L’attuale pandemia e il tempo sempre maggiore che ognuno di noi deve passare in ambienti domestici o d’ufficio sta facendo risalire l’interesse per il paradigma di “smart home”.

Andiamo pertanto ad analizzare lo stato corrente di sviluppo e di adozione delle smart home e le prospettive future di sviluppo.

Evoluzione della smart home

Le case intelligenti (smart home), e gli uffici intelligenti, rappresentano una naturale evoluzione dei tradizionali approcci di automazione di edifici (building automation), che fin dagli anni 70 sono stati applicati con fini di risparmio energetico (ad esempio, ottimizzazione dell’uso dei sistemi di condizionamento) e controllo degli accessi. Il moderno concetto di smart home si differenzia dalla classica building automation per fattori chiave quali

• una maggiore attenzione agli edifici ad uso abitativo,
• una maggiore possibilità di definire il comportamento a livello di singola unità abitativa (o ufficio),
• la semplicità delle interfacce utente che permettono anche all’utente finale di definire regole e modificare quelle già esistenti, e
• un sempre maggiore impiego di metodi di intelligenza artificiale. In tale accezione, le smart home vengono inizialmente introdotte come ausilio domestico ad anziani e persone con disabilità (da qui il termine spesso usato di Ambient Assisted Living – AAL) per poi suscitare un crescente interesse per il grande pubblico, anche grazie alla disponibilità di interfacce sempre più intuitive che hanno raggiunto l’apice con i moderni assistenti domestici vocali.

La specifica UniversAAL descrive in particolare uno smart space (e quindi una smart home) come “un ambiente pensato per gli utenti umani nel quale un insieme di artefatti hardware e software interconnessi in rete realizza in maniera collettiva il paradigma della Ambient Intelligence”. Questa definizione, sebbene ormai datata, introduce le componenti fondamentali di una smart home che sono quindi:

• l’attenzione alle necessità degli utenti finali,
• l’essere basate su componenti non solo hardware (come sensori ed attuatori) ma anche software (ad esempio, servizi online per l’acquisto di beni e servizi,
• la necessità che questi componenti siano interconnessi tramite un qualche tipo di rete, e
• lo scopo di ottenere la cosiddetta ambient intelligence, cioè la capacità dell’ambiente di agire in maniera intelligente, adattandosi automaticamente o semi-automaticamente alle necessità a breve termine ed ai cambiamenti di abitudini a lungo termine.

Tecnologie di connessione

Tradizionalmente l’interconnessione tra dispositivi è stata ottenuta in ambito di automazione di edifici attraverso connessioni cablate sfruttando protocolli standard (es. X10, KNX) o proprietari, molto spesso facenti parte della categoria ad onde convogliate (o Power Line Communication – PLC), in modo da potere sfruttare il normale impianto elettrico per la trasmissione di dati, senza necessità di un cablaggio specifico. I primi esempi di impianti per le smart home erano basati essi stessi su connessioni filari, spesso limitando la possibilità di impiego solo a nuove costruzioni od a ristrutturazioni totali e rendendo gli impianti presto obsoleti.

Le limitazioni imposte dagli impianti filari sono state oggigiorno superate dall’impiego di tecnologie di trasmissione wireless che includono il comune Wi-Fi (nel caso di dispositivi di grosse dimensioni) ma anche protocolli a basso consumo energetico quali Bluetooth, Zigbee e Z-Wave che permettono l’impiego anche di unità a batteria, garantendo una durata soddisfacente. I protocolli a basso consumo in particolare permettono di raggiungere anche abitazioni di elevata estensione, utilizzando organizzazione di reti di tipo mesh (ogni dispositivo è in grado di rilanciare il segnale ad altri dispositivi nelle vicinanze). L’accesso ai dispositivi è solitamente fornito da hub specifici per la tecnologia di trasmissione. Questi hub possono essi stessi far parte di altre reti (es. un hub Zigbee può essere connesso tramite la rete Wi-fi domestica ad altri dispositivi).

Questa ampia disponibilità di differenti standard di comunicazione ha da un lato portato una certa frammentazione del mercato, ma ha dall’altro il vantaggio, trattandosi di tecnologie wireless, di potere integrare in un unico impianto domestico diverse tecnologie, fornendo in particolare interfacce uniche (quali quelle vocali) ad un’ampia varietà di dispositivi. Dispositivi classici includono sensori (es. temperatura, umidità, presenza, telecamere) ed attuatori quali lampadine intelligenti (smart bulbs), prese intelligenti (smart plugs, talvolta integranti misuratori di consumo), pulsanti intelligenti (smart switches), termostati, controlli per tapparelle ed ovviamente comuni elettrodomestici. Tra gli elettrodomestici, in particolare, si sta diffondendo il protocollo noto come Home Connect, che ha sostituito il più vecchio DPWS – Device Profile for Web Services, ancora utilizzato per la configurazione dei router in ambito domestico. Tra gli elettrodomestici, sempre più di frequente i televisori agiscono da centro stella per l’intera smart home, includendo interfacce vocali.

Assistenti vocali

Se nei primi impianti per smart home l’interfaccia per il controllo era generalmente rappresentata da schermi touch, l’approccio oggi più frequente è di associare (o talvolta di completamente sostituire) questi con gli assistenti vocali (esempio Amazon Echo, Google Home). Questi assistenti vocali permettono la definizione di regole di automazione e di scenari e l’attivazione o disattivazione degli stessi tramite comandi vocali elementari. Le applicazioni di configurazione di tali assistenti vocali, permettono direttamente, o tramite l’utilizzo di plugin appositi, di connettersi ad hub per le diverse tecnologie, rendendo possibile l’utilizzo in un singolo impianto di differenti protocolli di comunicazione. In alcuni casi, i modelli top di gamma, possono fungere essi stessi da hub, rendendo quindi superfluo l’acquisto di hub specifici. Gli assistenti vocali inoltre sono oggigiorno spesso integrati in altri elettrodomestici ed in special modo nei televisori di ultima generazione.

Automazione

L’automazione nelle smart home è solitamente ottenuta tramite la definizione manuale, a cura dell’utente finale o dell’installatore, di regole di tipo ECA – Event Condition Action. Queste regole consistono di un evento scatenante (esempio, una porta viene aperta, scatta una certa ora del giorno), di condizioni in cui la regola si applica (esempio la temperatura è in un certo intervallo) e di una azione da eseguire nel caso (esempio accensione di una luce, chiusura di una tapparella). A questo concetto di base possono associarsi specifiche estensioni dei diversi sistemi per la definizione di regole che permettono di definire meccanismi più complessi.

Le regole di automazione possono essere definite a diversi livelli, che non si escludono gli uni con gli altri. Ad esempio, alcuni hub per specifiche tecnologie di comunicazione possono permettere la definizione, tramite App associate, di regole riguardanti principalmente i dispositivi di loro competenza. Gli assistenti vocali stessi permettono la definizione di regole, rappresentando in alcuni casi una soluzione vantaggiosa poiché permettono la definizione di regole multi-tecnologia.

Esistono inoltre tutta una serie di soluzioni in cloud che permettono la definizione di regole. Queste soluzioni includono IFTTT – If-This-Then-That e Yonomi, ma anche App più semplici quali Smart Life. Queste soluzioni di frequente sono integrate negli assistenti vocali più diffusi.

Parallelamente a questi meccanismi per la definizione manuale di regole, in ambito di ricerca, ma anche timidamente in ambito industriale, si stanno facendo avanti soluzioni basate sul machine learning e data mining che permettono l’estrazione automatica di regole. Un esempio commerciale di successo è rappresentato ad esempio dal termostato NEST che “impara” le preferenze relative al riscaldamento domestico direttamente dalle manipolazioni dirette da parte dell’utente.

Sistemi operativi per Smart Home

Accanto a tecnologie principalmente basate su servizi in Cloud, esistono tutta una serie di soluzioni software che ricadono nella categoria di sistemi operativi domestici. Più che veri sistemi operativi si tratta nella maggior parte dei casi di servizi in esecuzione su sistemi operativi standard che permettono la gestione di una smart home. Questi sistemi operativi possono essere installati su computer domestici (o mini-computer come il Raspberry PI) e permettono oltre alla definizione di regole ed alla possibilità di integrarsi con diverse tecnologie di comunicazione, anche la possibilità di intervenire sui dispositivi in lettura e scrittura al livello più basso possibile, permettendo quindi l’implementazione di approcci sperimentali quali l’applicazione di alcuni metodi di machine learning. Lo svantaggio principale risiede nelle mediamente più elevata complessità di configurazione che non li rendono ideali per l’utenza media.

I sistemi operativi domestici sono in realtà di molto antecedenti alle soluzioni Cloud, ma sono apparsi sul mercato probabilmente prematuramente rispetto alle tecnologie disponibili. E’ questo il caso ad esempio di HomeOS, una versione di Microsoft Windows specifica per la gestione di smart home, il cui sviluppo è stato interrotto nel 2013.

Grazie al sempre maggiore interesse nelle smart home, sono però oggigiorno disponibili una serie di sistemi operativi domestici open source che includono tra gli altri OpenHAB, Domoticz, Home Assistant, FHEM, HomeGenie, Jeedom, CalaOS and Pimatic.

Ambient Intelligence

Figura 1. Schema a blocchi di un sistema di Ambient Intelligence

Lo schema in Figura 1 mostra il flusso di informazioni in uno smart space che descrive il concetto di ambient intelligence^[1] che, come abbiamo visto, rappresenta una parte fondamentale della definizione UniversAAL di uno smart space. In particolare, si ha un ambiente (detto cyber-fisico poiché alla realtà fisica corrisponde una sua rappresentazione nel mondo informatico) popolato di sensori. Il flusso di dati grezzi provenienti dai sensori è convogliato in un componente detto di context extraction (estrazione del contesto) che si occupa, a partire dai dati grezzi acquisiti, di ottenere una consapevolezza più ad alto livello di ciò che avviene nell’ambiente (es. capire che l’utente sta facendo una doccia a partire dall’aumento improvviso di temperatura ed umidità nel bagno). Il risultato della context extraction è utilizzato per effettuare il decision making (presa di decisioni), che vengono poi eseguite nell’ambiente tramite attuatori. Sulle decisioni più delicate può essere richiesta la decisione finale da parte dell’utente umano.

Le operazioni di context extraction e decision making richiedono un insieme di modelli e regole che costituiscono la conoscenza (Knowledge) del sistema di ambient intelligence. Abbiamo visto come questa knowledge sia, nelle moderne smart home descritta manualmente in forma di regole ECA o derivate. Questo tipo di conoscenza è nota nell’ambito di ricerca come specification-based knowledge (conoscenza basata su specifica), che ha il vantaggio di essere leggibile e facilmente creabile da parte dell’utente, ma la cui applicabilità è limitata al crescere della disponibilità di sensori ed attuatori.

Gli sforzi di ricerca attuali si dirigono per questo motivo verso approcci detti learning based (basati su apprendimento) che sfruttano tecniche di machine learning per apprendere i modelli ed opzionalmente aggiornarli in maniera continuativa (blocco denominato Runtime Learning in Figura 1). Allo stato attuale, questo tipo di approcci è sfruttato, ad esempio, dal già citato termostato Nest. In generale questi metodi permettono di (i) riconoscere le attività, a diversi livelli di granularità, eseguita dall’utente umano in uno specifico momento, (ii) comprendere se si stanno verificando delle anomalie e nel caso generare allarmistiche o iniziare un processo di aggiornamento dei modelli, e (iii) apprendere come comportarsi in determinate condizioni (es. apprendimento automatico di regole ECA).

L’applicabilità di tali approcci in un ambito reale ha in ogni caso delle complessità dovute (i) alla possibilità di accedere ai dati grezzi dei sensori, cosa permessa ad esempio dai sistemi operativi per Smart Home, (ii) possibilità di avere dataset opportuni per il processo di apprendimento dei modelli, (iii) capacità di lavorare in presenza di utenti multipli, ognuno con le proprie preferenze.

Considerazioni su privacy e sicurezza

Le smart home sollevano notevoli problematiche relative a privacy e sicurezza (sia virtuale che fisica). In primo luogo, la stragrande maggioranza degli assistenti vocali e degli strumenti per la definizione ed applicabilità di regole risiedono nel cloud. Questo è dovuto anche alla necessità degli utenti di modificare lo stato della smart home quando si è fuori di casa (cosa che con un sistema on premise richiederebbe la disponibilità di un indirizzo IP fisso e di complesse operazioni di configurazione della rete di casa). Questo ovviamente solleva problematiche di privacy, poiché preferenze e dati in tempo reale degli utenti viaggiano sulla rete internet. Da questi dati, un utente malintenzionato, può facilmente estrarre le abitudini delle persone ottenendo, ad esempio, i periodi di assenza da casa. Non si trascuri inoltre che molti sistemi per smart home introducono l’utilizzo di telecamere (non a circuito chiuso) per il monitoraggio di casa, che se violate rappresentano evidenti punti deboli per la privacy dell’utente finale.

Ovviamente i fornitori di servizi nell’ambito applicano le strategie di sicurezza più sofisticate, ma un attacco o un furto di credenziali resta possibile. Molto spesso, peraltro, i sistemi per le smart home sono integrati con sistemi di allarme, sempre controllabili da remoto, che offrono un ulteriore punto di attacco al “sistema casa”. Questi difetti possono essere parzialmente eliminati dall’utilizzo di sistemi operativi per smart home, poichè questi sono sistemi on premise. Ovviamente, in quest’ultimo caso, sta al padrone di casa mantenere aggiornati i computer su cui questi sistemi girano, che altrimenti possono trasformarsi in importanti falle di sicurezza.

Un altro importante spunto di riflessione è quello relativo alla sicurezza fisica di tali sistemi. Alcune regole, specialmente nel caso in cui queste vengano acquisite tramite metodi di machine learning, possono essere potenzialmente pericolose, specialmente in presenza di minori, e tale problema è parzialmente presente anche nel caso di regole create manualmente (es. apri la finestra quando l’umidità sale oltre una certa percentuale).

Conclusioni

ambient intelligence

Le smart home rappresentano un fenomeno in veloce espansione, con grossi investimenti da parte di grossi player in ambito tecnologico ed in ambito forniture elettriche e di elettrodomestici. L’utilizzo di protocolli aperti e di sistemi di integrazione quali hub ed interfacce vocali ha reso semplice l’installazione di tali sistemi anche in abitazioni senza predisposizione apposita, non richiedendo nemmeno installatori professionisti allo scopo. Tuttavia, il quadro non è ancora completo, poiché il concetto di ambient intelligence che è fondamentale nella definizione di smart home è solo parzialmente realizzato, essendo gli approcci basati su machine learning ancora poco diffusi (se non nell’implementazione degli assistenti vocali). Possiamo quindi immaginarci per il futuro sforzi sempre maggiori in questa direzione, oltre che ad una sempre maggiore disponibilità di dispositivi connessi per le smart home.

È inoltre di fondamentale importanza tenere in conto i potenziali rischi per la privacy e la sicurezza connessi. La tumultuosa crescita del numero di soluzioni differenti e la semplicità di installazione rischiano di fare passare questi rischi in secondo piano. È quindi necessario, applicare a tutti i servizi di questo genere i medesimi criteri di sicurezza applicati a qualunque servizio con una corretta gestione di credenziali e ruoli utenti ed il possibile utilizzo, ove possibile, di metodi di autenticazione forti, quali doppia autenticazione basata su dispositivi mobili.

Note

1. Leotta, F., Mecella, M., Sora, D., & Catarci, T. (2019). Surveying human habit modeling and mining techniques in smart spaces. Future Internet, 11(1), 23. ↑