Il comportamento emergente dai sistemi collettivi garantisce il successo delle “reti intelligenti”
Le città intelligenti dipendono dall’aumentata connettività digitale attraverso tecnologie quali ad esempio l’Internet delle cose, con le sue reti di sensori wireless. Questi sistemi sono modellati da piccoli elementi computazionali distribuiti, invece che da grandi soluzioni informatiche centralizzate. Tuttavia, questi elementi indipendenti dimostrano un comportamento adattivo, che non solo è modellato dal sistema, ma che a sua volta modella il sistema stesso. Insieme al potenziale per un’attività coordinata, questa disposizione crea anche delle notevoli sfide operative e di progettazione, come ad esempio gli elementi in competizione per risorse condivise nonostante collaborino per raggiungere degli obiettivi comuni. Per superare queste sfide, il progetto QUANTICOL, finanziato dall’UE, ha utilizzato un paradigma descrittivo, conosciuto come il “sistema adattivo collettivo” (CAS), per rendere possibile la modellazione del sistema nel tempo e nello spazio. La struttura CAS ha catturato sia il comportamento dei singoli componenti che il comportamento emergente dall’interazione del sistema. Questi modelli hanno previsto i possibili risultati dell’interazione con l’utente, concentrandosi in particolare su criteri quali la tempestività e l’adeguatezza della risposta del sistema. Sfruttare i sistemi adattivi per una migliore soddisfazione dell’utente finale QUANTICOL si è concentrato in particolare sulle sfide legate alla gestione delle risorse del trasporto urbano intelligente e dei sistemi delle reti intelligenti. Spiegando come questo approccio funziona nella pratica, la prof.ssa Jane Hillston, coordinatrice del progetto, ha detto: “I sistemi di condivisione delle biciclette, ad esempio, sappiamo che non va bene se una stazione per il ritiro dei mezzi è del tutto piena o vuota. Quindi utilizzando la modellazione per tenere traccia dei componenti del sistema e delle interazioni, possiamo aiutare i sistemi IT che stanno alla base ad anticipare la domanda e a migliorare la sua risposta, ad esempio mediante la pianificazione della capacità.” Spiegando come la modellazione dipende dal trovare per prima cosa un linguaggio di specifica capace di descrivere accuratamente il sistema, la prof.ssa Hillston ricorda che, “Il linguaggio che abbiamo usato apparteneva a una famiglia di linguaggi formali chiamati algebre di processi stocastici. Dopo abbiamo usato delle regole stabilite per costruire delle rappresentazioni matematiche a partire dalle descrizioni del sistema, note per essere disponibili a varie tecniche di analisi.” Il team era particolarmente interessato alle strutture matematiche che facilitavano l’analisi con “approssimazione continua”, visto che essa fornisce risultati precisi per sistemi molto grandi, ma con una ridotta domanda di calcolo. Una volta creati i requisiti di modellazione il team ha utilizzato delle tecniche di analisi automatica per testare le ipotesi applicate per usare gli scenari. Il grande numero di componenti coinvolti e la loro natura distribuita nello spazio, hanno reso l’analisi impegnativa dal punto di vista computazionale. Come ha riassunto la prof.ssa Hillston, “Il principale contributo di QUANTICOL è stato lo sviluppo di tecniche di analisi che consentono di prevedere il comportamento di grandi sistemi in tempi accettabili, a volte persino in tempo reale. Questo è stato un miglioramento significativo rispetto allo stato dell’arte all’inizio del progetto, offrendo la prospettiva di un monitoraggio e una pianificazione in tempo reale.” QUANTICOL è inoltre riuscito ad ampliare la classe di modelli a cui l’approssimazione continua può essere applicata, migliorando allo stesso tempo la precisione dei dati di approssimazione. Portare le abilità del linguaggio al livello superiore Molta speranza era stata riposta nei sistemi IT intelligenti per la fornitura di prodotti e servizi che aiutino ad affrontare sfide globali come il cambiamento climatico, rendendo anche possibile allo stesso tempo uno stile di vita più sostenibile ed efficiente. Ma come afferma la prof.ssa Hillston, “Dato che i sistemi IT diventano sempre più diffusi, attraverso l’integrazione nel nostro ambiente fisico, essi diventano anche in qualche modo più trasparenti, visto che gli utenti dipendono da essi. Risulta fondamentale per coloro che sviluppano e impiegano tali sistemi il fatto di avere a disposizione degli strumenti per valutare il loro comportamento prima, durante e dopo che sono messi in funzione.” Per far proseguire il lavoro, il team di QUANTICOL sta continuando a cercare nuovi modi di combinare linguaggi formali e logica con modelli matematici sofisticati, in modo che progettisti e operatori del sistema che non hanno necessariamente una formazione nei campi richiesti, possano tuttavia sfruttare questi risultati. Il team sta anche ampliando la modellazione a sistemi e applicazioni che potrebbero ottenere benefici dagli approcci con approssimazione del fluido. Oltre ad applicare le loro tecniche CAS a sistemi più diffusi come ad esempio i protocolli di propagazione dei dati nelle reti peer-to-peer e i modelli epidemiologici, il team sta esaminando nuove classi di sistemi. Ad esempio, essi hanno esaminato il comportamento e l’interazione tra agricoltori di sussistenza nell’Africa subsahariana per comprendere meglio le loro conseguenze per la sicurezza alimentare. QUANTICOL è stato ufficialmente finanziato tramite il programma per le tecnologie future ed emergent (FET) della Commissione europea.
Parole chiave
QUANTICOL, sistemi adattivi collettivi, CAS, metodi formali, città intelligenti, reti intelligenti, internet delle cose, approssimato, logica, linguaggio di specifica, algebre processo stocastico, reti trasporto, reti elettriche, modellazione sistema
