(Lezione 01.04 · 14 minuti · Nessun sensore · Per tutti)

La mappa dei modelli.

Riconoscere una foglia, contare le persone in fila, capire una frase. Sembrano problemi diversi, ma ogni modello si descrive con due cose, il dato che entra e la risposta che esce. Qui disegni la mappa che tiene insieme tutto il corso.

Cosa impari

Le due domande che dicono quale modello serve
I sei compiti, da classificare a generare
Quando una rete neurale non serve

Ti serve sapere

Se non ti ricordi una di queste cose, il link ti porta al capitolo che la spiega.

Come vuoi seguirla

Preparo la scena…

01 La mappa
Due domande per ogni modello.

Per capire che modello serve bastano due domande. Che dato entra, e che risposta deve uscire. Il dato può essere una foto, un suono, un movimento, un testo o una serie di numeri. La risposta può essere una parola da un elenco, un riquadro, un contorno, un numero o qualcosa di nuovo.

In pratica. Scrivi le due risposte prima di tutto il resto. Quasi sempre bastano a capire quale modello cercare e quanto sarà difficile.
02 Classificare
Classificare vuol dire scegliere da un elenco.

Il compito più comune è la classificazione. Il modello guarda il dato intero e sceglie una risposta da un elenco fisso di classi, per esempio sana, malata o altro. Si classificano foto, suoni, gesti e frasi, e lo schema è sempre lo stesso.

In pratica. Metti sempre una classe per quello che non c'entra, per esempio niente o altro. Senza, il modello è costretto a scegliere e sbaglia con sicurezza.
03 Trovare
Per contare bisogna sapere dove.

A volte non basta sapere cosa c'è, serve sapere dove. Il rilevamento trova ogni oggetto nell'immagine, gli disegna intorno un riquadro e dice di che classe è. Così gli oggetti si possono anche contare, per esempio le mele sul tavolo o le persone in fila.

In pratica. Una variante trova punti invece di riquadri. I punti chiave della mano sono 21, uno per ogni articolazione, e con quelli si riconoscono i gesti.
04 Segmentare
Segmentare è ritagliare lungo il bordo.

La segmentazione va più a fondo. Decide a quale classe appartiene ogni singolo pixel, come se ritagliasse l'oggetto con le forbici lungo il bordo. È quello che fa il telefono quando sfoca lo sfondo dietro di te in una videochiamata.

In pratica. Segmentare costa più che trovare un riquadro, sia nei calcoli sia nelle etichette. Si sceglie quando il contorno serve davvero, per esempio per misurare una macchia.
05 Stimare
A volte la risposta è un numero.

Non tutte le risposte sono parole. Quanti passi hai fatto, quanti gradi è inclinato il telefono, quanto è pieno il bicchiere. Quando la risposta è un numero il compito si chiama regressione. Al posto delle risposte giuste si misura di quanto il modello sbaglia in media.

In pratica. Se il numero ti serve solo in poche fasce, per esempio vuoto, metà e pieno, trasformale in classi. Spesso il modello impara prima e sbaglia meno.
06 Anomalie
Accorgersi di quello che non torna.

Certi problemi hanno pochissimi esempi di guasto. Un motore si rompe una volta l'anno e nessuno ha mille foto di pezzi difettosi. Allora il modello impara solo com'è il normale e segnala quello che se ne allontana troppo, senza aver mai visto un guasto.

In pratica. Il punto difficile è la soglia. Troppo bassa e il modello suona sempre, troppo alta e non suona mai. Si decide guardando i dati, non a occhio.
07 Generare
Gli ultimi arrivati scrivono la risposta.

I modelli più nuovi sui telefoni non scelgono una risposta, la scrivono. Un modello generativo produce testo, voce o immagini, un pezzo alla volta. Sono i più pesanti, da qualche centinaio di megabyte a qualche gigabyte, ma dal 2023 girano anche sul telefono.

In pratica. Un modello generativo sa anche classificare, ma consuma molta più memoria e batteria. Se le risposte sono poche e sempre le stesse, un classificatore piccolo basta.

01 / 07

(Approfondisci)

Qualche numero in più.

(01)

La mappa completa

Ogni riga è un tipo di dato, ogni colonna un compito. Le caselle con un esempio sono modelli che oggi girano davvero su un telefono, e ognuna ha una lezione nel corso. I punti sono combinazioni poco usate.

Dato	Classificare	Trovare	Segmentare	Stimare un numero	Anomalie	Generare
Immagini	Foglia sana o malata	Riquadri sulle persone	Sfondo staccato dal soggetto	Quanto è pieno il bicchiere	Pezzo difettoso sul nastro	Descrizione della foto
Suono	Sirena, cane, clacson	L'istante della parola chiave	Chi parla e quando	Battiti al minuto di un brano	Il motore fa un rumore strano	Voce letta dal telefono
Movimento	Cammini, corri o sei fermo	Il momento della caduta	Le fasi di ogni passo	Passi, inclinazione	Vibrazione fuori norma	·
Testo	Comando, domanda o spam	Nomi e date in una mail	·	Quanto è positiva una recensione	Messaggio fuori posto	Riassunti e risposte
Punti del corpo	Gesto della mano	21 punti della mano	·	Angolo del gomito	Postura sbagliata	·

(02)

Non sono tutte reti neurali

Intelligenza artificiale è il nome largo per i programmi che fanno cose per cui di solito serve una persona. Oggi quasi tutta nasce dal machine learning, cioè da programmi che trovano da soli le regole guardando tanti esempi con la risposta giusta. Le reti neurali sono il tipo di machine learning più usato, ma non l'unico.

Quando i dati sono pochi numeri, come le misure di un sensore, spesso basta un albero di decisione. È una serie di domande a sì o no, del tipo la vibrazione supera questa soglia. Occupa pochi kilobyte, risponde in un attimo e si può leggere per capire perché ha deciso così.

Un altro modello semplice è quello dei vicini più prossimi, k-NN in inglese. Non impara pesi. Tiene in memoria gli esempi e per un dato nuovo ripete la risposta di quelli più simili. Con pochi esempi funziona sorprendentemente bene, e nel laboratorio lo puoi scegliere al posto della rete.

(03)

Quanto costano le etichette

Più il compito dice dove, più l'etichetta costa. Scegliere la classe di una foto richiede un secondo o due. Disegnare un riquadro preciso richiede diversi secondi, fino a mezzo minuto con i metodi tradizionali. Ripassare il contorno di un oggetto costa ancora di più. Per il dataset COCO ci sono voluti in media 79 secondi per ogni oggetto.

Per questo si parte dal compito più semplice che risponde alla domanda. Se basta sapere se nella foto c'è una macchia, si classifica. Si passa ai riquadri solo se serve contarle, e ai contorni solo se serve misurarle.

1-2 suna classe per foto
7-35 sun riquadro per oggetto
79 sun contorno per oggetto, COCO

(Prova sul telefono)

In quale casella sta?

Ecco sette problemi veri. Per ognuno scegli il dato che entra e il compito che il modello deve fare. Dopo ogni risposta ti dico se è la casella giusta e perché.

Lo strumento ha bisogno di JavaScript acceso.

Alcuni problemi stanno a cavallo di due caselle, e va bene così. La domanda da farsi è sempre la stessa, cioè qual è il compito più semplice che risponde a quello che mi serve.

(Verifica)

3 domande per chiudere la lezione.

Quando rispondi a tutte, la lezione risulta fatta e sulla mappa la sua pietra diventa gialla. Conta rispondere, non il punteggio.

(01)

Un'app deve contare le auto che passano davanti a una telecamera. Che compito serve?
(02)

Perché conviene aggiungere una classe come altro o niente?
(03)

In una fabbrica i pezzi difettosi sono uno su diecimila. Cosa conviene fare?

Parole nuove, e dove sono spiegate

Intelligenza artificialeApprofondisci
Machine learningApprofondisci
Classificazionecapitolo 2
Rilevamentocapitolo 3
Punti chiavecapitolo 3
Segmentazionecapitolo 4
Regressionecapitolo 5
Anomaliacapitolo 6
Modello generativocapitolo 7
Albero di decisioneApprofondisci
Vicini più prossimiApprofondisci

Fonti e letture

Per chiudere la lezione rispondi alla verifica

← Come impara un modello Torna alla mappa

(Prossima lezione · 01.05) Il metodo in sette passi