampanti 3D industriali producono una grande quantità di informazioni: segnali provenienti dai sensori, dati di telemetria, parametri di processo e immagini acquisite strato dopo strato. Dati preziosi, ma eterogenei e difficili da integrare in un unico sistema predittivo.

GenAI4add combina tre componenti principali:

  • analisi e previsione delle serie temporali, per monitorare l’evoluzione di parametri come temperatura, pressione e umidità;
  • intelligenza artificiale generativa, per mettere in relazione dati numerici e immagini del processo di stampa;
  • dati sintetici, utilizzati per ampliare i casi disponibili per l’addestramento quando gli esempi reali di guasto sono insufficienti.

La soluzione confronta le immagini reali degli strati stampati con quelle attese sulla base dello stato previsto del processo: un disallineamento tra le due segnala una possibile anomalia, permettendo di intervenire prima che il difetto comprometta l’intero pezzo. L’elaborazione e la generazione delle immagini richiedono un’elevata capacità di calcolo, resa disponibile dall’HPC senza ridurre la complessità o l’accuratezza dei modelli.

Axyon AI: modelli più scalabili per l’asset management

La gestione patrimoniale è un settore in cui le decisioni vanno prese rapidamente, utilizzando grandi quantità di informazioni e modelli capaci di interpretare mercati complessi e in continua evoluzione. Axyon AI sviluppa soluzioni di intelligenza artificiale e deep learning per supportare i gestori patrimoniali nella costruzione di strategie di investimento e nell’analisi del rischio. La crescita della piattaforma ha progressivamente aumentato la complessità computazionale: dataset più grandi, un numero crescente di asset da analizzare, modelli più sofisticati e la necessità di aggiornare rapidamente gli algoritmi.

Attraverso diversi programmi europei di accesso al supercalcolo, tra cui il supporto ricevuto nell’ambito di EuroCC Italy, l’azienda ha potuto accedere a risorse computazionali e competenze avanzate, eseguendo attività di deep learning in parallelo e migliorando la scalabilità delle proprie soluzioni.

L’HPC ha consentito ad Axyon AI di:

  • elaborare dataset finanziari più estesi;
  • sviluppare, testare e aggiornare più rapidamente i modelli;
  • gestire algoritmi più complessi senza compromettere le prestazioni;
  • ampliare il numero di asset finanziari supportati;
  • migliorare gli strumenti utilizzati per l’analisi e la gestione del rischio.

Nel progetto FF4EuroHPC, in particolare, la piattaforma ha ampliato il supporto alle strategie di investimento da 100 a oltre 1.000 asset finanziari, integrando anche meccanismi di apprendimento continuo per aumentare l’adattabilità dei modelli e ridurne i tempi di riaddestramento.

WeatherAI: trasformare una telecamera in un sensore ambientale intelligente

Il monitoraggio meteorologico tradizionale richiede generalmente sensori dedicati, installazioni specifiche e procedure di calibrazione: elementi che possono aumentare i costi e limitare la possibilità di costruire reti di osservazione diffuse e capillari. Con il progetto WeatherAI, WaterView ha sviluppato una nuova generazione di sistemi di analisi meteorologica basati su computer vision e intelligenza artificiale, più portabile e scalabile della precedente.

L’obiettivo è utilizzare comuni telecamere come sensori ambientali non dedicati, in grado di ricavare informazioni sulle condizioni meteo osservando semplicemente le immagini acquisite. Per ottenere modelli portabili e scalabili era necessario addestrare e ottimizzare diverse architetture di intelligenza artificiale su grandi quantità di immagini. Le risorse HPC sono state impiegate sia per l’addestramento dei modelli su GPU sia per la preparazione e l’incremento dei dataset attraverso CPU parallele.

Il progetto ha portato allo sviluppo di cinque soluzioni, ciascuna dedicata a un fenomeno specifico, con tempi di sviluppo e ingresso sul mercato più rapidi di 3-6 mesi:

  • RainCAM, per rilevare presenza e intensità delle precipitazioni;
  • VisCAM, per misurare la distanza di visibilità;
  • FloodCAM, per individuare eventi di inondazione;
  • SnowCAM, per rilevare l’accumulo di neve sul terreno;
  • SmoCAM, per riconoscere la presenza di fumo e incendi.

L’accesso alle risorse di supercalcolo ha permesso di sperimentare la fattibilità della soluzione prima di effettuare investimenti infrastrutturali, contribuendo a ridurre il time-to-market di un periodo stimato tra tre e sei mesi.

QualeAria-Local: prevedere l’inquinamento fino alla scala stradale

La qualità dell’aria può cambiare sensibilmente all’interno della stessa area urbana. I livelli di inquinamento dipendono da fenomeni regionali, fonti diffuse come il riscaldamento degli edifici e contributi estremamente localizzati, come il traffico nei corridoi stradali.

Ottenere previsioni ad alta risoluzione richiede l’integrazione di modelli atmosferici, dati osservativi, algoritmi di machine learning e simulazioni di dispersione su microscala: un problema ad alta intensità computazionale, soprattutto quando l’obiettivo è passare da una rappresentazione generale della città a una lettura dettagliata quasi a livello di singola strada.

Il progetto QualeAria-Local, sviluppato da ARIANET, combina:

  • il sistema di previsione della qualità dell’aria QualeAria;
  • un algoritmo di machine learning basato su Random Forest;
  • la suite di modellazione microscalare Parallel-Micro-Swift-Spray (PMSS).

I dati relativi alle concentrazioni di PM10, PM2.5, NO₂ e ozono sono stati elaborati insieme a predittori spazio-temporali e osservazioni disponibili, ottenendo valutazioni della qualità dell’aria con una risoluzione di un chilometro a livello nazionale. I risultati sono stati poi utilizzati per realizzare simulazioni a risoluzione ancora più elevata nell’area urbana di Milano. Il progetto ha dimostrato la possibilità di produrre previsioni della qualità dell’aria a una scala utile per analizzare le aree prossime alle strade e i luoghi in

Quattro progetti, un metodo comune

I casi presentati appartengono a settori molto diversi, ma condividono alcuni elementi fondamentali. In ognuno c’è una sfida concreta e misurabile che l’HPC aiuta a superare senza mai essere un fine a sé stante. E in ognuno la potenza di calcolo da sola non basta: serve prima preparare dati, workflow e modelli perché possano davvero sfruttarla, attraverso attività di parallelizzazione, ottimizzazione, benchmarking e validazione.

Dal superamento di un limite preciso, alla necessità di combinare infrastrutture e competenze, dalla necessità di effettuare test before invest alla necessità di integrare modelli, dati, algoritmi e simulazioni ad elevata complessità computazionale: questi casi d’uso mostrano come il risultato non coincide necessariamente con un singolo prodotto. L’adozione dell’HPC può generare anche nuove competenze interne, conoscenza dei dati, collaborazioni, modelli operativi e capacità di sviluppare progetti più ambiziosi.

Il ruolo di EuroCC Italy: dalla complessità tecnologica all’applicazione

Per un’impresa che si avvicina per la prima volta al supercalcolo, individuare l’infrastruttura corretta, preparare il workload, accedere alle opportunità europee e utilizzare efficacemente le risorse può essere complesso. EuroCC Italy opera come punto di raccordo tra imprese, infrastrutture HPC, centri di ricerca e competenze specialistiche. Il supporto può partire dalla valutazione iniziale del caso d’uso e proseguire attraverso:

  • analisi delle esigenze computazionali;
  • verifica della maturità di dati, codice e modelli;
  • individuazione delle risorse più appropriate;
  • sviluppo e validazione di Proof of Concept;
  • orientamento verso programmi e opportunità di finanziamento;
  • onboarding e supporto tecnico nell’utilizzo delle infrastrutture;
  • collegamento con partner e attori dell’ecosistema nazionale ed europeo.

L’obiettivo non è portare ogni organizzazione a usare necessariamente il supercalcolo, ma aiutarla a comprendere se, dove e in quale forma l’HPC possa generare un beneficio reale. Il punto di partenza non è scegliere il supercomputer: è identificare con precisione il problema, definire il risultato atteso e valutare se una maggiore capacità computazionale possa davvero fare la differenza.

Hai una sfida computazionale da affrontare? Contattaci per valutare il tuo caso d’uso e scoprire le opportunità offerte dall’ecosistema europeo del supercalcolo.

Scrivici a: info@euroccitaly.it