Ho sempre pensato che l’Intelligenza Artificiale fosse qualcosa di lontano, ospitato in enormi data center, accessibile solo tramite cloud e costosi abbonamenti. Ma cosa succederebbe se potessimo portarla a casa nostra? Se potessimo trasformare vecchi computer in una rete di “agenti” intelligenti che lavorano insieme, in totale privacy e senza dipendere da server esterni?

Questo non è un tutorial tecnico per ingegneri. È la cronaca di un esperimento pratico: come ho trasformato tre vecchi PC in un sistema di meteo e lifestyle intelligente, capace di analizzare il mio giardino e suggerirmi quando fare esercizio, quando riposare e quando godermi un aperitivo.

E la cosa più sorprendente? Non ho scritto una sola riga di codice.

L’Idea: Un Proof of Concept per il Futuro

L’obiettivo era chiaro: creare un Proof of Concept (PoC) di un’architettura decentralizzata. Volevo dimostrare che è possibile:

Riusare hardware esistente: Trasformare mini-PC e vecchi desktop in nodi di una rete intelligente. Sfruttare l’AI come co-pilota: Usare l’intelligenza artificiale per scrivere il codice, risolvere gli errori e gestire la complessità tecnica. Mantenere la sovranità dei dati: Far girare tutto in locale, senza inviare informazioni sensibili a terzi. Il risultato è un sistema che raccoglie dati da una centralina meteo reale, li elabora con un modello linguistico locale (Ollama) e restituisce consigli contestualizzati sul mio giardino specifico.

L’Architettura: Tre Nodi, Un Solo Cervello

Ho selezionato tre dispositivi molto diversi tra loro per testare la resilienza del sistema:

Minimonio: Un mini-PC economico (Intel Celeron, 7GB RAM). Il nodo “sensore”, leggero e a basso consumo. Thinkmonio: Un piccolo desktop (Intel i3, 15GB RAM). Il nodo “agente” principale, responsabile dell’interfaccia web e dell’orchestrazione. Tuxedo: Un laptop potente (AMD Ryzen, 31GB RAM). Il nodo “cervello”, dove gira il modello AI locale. Ogni nodo esegue Docker, garantendo che il software sia isolato e portabile. Non importa quanto sia vecchio o nuovo l’hardware: il container funziona allo stesso modo ovunque.

Il Processo: Iterazione e Adattamento

Il percorso non è stato lineare. È stato un continuo ciclo di “prova, sbaglia, correggi”, guidato dal dialogo con l’AI.

Fase 1: Stabilizzazione dell’Infrastruttura

Il primo ostacolo è stato far funzionare i nodi base. Minimonio si spegneva da solo per risparmio energetico. La soluzione? Disabilitare le impostazioni di sospensione del kernel e forzare la CPU a lavorare in modalità performance. Un problema apparentemente banale che avrebbe bloccato tutto il sistema.

Fase 2: Comunicazione tra Nodi

Una volta stabili, ho dovuto farli parlare tra loro. Ho creato un’API REST semplice (usando FastAPI) che permette a thinkmonio di interrogare minimonio per ottenere le sue metriche di sistema. Il risultato? Una dashboard web che mostra in tempo reale lo stato di salute di entrambi i computer.

Fase 3: Integrazione dei Dati Meteo

Qui entra in gioco la parte “reale”. Ho collegato la mia stazione meteorologica Raddy WF-100C (che pubblica su Weather Underground) al sistema. Thinkmonio ora scarica i dati attuali (temperatura, umidità, vento) e le previsioni dalle API di Open-Meteo.

Fase 4: L’Intelligenza Locale (Ollama)

Il passo decisivo è stato aggiungere il “cervello”. Invece di usare servizi cloud come Groq o ChatGPT, ho installato Ollama su tuxedo con il modello llama3.2. Ho creato un prompt strutturato che fornisce all’AI:

I dati meteo attuali. Una mappa dettagliata del mio giardino (Zone A-E, con caratteristiche specifiche come il terrario della tartaruga Camilla). Il compito: “Analizza i dati e dammi consigli pratici su attività, zonizzazione e orari.” Il sistema ora risponde con consigli personalizzati: “Evita il prato (Zona B) per l’umidità alta, ma la Zona A è perfetta per l’esercizio mattutino.”

La Scelta Etica: Privacy by Design

C’è un dettaglio fondamentale che spesso viene ignorato in questi esperimenti: dove vengono elaborati i miei dati?

Stavo gestendo informazioni sulla mia casa, la mia posizione GPS e le abitudini familiari. Non potevo permettere che questi dati finissero nei dataset di training di grandi aziende. Per questo motivo, ho scelto di usare Lumo (di Proton) per progettare l’architettura e Ollama per l’esecuzione locale.

Lumo: Mi ha permesso di discutere il progetto e generare il codice in un ambiente cifrato end-to-end. Nessuno, nemmeno Proton, può leggere le mie conversazioni. Ollama: Esegue il modello AI direttamente sul mio hardware. I dati meteo e la descrizione del giardino non lasciano mai la mia rete domestica. Costruire un sistema decentralizzato richiede strumenti che rispettino la sovranità dei dati fin dal primo passo.

Provalo e inizia il tuo viaggio di scoperta: https://pr.tn/ref/31BCQE3B

Il Risultato: Un Giardino che Parla

Oggi, aprendo la dashboard nel browser, vedo non solo numeri, ma consigli contestuali. Clicco un pulsante e l’AI mi dice:

Situazione: “È una giornata ideale per attività all’aperto, ma evita il prato a causa dell’umidità.” Attività Consigliate: Zona A (Parcheggio), Zona D (Piscina), Zona E (Barbecue). Valutazione: Un punteggio da 1 a 10 per ogni zona e attività (esercizio, sonnellino, aperitivo). Non è magia. È il risultato di un processo iterativo, di errori risolti, di hardware riusato e di una scelta consapevole per la privacy.

Conclusione: L’Inizio di Qualcosa di Più Grande

Questo esperimento dimostra che l’AI del futuro non sarà solo nei cloud centralizzati. Sarà distribuita, ovunque, sui nostri dispositivi.

Resilienza: Se un nodo cade, gli altri continuano a lavorare. Efficienza: Usiamo risorse esistenti invece di comprarne di nuove. Accessibilità: Chiunque abbia un minimo di curiosità e un vecchio PC può iniziare a costruire la propria infrastruttura intelligente. La tecnologia non è magia. È un processo di tentativi, errori e adattamenti. E a volte, basta un vecchio mini-PC e un po’ di pazienza per creare qualcosa di straordinario.

Se vuoi provare a replicare questo esperimento o hai domande sul processo, scrivimi su Mastodon https://mastodon.uno/@itsmelarry

La strada è lunga, ma l'importante è andare avanti, anche seduti!

---

“La tecnologia libera non è solo codice, è la libertà di capire cosa c'è sotto il cofano.”

👤 Lorenzo | ItsMeLarry 🧪 Esperimenti AI & Open Source | 🕹️ Retro Gaming & Graphic Novel 🎸 Rock, Folk, Jazz, Punk | 🔒 Privacy First 📍 Ponte Buggianese / Digitale

🔗 noblogo.org | 🐙 GitHub