
Success stories
ISTI CNR

AI@EDGE: AMBIENT ASSISTED LIVING E PHYSIOLOGICAL COMPUTING
High Performance Computing per lo studio di paradigmi di AI sul continuum computazionale
La richiesta
Nuovo cluster con risorse di calcolo, GPU e connettività ad alte prestazioni per applicazioni AI
La soluzione
Cluster di nodi ad alte prestazioni, configurato con servizi High Availability/High Reliability
APPLICAZIONE
GPU, sistemi edge e sensori video/audio abilitano il live deep learning Studio dell’ambient assisted living e del physiological computing
KNOW-HOW
Competenza HPC, GPU e InfiniBand technologies, Cluster management, Supporto specialistico
VANTAGGI
Esecuzione e prototipazione di algoritmi AI in tempi più rapidi, passando da tempi di una settimana di elaborazione a sole poche ore di calcolo intensivo
L’ISTI, Istituto di Scienza e Tecnologie dell’Informazione, è il più grande istituto di Informatica del Consiglio Nazionale delle Ricerche (CNR) e afferisce al Dipartimento di Ingegneria, ICT e Tecnologie per l’Energia e i Trasporti (DIITET). ISTI, con un organico di circa 220 dipendenti, impegna a produrre eccellenza scientifica e a svolgere un ruolo attivo nel trasferimento tecnologico. Il dominio di competenza copre Computer Science & Technologies e una vasta gamma di applicazioni.
L’attività mira ad aumentare le conoscenze, sviluppare e testare nuove idee e ampliare le aree di applicazione. L’ISTI è attivamente coinvolto in collaborazioni con il mondo accademico e in programmi cooperativi di ricerca e sviluppo, sia nazionali che internazionali.
L’Istituto ha anche una solida esperienza e reputazione nella progettazione e realizzazione di infrastrutture elettroniche e nelle attività di trasferimento tecnologico orientate all’industria o alla pubblica amministrazione.
CNR-ISTI di Pisa si è dotato di una soluzione customizzata, grazie alla quale il nuovo cluster MEDOOZA di E4 basato su slurm, permette ora di sganciare alcuni nodi di calcolo e fare acquisizione di dati da una delle diverse interfacce di rete presenti. Questo perché le risorse disponibili ora non vengono viste come un unicum monolitico e ciò rende possibile simulare diverse condizioni di rete, permettendo la scalabilità di alcune configurazioni che prima non era possibile esplorare. La flessibilità così ottenuta permette ai ricercatori di mimarne alcune e andarne a esplorare a fondo la scalabilità, dimostrando che alcune soluzioni di learning e meta learning sono fattibili.