Federated Learning ed Edge AI: innovazioni per un’AI sicura e decentralizzata

L’Intelligenza Artificiale (AI) sta trasformando radicalmente ogni aspetto della nostra società e della nostra economia, promettendo innovazioni fino a poco tempo fa relegate al dominio della fantascienza. Tuttavia, l’approccio predominante all’AI, basato sulla centralizzazione di enormi quantità di dati in potenti infrastrutture cloud, inizia a mostrare i suoi limiti.

Federated Learning e Edge AI: a nuova alba dell’intelligenza artificiale decentralizzata

Crescenti preoccupazioni emergono in termini di privacy dei dati, sicurezza informatica, costi di gestione e trasferimento dati, nonché latenza nelle risposte, un fattore critico per molte applicazioni emergenti. Man mano che i sistemi di AI diventano più pervasivi e scalano, le limitazioni delle architetture basate su cloud richiedono alternative decentralizzate [1].

In questo scenario, due tecnologie, il Federated Learning (FL) e l’Edge AI, si propongono come catalizzatori di un cambio di paradigma, promettendo di inaugurare una nuova era per l’Intelligenza Artificiale: un’era intrinsecamente decentralizzata, più resiliente, efficiente e, aspetto cruciale, maggiormente rispettosa della privacy e della sovranità dei dati. L’ascesa di queste tecnologie non è un fenomeno casuale, ma una risposta diretta e necessaria alle crescenti sfide poste dal modello AI cloud-centrico. Esse rappresentano una maturazione dell’ecosistema AI verso modelli più sostenibili, distribuiti e in linea con le esigenze di un mondo sempre più interconnesso e sensibile alla protezione delle informazioni.

Esaminiamo allora in dettaglio come il Federated Learning e l’Edge AI, spesso operando in profonda sinergia, stiano diventando pilastri fondamentali per un’AI moderna e affidabile. Un’attenzione particolare sarà dedicata al loro riconoscimento come asset critici da parte dell’Unione Europea, un segnale della loro importanza strategica per il futuro digitale del continente, e al loro impatto trasformativo su settori chiave come l’industria, la sanità e la pubblica amministrazione.

Comprendere il federated learning: intelligenza collaborativa nel rispetto della privacy

Il Federated Learning (FL), noto anche come apprendimento collaborativo, è una tecnica di machine learning che consente a più entità – che possono essere dispositivi mobili, organizzazioni, ospedali o intere aziende – di addestrare collaborativamente un modello di Intelligenza Artificiale condiviso, mantenendo i rispettivi dati di addestramento decentralizzati e privati.Invece di aggregare i dati grezzi in un unico server centrale, come avviene nell’approccio tradizionale, il FL porta il modello ai dati [2].

Come funziona il Federated Learning

Il processo di Federated Learning si articola tipicamente in cicli iterativi, orchestrati da un server centrale:

• Inizializzazione e distribuzione: un modello AI generico (o una versione iniziale del modello globale) viene creato o scelto e distribuito dal server centrale a un sottoinsieme di client partecipanti.
• Addestramento locale: ciascun client addestra il modello ricevuto utilizzando i propri dati locali. Questi dati non lasciano mai il dispositivo o il sistema del client, garantendo la privacy.
• Invio degli aggiornamenti: al termine della fase di addestramento locale, ogni client invia al server centrale solo gli aggiornamenti apportati al modello (come i gradienti o i pesi della rete neurale). È fondamentale sottolineare che non vengono trasmessi i dati grezzi, ma solo i parametri che rappresentano “ciò che il modello ha imparato” localmente.
• Aggregazione e miglioramento del modello globale: il server centrale aggrega gli aggiornamenti ricevuti dai vari client (ad esempio, calcolando una media ponderata dei parametri, come nell’algoritmo FedAvg) per creare una versione migliorata del modello globale.
• Iterazione: il modello globale aggiornato viene quindi inviato nuovamente ai client per un ulteriore ciclo di addestramento locale. Questo processo iterativo continua fino a quando il modello globale raggiunge un livello di performance desiderato o un altro criterio di arresto predefinito.

Figura 1: Overview generale del Federated Learning

Principali vantaggi del federated learning

L’adozione del Federated Learning offre una serie di benefici significativi:

• Protezione dei dati e privacy (privacy by design): questo è il vantaggio più evidente e cruciale. Mantenendo i dati sensibili permanentemente sui dispositivi locali dei client, il FL minimizza i rischi di violazioni della privacy, fughe di dati e accessi non autorizzati che potrebbero verificarsi durante il trasferimento o l’archiviazione centralizzata. Questo approccio è intrinsecamente allineato con normative stringenti sulla protezione dei dati come il GDPR europeo [3].
• Efficienza nella comunicazione e riduzione del trasferimento dati: trasferire solo gli aggiornamenti del modello, che sono di dimensioni significativamente inferiori rispetto ai dataset di addestramento completi, riduce drasticamente il consumo di banda di rete e i costi associati, oltre a diminuire la latenza
• Apprendimento da dati distribuiti e diversificati (Non-IID): il FL permette di costruire modelli AI robusti attingendo da un’ampia gamma di dati eterogenei e geograficamente distribuiti, che sarebbe logisticamente complesso, legalmente problematico o economicamente proibitivo aggregare in un unico luogo. Questa capacità di apprendere da dati non indipendenti e identicamente distribuiti (Non-IID) è una caratteristica distintiva e una grande forza del FL, sebbene rappresenti anche una sfida tecnica [4].
• Minimizzazione dei dati: in linea con i principi di data minimization, il FL riduce la quantità di dati personali trasferiti ed elaborati da entità terze per l’addestramento dei modelli AI.
• Abilitazione alla collaborazione: il Federated Learning trascende la sua natura di tecnica di machine learning per diventare un potente paradigma di governance dei dati. Esso abilita collaborazioni preziose tra entità, anche competitive o soggette a stringenti vincoli normativi (come ospedali che collaborano per migliorare modelli diagnostici senza condividere i dati dei pazienti), che altrimenti non potrebbero mettere in comune i propri dataset, sbloccando così un enorme potenziale di innovazione distribuita.

Tuttavia, è importante riconoscere che l’eterogeneità dei dati non è un semplice ostacolo per il Federated Learning, ma una sua caratteristica intrinseca e fondante. I dati residenti su dispositivi edge o in silos organizzativi sono naturalmente diversi per quantità, qualità e distribuzione statistica. La capacità di addestrare modelli efficaci su dati così variegati è ciò che rende FL potente, ma è anche la principale fonte delle sue sfide algoritmiche. Questo stimola una continua innovazione nella ricerca di meccanismi di aggregazione, personalizzazione e gestione del bias sempre più robusti ed efficienti.

Esplorare l’Edge AI: l’intelligenza artificiale ai confini della rete

L’Edge AI si riferisce all’implementazione e all’esecuzione di algoritmi di Intelligenza Artificiale direttamente su dispositivi fisici – noti come “edge devices” – che si trovano il più vicino possibile all’utente o al punto in cui i dati vengono generati. Questo contrasta con l’approccio tradizionale della Cloud AI, dove i dati vengono inviati a data center remoti per l’elaborazione.⁹ L’elaborazione avviene quindi “al margine” (edge) della rete, localmente sul dispositivo stesso, che può essere uno smartphone, un sensore industriale, un’automobile a guida autonoma, una telecamera intelligente o un dispositivo medico indossabile [5].

Come funziona l’Edge AI

In un sistema Edge AI, i modelli di machine learning, tipicamente ottimizzati per l’efficienza e le risorse limitate dei dispositivi edge, vengono distribuiti ed eseguiti sull’hardware locale. Questi modelli sono spesso pre-addestrati (solitamente nel cloud, dove la potenza di calcolo è abbondante) e poi “inferiscono” – cioè, fanno previsioni o prendono decisioni – utilizzando i dati raccolti in tempo reale dal dispositivo. In alcuni casi, i dispositivi edge possono anche eseguire forme leggere di addestramento o ri-addestramento del modello (fine-tuning) per adattarsi a condizioni locali specifiche, sebbene l’addestramento su larga scala rimanga prevalentemente un compito del cloud [6].

Principali vantaggi dell’Edge AI

L’elaborazione dell’AI direttamente sull’edge offre numerosi vantaggi significativi:

• Bassa latenza e decisioni in tempo reale: poiché i dati vengono analizzati localmente invece di essere inviati a un cloud distante, i ritardi di comunicazione (latenza) vengono drasticamente ridotti o eliminati. Questo è fondamentale per applicazioni dove le risposte devono essere istantanee, come nei sistemi di guida autonoma, nel controllo di robot industriali, nella realtà aumentata o in alcuni dispositivi medici.
• Riduzione dei costi di banda e cloud: elaborare i dati localmente significa che una quantità significativamente inferiore di informazioni deve essere trasmessa attraverso la rete verso il cloud. Ciò comporta una notevole riduzione del consumo di banda e dei relativi costi, nonché una minore dipendenza dalle risorse di calcolo e storage del cloud.
• Maggiore privacy e sicurezza dei dati: con l’Edge AI, i dati sensibili possono essere processati e, in molti casi, conservati direttamente sul dispositivo locale. Questo riduce l’esposizione dei dati a potenziali intercettazioni durante la trasmissione o a vulnerabilità nei sistemi di archiviazione centralizzata, migliorando la privacy e facilitando la conformità a normative come il GDPR.
• Operatività offline e affidabilità migliorata: le applicazioni Edge AI possono continuare a funzionare efficacemente anche in assenza di una connessione Internet costante o in condizioni di rete instabile. Questa capacità offline è cruciale per applicazioni mission-critical o per dispositivi operanti in aree remote.
• Efficienza energetica: sebbene l’elaborazione AI possa essere intensiva, eseguirla su hardware specializzato e ottimizzato a livello di edge, e riducendo il costante trasferimento di dati, può portare a un bilancio energetico complessivamente più favorevole rispetto a un approccio puramente cloud-centrico, specialmente per i dispositivi alimentati a batteria [7].

L’Edge AI non è solo un’ottimizzazione dell’AI, ma il fattore abilitante cruciale che trasforma l’Internet of Things (IoT) da una vasta rete di sensori passivi a un ecosistema di dispositivi realmente intelligenti e autonomi. L’IoT genera enormi volumi di dati da una miriade di dispositivi connessi; inviare tutti questi dati al cloud per l’analisi è spesso inefficiente. L’Edge AI permette di processare questi dati “alla fonte”, trasformando i dispositivi IoT in nodi intelligenti capaci di analisi e decisioni autonome in tempo reale, realizzando così il pieno potenziale dell’intelligenza distribuita.

La vera potenza dell’Edge AI, tuttavia, si sprigiona dalla stretta sinergia tra avanzamenti hardware e innovazioni software. I dispositivi edge, per loro natura, dispongono di risorse computazionali, energetiche e di memoria limitate rispetto ai server cloud.

Far funzionare modelli AI complessi su tali dispositivi richiede una co-progettazione di hardware (chip AI dedicati a basso consumo come GPU, NPU, o TPU specializzate per l’edge) e software (modelli AI leggeri, compressi e ottimizzati attraverso tecniche come la quantizzazione o la potatura, e l’uso di framework specifici come TensorFlow Lite o ONNX Runtime). Questa convergenza è essenziale per superare i vincoli di risorse e rendere l’intelligenza artificiale performante e ubiqua “al confine della rete”.

Figura 2: Dal Training alle Applicazioni dei Modelli di Edge AI

La sinergia vincente: federated learning ed Edge AI per un’AI realmente distribuita

Federated Learning ed Edge AI, sebbene siano tecnologie distinte con propri specifici vantaggi, non dovrebbero essere considerate in isolamento. Al contrario, la loro combinazione crea una sinergia potente, aprendo la strada a un’Intelligenza Artificiale realmente distribuita, privata, efficiente e scalabile. Queste due tecnologie si completano e si potenziano a vicenda, instaurando un circolo virtuoso che sta ridefinendo le architetture AI moderne.

Come il Federated Learning supporta l’Edge AI

L’Edge AI, concentrandosi sull’esecuzione di inferenze su dispositivi locali, beneficia enormemente dal FL per quanto riguarda l’addestramento e il miglioramento continuo dei modelli.

• Addestramento di modelli Edge rispettoso della privacy: il FL permette di addestrare modelli AI destinati a operare su dispositivi edge utilizzando i dati generati o raccolti da questi stessi dispositivi, senza la necessità di centralizzare tali dati, che potrebbero essere sensibili, proprietari o semplicemente troppo voluminosi per essere trasferiti. Questo è particolarmente rilevante in scenari dove la privacy è mandatoria, come nei dispositivi medicali o nelle applicazioni consumer.
• Miglioramento continuo e personalizzazione: grazie al FL, i modelli Edge AI possono beneficiare dell’apprendimento collettivo derivante da una vasta rete di dispositivi distribuiti. Questo consente ai modelli di diventare progressivamente più accurati, robusti e adattabili a una varietà di contesti e condizioni operative reali, e persino di essere personalizzati per specifici utenti o gruppi di utenti in base alle caratteristiche dei loro dati locali.

Come l’Edge AI supporta il Federated Learning

D’altro canto, l’Edge AI fornisce l’infrastruttura e le capacità computazionali necessarie affinché il FL possa operare efficacemente su scala.

• Infrastruttura di apprendimento distribuita: i dispositivi edge, dotati di capacità di elaborazione locale, diventano i nodi di apprendimento attivi all’interno di un sistema FL. Essi eseguono l’addestramento locale del modello, che è il cuore del processo di FL.
• Efficienza nell’addestramento federato: l’elaborazione locale tipica dell’Edge AI assicura che i dati grezzi non debbano essere trasmessi al server centrale del FL. Solo gli aggiornamenti compatti del modello (gradienti o pesi) vengono scambiati, riducendo il carico sulla rete e sul server di aggregazione, e preservando la privacy.

Insieme, Federated Learning ed Edge AI guidano verso un’AI che è:

• Autenticamente decentralizzata: l’intelligenza non è più confinata in pochi data center, ma è distribuita capillarmente attraverso la rete di dispositivi.
• Più resiliente: la dipendenza da un singolo punto di fallimento centrale o dalla connettività di rete costante è ridotta, aumentando la robustezza del sistema complessivo.
• Più efficiente: l’uso delle risorse di calcolo, di rete e di storage è ottimizzato, privilegiando l’elaborazione locale e riducendo i trasferimenti di dati non necessari.
• Altamente scalabile: l’architettura può estendersi per includere un numero potenzialmente enorme di dispositivi e fonti di dati, consentendo un apprendimento su scala senza precedenti.
• Intrinsecamente privacy-preserving: la protezione dei dati è integrata nel design del sistema, con i dati grezzi che rimangono sotto il controllo locale.

La combinazione di Federated Learning ed Edge AI è particolarmente potente e trasformativa in contesti che potremmo definire “data-rich, privacy-poor“: scenari abbondanti di dati generati localmente (all’edge), ma dove la centralizzazione di tali dati per l’addestramento dei modelli AI è impraticabile per motivi di privacy, sicurezza, costi, volume o vincoli normativi. Si pensi alla sanità, alla finanza, all’IoT industriale o alle smart city. In questi ambiti, né l’approccio cloud-centrico tradizionale (che richiederebbe il trasferimento di dati sensibili) né l’Edge AI da sola (che mancherebbe di un meccanismo di apprendimento collaborativo su vasta scala e privato) sarebbero sufficienti o ottimali. Questa sinergia permette di capitalizzare sull’intelligenza collettiva distribuita mantenendo la sovranità e la sicurezza dei dati [1].

Inoltre, la sinergia tra Federated Learning ed Edge AI non si limita a ottimizzare i sistemi esistenti, ma apre la strada a una vera e propria intelligenza “ambientale”. Si tratta di un’AI pervasiva, integrata in modo trasparente nei nostri dispositivi e ambienti quotidiani, capace di apprendere collettivamente dalle interazioni e dai dati locali, e di offrire esperienze altamente personalizzate e contestualizzate. Questo ridefinisce la nostra interazione con il mondo digitale in modo più intuitivo, proattivo e, soprattutto, rispettoso della nostra privacy, spingendo l’AI oltre i confini dei data center e portandola direttamente nel tessuto della nostra vita.

Figura 3: Scenari di implementazione e applicazione dell’intelligenza artificiale edge nelle città intelligenti, nei trasporti intelligenti e nella produzione intelligente [15]

Un asset strategico per l’Europa: il ruolo chiave nell’agenda digitale UE

L’Unione Europea ha chiaramente identificato l’Intelligenza Artificiale come una tecnologia trasformativa, cruciale per il suo futuro digitale, la sua competitività economica e la sua sovranità tecnologica [8]. In questo contesto, tecnologie come il Federated Learning e l’Edge AI non sono semplici innovazioni tecniche, ma veri e propri “asset critici”, come sottolineato nell’abstract di questo articolo. Il loro approccio decentralizzato e focalizzato sulla privacy si allinea perfettamente con i valori fondamentali e il quadro normativo dell’UE.

Allineamento con valori e normative europee

• GDPR e protezione dei dati: il Regolamento Generale sulla Protezione dei Dati (GDPR) è una pietra miliare della legislazione europea, che pone forte enfasi sulla protezione dei dati personali e sulla privacy dei cittadini. Il Federated Learning, con il suo principio di minimizzazione dei dati (solo gli aggiornamenti del modello vengono condivisi, non i dati grezzi) e di elaborazione locale, e l’Edge AI, che processa i dati direttamente sul dispositivo, sono intrinsecamente conformi allo spirito e alla lettera del GDPR.Queste tecnologie permettono di sviluppare applicazioni AI avanzate riducendo i rischi associati al trattamento di grandi volumi di dati personali centralizzati.
• AI Act e AI affidabile: con l’AI Act, l’UE sta definendo un quadro normativo per l’AI con l’obiettivo di promuovere un’Intelligenza Artificiale che sia affidabile, etica e antropocentrica. Federated Learning ed Edge AI possono contribuire significativamente a questo obiettivo. Consentendo un maggiore controllo sui dati, riducendo la necessità di trasferire informazioni sensibili e abilitando audit più localizzati, queste tecnologie possono aiutare a costruire sistemi di AI più trasparenti, sicuri e controllabili. Ciò è particolarmente vero per le applicazioni AI considerate ad “alto rischio” dall’AI Act, dove la robustezza, la sicurezza e la tracciabilità dei dati sono requisiti fondamentali [9].

Iniziative e visione strategica europea

L’Unione Europea non si limita a legiferare, ma sta attivamente promuovendo lo sviluppo e l’adozione di un’AI “europea” attraverso investimenti e iniziative strategiche.

• Infrastrutture e spazi dati: l’UE sta investendo in infrastrutture di calcolo avanzate, come le “AI Factories” e i “Data Labs”, e sta promuovendo la creazione di Spazi Europei Comuni di Dati settoriali. Questi spazi mirano a facilitare la condivisione e il riutilizzo dei dati in modo sicuro e conforme ai valori europei. Il Federated Learning emerge come una tecnologia abilitante chiave per permettere la “federazione” dei dati attraverso questi spazi, consentendo l’addestramento di modelli su dati distribuiti senza la necessità di una loro centralizzazione fisica, ma mantenendo il controllo da parte dei detentori dei dati.
• Progetti di ricerca e innovazione: iniziative come quella di AI Sweden, che esplora attivamente l’applicazione del Federated Learning all’Edge AI in collaborazione con partner industriali come Volvo, dimostrano l’impegno concreto a livello europeo nello sviluppo e nell’applicazione pratica di queste tecnologie.
• Sovranità digitale: Federated Learning ed Edge AI sono leve tecnologiche cruciali per l’ambizione europea di “sovranità digitale”. Consentendo l’elaborazione dei dati e l’addestramento dei modelli a livello locale o in modo federato all’interno dell’UE, queste tecnologie riducono la dipendenza da infrastrutture e attori tecnologici extra-europei. Ciò rafforza la capacità dell’Europa di definire autonomamente il proprio percorso nell’era dell’AI, sviluppando capacità avanzate senza compromettere i propri valori fondamentali o la propria autonomia strategica.

Lungi dal rappresentare un freno, il rigoroso quadro normativo europeo su privacy e AI (come il GDPR e il futuro AI Act) agisce da catalizzatore per l’adozione e lo sviluppo di tecnologie come il Federated Learning e l’Edge AI. Queste ultime offrono una via per risolvere l’apparente dilemma tra la spinta all’innovazione tecnologica e la necessità di una solida regolamentazione. Dimostrano che è possibile, e anzi auspicabile, sviluppare un’Intelligenza Artificiale avanzata che sia intrinsecamente etica, responsabile e rispettosa dei diritti fondamentali, posizionando l’Europa come leader in un approccio all’AI che sia al contempo innovativo e antropocentrico.

L’impatto trasformativo di Federated Learning ed Edge AI sui settori chiave

La sinergia tra Federated Learning ed Edge AI non è solo una promessa teorica, ma sta già iniziando a produrre, o promette di produrre a breve, benefici tangibili e trasformazioni profonde in settori cruciali per l’economia e la società. L’impatto realmente innovativo di queste tecnologie nei diversi ambiti non risiede tanto nell’applicazione isolata dell’una o dell’altra, quanto nella loro profonda integrazione. L’Edge AI fornisce la capacità di analizzare i dati e agire localmente e in tempo reale, mentre il Federated Learning permette a questi sistemi edge intelligenti di evolvere, personalizzare e migliorare collettivamente la propria performance, imparando da esperienze distribuite pur mantenendo la privacy dei dati. Questo crea un circolo virtuoso di intelligenza distribuita, contestualizzata e in continuo apprendimento.

Per capitalizzare appieno questo potenziale, è tuttavia imperativo superare i tradizionali silos disciplinari. La progettazione e l’implementazione di soluzioni efficaci basate su FL ed Edge AI richiederanno una stretta collaborazione tra esperti di AI, data scientist, ingegneri del software e profondi conoscitori del dominio applicativo specifico – siano essi medici, ingegneri industriali, urbanisti o funzionari pubblici. Parallelamente, diviene cruciale la formazione di nuove figure professionali dotate di competenze ibride, capaci di navigare la complessità all’intersezione tra AI avanzata e specificità settoriali.

La seguente tabella riassume alcune delle applicazioni e dei benefici chiave per i settori che verranno analizzati più in dettaglio:

Industria e manifattura 4.0

Il settore manifatturiero, cuore pulsante dell’Industria 4.0, sta trovando in Federated Learning ed Edge AI alleati fondamentali per incrementare l’efficienza, la flessibilità e la sostenibilità dei processi produttivi.

• Manutenzione predittiva avanzata: i sensori installati su macchinari industriali generano un flusso costante di dati operativi. L’Edge AI, elaborando questi dati direttamente “a bordo macchina” o su gateway locali, può identificare in tempo reale anomalie indicative di un possibile guasto imminente. Il Federated Learning eleva ulteriormente questa capacità: i modelli predittivi possono essere addestrati e continuamente affinati imparando dalle esperienze di un’intera flotta di macchinari simili, distribuiti anche in stabilimenti diversi o appartenenti a diverse aziende, senza che queste debbano condividere dati operativi sensibili o segreti industriali. Il risultato è una drastica riduzione dei fermi macchina imprevisti e un’ottimizzazione dei cicli di manutenzione [11].
• Controllo qualità intelligente in tempo reale: sistemi di visione artificiale potenziati da Edge AI possono ispezionare i prodotti direttamente sulle linee di assemblaggio, identificando difetti con una velocità e una precisione superiori ai metodi tradizionali. I modelli di riconoscimento dei difetti possono essere resi più robusti e capaci di identificare nuove tipologie di imperfezioni grazie al Federated Learning, che permette di aggregare gli apprendimenti derivanti da diverse linee di produzione o impianti, sempre preservando la confidenzialità dei dati di processo.
• Ottimizzazione della logistica e della supply chain: l’edge AI abilita il tracciamento intelligente delle merci in tempo reale, la gestione automatizzata dei magazzini (ad esempio, tramite droni o robot autonomi che elaborano localmente i dati ambientali) e l’ottimizzazione dinamica dei percorsi per i veicoli di trasporto. Il Federated Learning può contribuire a creare modelli predittivi più accurati sulla domanda, sui tempi di consegna e sui potenziali intoppi nella supply chain, imparando da dati logistici distribuiti tra diversi attori della filiera (produttori, fornitori, trasportatori) in modo collaborativo e privato.
• Robotica collaborativa e sicurezza: i robot industriali dotati di Edge AI possono percepire l’ambiente circostante, prendere decisioni autonome e interagire in modo più sicuro ed efficiente con gli operatori umani. I modelli che governano il comportamento di questi robot possono essere affinati e resi più adattivi attraverso il Federated Learning, migliorando la collaborazione uomo-macchina e la sicurezza complessiva degli impianti.

I benefici specifici per il settore industriale includono una maggiore efficienza operativa, una significativa riduzione dei costi legati ai guasti e ai difetti, catene di approvvigionamento più agili, trasparenti e resilienti, e un ambiente di lavoro più sicuro per gli addetti.

Figura 4: Generative-driven Edge AI nell’Industria [16]

Sanità del futuro

Nel settore sanitario, la tutela della privacy dei dati dei pazienti è un imperativo assoluto. Federated Learning ed Edge AI offrono soluzioni innovative per sfruttare la potenza dell’AI migliorando diagnosi, trattamenti e ricerca, nel pieno rispetto di questo imperativo.

• Diagnosi assistita da AI con privacy potenziata: algoritmi di Edge AI integrati in dispositivi medici (come ecografi, macchinari per TAC o radiografie) possono analizzare le immagini biomediche localmente, fornendo un supporto quasi istantaneo ai radiologi per l’identificazione di patologie come tumori, lesioni o altre anomalie. Il Federated Learning gioca un ruolo cruciale permettendo di addestrare questi sofisticati modelli diagnostici su vasti e diversificati dataset di immagini mediche provenienti da molteplici ospedali e istituti di ricerca, senza che i dati sensibili dei pazienti lascino mai le rispettive istituzioni. Questo non solo migliora drasticamente l’accuratezza e la generalizzabilità dei modelli, riducendo i bias geografici o demografici, ma accelera anche lo sviluppo di strumenti diagnostici per malattie rare [10].
• Monitoraggio remoto continuo e personalizzato dei pazienti: dispositivi indossabili (wearables) e sensori ambientali dotati di Edge AI possono monitorare costantemente i parametri vitali dei pazienti (frequenza cardiaca, livelli di glucosio, qualità del sonno, pattern di movimento) direttamente a casa loro o in contesti non ospedalieri.¹⁶ L’elaborazione locale permette di rilevare in tempo reale segnali di allerta o il peggioramento di condizioni croniche, notificando tempestivamente il paziente o il personale medico. Il Federated Learning può essere utilizzato per personalizzare questi modelli di allerta in base alle caratteristiche individuali del paziente e per migliorarli continuamente imparando in modo aggregato e anonimo dai dati di una vasta popolazione di pazienti, garantendo al contempo la massima privacy [10].
• Verso una medicina personalizzata e di precisione: l’analisi combinata di dati genomici, clinici, di imaging e provenienti da stili di vita, spesso distribuiti in silos informativi diversi, è fondamentale per la medicina personalizzata. Federated Learning ed Edge AI possono facilitare questa analisi, permettendo di costruire modelli predittivi sul rischio di malattie o sulla risposta ai trattamenti, mantenendo i dati genetici e clinici estremamente sensibili protetti all’interno delle singole istituzioni o sui dispositivi dei pazienti.
• Accelerazione della scoperta e dello sviluppo farmaceutico: il processo di scoperta di nuovi farmaci è lungo e costoso. Il Federated Learning può accelerarlo consentendo a diverse aziende farmaceutiche, università e istituti di ricerca di collaborare all’addestramento di modelli AI per predire l’efficacia di molecole, identificare target terapeutici o analizzare dati da trial clinici, il tutto senza dover condividere i propri preziosi e spesso proprietari dataset di ricerca.

I vantaggi per il settore sanitario sono immensi: diagnosi più rapide, precise e accessibili, una migliore gestione proattiva delle malattie croniche, una potenziale riduzione dei costi sanitari grazie a interventi più mirati e tempestivi, un più facile accesso alle cure anche in aree geograficamente remote, e una significativa accelerazione della ricerca medica e dello sviluppo di nuove terapie [12].

Pubblica Amministrazione e Smart City

Le città intelligenti (Smart Cities) e la Pubblica Amministrazione (PA) possono trarre enormi benefici dall’applicazione combinata di Federated Learning ed Edge AI per migliorare la qualità della vita dei cittadini, ottimizzare l’uso delle risorse pubbliche e rendere i servizi più efficienti, personalizzati e sicuri.

• Gestione intelligente e sostenibile della mobilità urbana: sensori stradali, telecamere intelligenti e veicoli connessi dotati di Edge AI possono analizzare i flussi di traffico in tempo reale, identificare congestioni, incidenti o condizioni pericolose, e adattare dinamicamente i tempi dei semafori o fornire informazioni agli utenti della strada. Il Federated Learning può essere impiegato per addestrare modelli predittivi del traffico più accurati e resilienti, imparando dai pattern di mobilità osservati in diverse aree urbane o in momenti diversi, senza centralizzare dati di spostamento individuali che potrebbero sollevare preoccupazioni sulla privacy [13].
• Efficienza energetica e gestione ottimizzata delle risorse: nelle smart grid, l’Edge AI può ottimizzare la distribuzione dell’energia e bilanciare domanda e offerta a livello locale. Nei sistemi di gestione intelligente degli edifici (smart building), può regolare illuminazione, riscaldamento e condizionamento in base all’occupazione reale e alle condizioni ambientali. Il Federated Learning può aiutare a creare modelli aggregati per prevedere i consumi energetici a livello di quartiere o di intera città, consentendo una pianificazione più efficiente e la promozione di fonti rinnovabili, il tutto rispettando la privacy dei dati di consumo dei singoli utenti o edifici [14].
• Servizi al cittadino personalizzati, proattivi e accessibili: chatbot e assistenti virtuali basati su Edge AI, integrati in totem informativi, app municipali o dispositivi domestici, possono fornire ai cittadini informazioni, supporto per pratiche amministrative e accesso ai servizi pubblici in modo più rapido ed efficiente, 24/7. Il Federated Learning può migliorare la capacità di questi sistemi di comprendere le esigenze specifiche dei cittadini e di personalizzare le risposte, imparando dalle interazioni anonimizzate di un vasto numero di utenti, senza compromettere la privacy dei dati individuali.
• Sicurezza urbana e risposta rapida alle emergenze: sistemi di videosorveglianza intelligenti, dotati di Edge AI, possono analizzare i flussi video localmente per rilevare automaticamente incidenti, comportamenti sospetti, assembramenti pericolosi o altre situazioni di emergenza, allertando le forze dell’ordine o i servizi di soccorso in tempo reale.¹¹ I modelli di rilevamento possono essere continuamente migliorati e adattati a nuovi scenari tramite Federated Learning, utilizzando dati provenienti da telecamere distribuite in tutta la città, senza la necessità di trasmettere e archiviare centralmente enormi quantità di filmati, che solleverebbero gravi questioni di privacy e sorveglianza.
• Monitoraggio ambientale e sostenibilità: reti di sensori IoT con capacità di Edge AI possono monitorare in tempo reale parametri ambientali cruciali come la qualità dell’aria e dell’acqua, i livelli di inquinamento acustico o la presenza di pollini. Questi dati, elaborati localmente, possono fornire allerte tempestive e informazioni preziose ai cittadini e ai decisori politici per promuovere la sostenibilità urbana e la salute pubblica.

I benefici per la PA e le Smart City si traducono in città più vivibili, sicure, resilienti ed efficienti dal punto di vista energetico, un migliore utilizzo delle scarse risorse pubbliche, servizi più reattivi, inclusivi e accessibili per tutti i cittadini, e un maggiore coinvolgimento della comunità nelle decisioni che riguardano il bene comune.

Figura 5: Edge AI a supporto di Smart City e Smart Mobility

Affrontare le sfide per liberare il pieno potenziale di Federated Learning ed Edge AI

Nonostante l’enorme potenziale trasformativo, la diffusione su larga scala e la piena realizzazione dei benefici offerti da Federated Learning ed Edge AI richiedono di affrontare e superare una serie di sfide tecniche, operative e di governance significative. Queste sfide spesso non sono isolate a una singola tecnologia, ma si manifestano o si amplificano proprio nella loro integrazione, richiedendo un approccio olistico per la loro risoluzione.

• Eterogeneità dei dati e dei dispositivi: una delle sfide più citate per il Federated Learning è la gestione dei dati Non-IID. I dati presenti sui dispositivi edge o nei silos delle organizzazioni sono intrinsecamente eterogenei: possono variare enormemente in termini di quantità, qualità, distribuzione statistica e tipologia. Inoltre, i dispositivi edge stessi presentano una vasta eterogeneità in termini di capacità computazionali, risorse di memoria, disponibilità energetica e stabilità della connettività di rete Questa doppia eterogeneità (dei dati e dei sistemi) complica notevolmente l’addestramento di modelli FL globali che siano al contempo robusti, performanti su tutti i client e privi di bias.
• Sicurezza, privacy e robustezza:
  • Vulnerabilità del federated learning: sebbene il FL sia progettato per proteggere i dati grezzi, il processo stesso di condivisione degli aggiornamenti del modello (gradienti o pesi) non è immune da rischi. Ricerche hanno dimostrato che questi aggiornamenti possono essere sfruttati da un server centrale malintenzionato o da altri partecipanti per condurre attacchi di inferenza (per dedurre informazioni sui dati di addestramento locali), attacchi di ricostruzione dei dati, o attacchi di “model poisoning” (avvelenamento del modello), in cui client malevoli inviano aggiornamenti corrotti per degradare le performance del modello globale o introdurre backdoor.⁷ Per mitigare questi rischi, è necessario implementare robuste Privacy Enhancing Technologies (PETs) come la crittografia omomorfica (che permette calcoli su dati cifrati), la secure multi-party computation, o la differential privacy (che aggiunge rumore statistico per mascherare i contributi individuali).
  • Sicurezza dei dispositivi edge: i dispositivi edge, essendo fisicamente distribuiti e talvolta operanti in ambienti non controllati, possono essere più vulnerabili ad attacchi fisici (tampering) o a cyber-attacchi volti a comprometterne l’integrità o a sottrarre i modelli AI residenti.La sicurezza a livello di dispositivo è quindi fondamentale.
• Efficienza della comunicazione: sebbene il FL riduca il volume di dati trasferiti rispetto alla centralizzazione dei dataset, le comunicazioni iterative tra i client e il server di aggregazione possono comunque rappresentare un collo di bottiglia, specialmente in scenari con un numero elevato di client, con dispositivi a bassa potenza o con connessioni di rete limitate o intermittenti. Sono necessarie tecniche avanzate per ridurre questo overhead, come la compressione degli aggiornamenti del modello, l’invio di aggiornamenti sparsi (solo i parametri più significativi), o strategie di selezione intelligente dei client e di aggregazione meno frequente.
• Scalabilità e gestione operativa: gestire, orchestrare, monitorare e aggiornare reti di Federated Learning ed Edge AI che possono comprendere migliaia o addirittura milioni di dispositivi eterogenei presenta complessità operative e di scalabilità notevoli. Servono piattaforme e strumenti robusti per la gestione del ciclo di vita dei modelli distribuiti e per garantire la coerenza e l’affidabilità del sistema nel suo complesso.
• Costi e complessità di implementazione: l’adozione di queste tecnologie avanzate può richiedere investimenti iniziali significativi in hardware specializzato per l’edge, in software per l’orchestrazione del FL, e soprattutto nello sviluppo di competenze specialistiche che spesso scarseggiano sul mercato.
• Standardizzazione e interoperabilità: la mancanza di standard ampiamente adottati per le architetture Edge AI e per i protocolli di Federated Learning può ostacolare l’integrazione di soluzioni provenienti da diversi vendor e la creazione di ecosistemi aperti e interoperabili.

Al di là delle pur cruciali sfide tecniche, emerge come la “fiducia” sia la valuta fondamentale per la diffusione su larga scala di Federated Learning ed Edge AI. Garantire la sicurezza contro attacchi sofisticati, la reale protezione della privacy nonostante la condivisione di informazioni derivate dai dati, e l’equità (fairness) dei modelli addestrati su dati inevitabilmente eterogenei, sono prerequisiti per ottenere l’accettazione e l’adozione da parte di utenti, imprese e regolatori. Questo è particolarmente vero in ambiti ad alto impatto e sensibilità come la sanità, la finanza o i servizi pubblici. La ricerca scientifica e industriale è attivamente impegnata nel trovare soluzioni innovative a queste sfide, sviluppando algoritmi FL più robusti e sicuri, tecniche di crittografia più efficienti, e piattaforme di gestione per sistemi distribuiti intelligenti sempre più sofisticate.

Tabella 1: federated learning ed edge ai: vantaggi, sfide e prospettive future

Conclusioni: verso una frontiera di intelligenza diffusa e responsabile

Federated Learning ed Edge AI stanno inequivocabilmente ridisegnando il panorama dell’Intelligenza Artificiale, spingendola con forza verso un modello operativo più decentralizzato, efficiente, resiliente e, soprattutto, intrinsecamente più rispettoso della privacy dei dati. Queste tecnologie non rappresentano un semplice avanzamento tecnico incrementale, ma sono veri e propri catalizzatori di una trasformazione profonda, abilitando nuove applicazioni e modelli di business precedentemente impensabili e, aspetto di cruciale importanza, allineandosi con la visione europea di un’AI antropocentrica, affidabile e al servizio dell’uomo.

L’impatto potenziale e, in alcuni casi, già visibile su settori chiave come l’industria, la sanità e la pubblica amministrazione è destinato a crescere esponenzialmente, portando con sé benefici significativi in termini di produttività, qualità dei servizi, sostenibilità e benessere dei cittadini. La capacità di elaborare dati “al margine” della rete, combinata con la possibilità di apprendere collettivamente da esperienze distribuite senza compromettere la riservatezza, apre scenari di innovazione straordinari.

Figura 6: La crescente domanda di AI su dati distribuiti

Tuttavia, il percorso verso la piena realizzazione di questo immenso potenziale non è privo di ostacoli. Come discusso, sfide significative relative all’eterogeneità dei dati e dei dispositivi, alla sicurezza informatica, all’efficienza della comunicazione, alla scalabilità e alla governance dei sistemi distribuiti richiedono un impegno continuo e concertato. La risposta a queste sfide risiede in un sforzo collaborativo che veda protagonisti il mondo accademico, con la sua capacità di ricerca fondamentale e di sviluppo di nuovi algoritmi; l’industria, con la sua spinta all’innovazione applicata e alla creazione di soluzioni concrete; le istituzioni, con il loro ruolo nel definire quadri normativi equilibrati e nel promuovere investimenti strategici; e la società civile, la cui fiducia e accettazione sono indispensabili per una diffusione pervasiva e responsabile di queste tecnologie.

La nuova frontiera dell’AI, delineata da Federated Learning ed Edge AI, non implica necessariamente la sostituzione totale dei paradigmi esistenti, ma piuttosto la loro integrazione intelligente in ecosistemi AI-based più complessi, ibridi e resilienti. La vera sfida e, al contempo, la grande opportunità, risiederà nel saper orchestrare sinergicamente le capacità del cloud per l’addestramento di modelli fondamentali su larga scala, con l’agilità dell’Edge AI per l’inferenza locale e la potenza del Federated Learning per l’apprendimento collaborativo, continuo e privato.

Guardando al futuro, la visione è quella di un’Intelligenza Artificiale che non sia più percepita come un’entità remota e confinata in distanti data center, ma come un’intelligenza diffusa, integrata in modo armonioso e responsabile nel tessuto della nostra vita quotidiana. Un’AI capace di supportare decisioni migliori, di abilitare servizi altamente personalizzati e proattivi, e di contribuire a un progresso economico e sociale che sia sostenibile e inclusivo, mantenendo sempre al centro la dignità, i diritti e il benessere dell’essere umano. Federated Learning ed Edge AI sono, senza dubbio, due dei motori principali che ci stanno spingendo verso questa nuova ed entusiasmante frontiera.

Ringraziamenti

Si ringraziano i membri, collaboratori ed amici del gruppo di ricerca M.O.D.A.L. (Mathematical MOdelling and Data AnaLisys) del Dipartimento di Matematica e Applicazioni “Renato Caccioppoli” – Università degli Studi di Napoli Federico II per le stimolanti discussioni sull’argomento trattato.

Si ringrazia il progetto FAIR – Future AI Research (PE00000013), Spoke 3, under the NRRP MUR program funded by the NextGenerationEU.

Si ringrazia il progetto G.A.N.D.A.L.F. – Gan Approaches for Non-iiD Aiding Learning in Federations, CUP: E53D23008290006, PNRR – Missione 4 “Istruzione e Ricerca” – Componente C2 Investimento 1.1 “Fondo per il Programma Nazionale di Ricerca e Progetti di Rilevante Interesse Nazionale (PRIN)”.

Riferimenti

Diletta Chiaro, Pian Qi, Antonio Pescapè, and Francesco Piccialli, enerative AI-Empowered Digital Twin: A Comprehensive Survey With Taxonomy, IEEE Transactions on Industrial Informatics, 2025, 10.1109/TII.2025.3540473

McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 54:1273-1282.

Model aggregation techniques in federated learning: A comprehensive survey, P Qi, D Chiaro, A Guzzo, M Ianni, G Fortino, F Piccialli, Future Generation Computer Systems, Volume 150, January 2024, Pages 272-293, 2024

https://gdpr.eu/

Xiaodong Ma,Jia Zhu, Zhihao Lin, Shanxuan Chen, Yangjie Qin,  state-of-the-art survey on solving non-IID data in Federated Learning, Future Generation Computer Systems, Volume 135, October 2022, Pages 244-258

Sukhpal Singh Gill et al., Edge AI: A Taxonomy, Systematic Review and Future Directions, 2024, https://arxiv.org/html/2407.04053v1

https://blogs.nvidia.com/blog/what-is-edge-ai/

Yuyi Miao et al. Green Edge AI: A Contemporary Survey, Proceedings of the IEEE ( Volume: 112, Issue: 7, July 2024

https://www.williamfry.com/knowledge/europes-ai-ambitions-inside-the-eus-e200-billion-digital-sovereignty-plan/

https://artificialintelligenceact.eu/

Atslands Rocha et al. Edge AI for Internet of Medical Things: A literature review, Computers and Electrical Engineering, Volume 116, May 2024, 109202

Anusha, S., et al. “Emerging Trends in Edge AI for Industry 4.0 and 5.0: Technologies, Applications, and Challenges.” AI Innovations in Service and Tourism Marketing, edited by Vipin Nadda, et al., IGI Global, 2024, pp. 211-228. https://doi.org/10.4018/979-8-3693-7909-7.ch010

https://www.delveinsight.com/blog/ai-driven-diagnostics-in-healthcare

Marzia Canzaniello, Sara Amitrano, Edoardo Prezioso, Fabio Giampaolo, Salvatore Cuomo, Francesco Piccialli, Leveraging Digital Twins and Generative AI for Effective Urban Mobility Management, 2024 IEEE Cyber Science and Technology Congress (CyberSciTech)

https://statetechmagazine.com/article/2025/05/enhancing-citizen-services-open-edge-platforms-roadmap

Francesco Piccialli et al. Federated and edge learning for large language models, Information Fusion, Volume 117, May 2025, 102840