(Lezione 01.05 · 15 minuti · Nessun sensore · Per tutti)

Il metodo in sette passi.

Ogni modello del corso nasce con gli stessi sette passi, che riconosca una foglia, un suono o un gesto. Qui li segui con un esempio vero, una foglia d'ulivo da controllare in campagna dove spesso la rete non c'è.

Cosa impari

I sette passi che tornano in ogni lezione pratica
Perché la domanda viene prima della tecnologia
Come si dividono i dati per non ingannare se stessi
Cosa cambia quando il dato è un suono, un movimento o una frase

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 domanda
Prima di tutto, cosa deve riconoscere?

Tutto parte da una domanda semplice. Guardando la foto di una foglia d'ulivo, il telefono deve dire se la pianta è sana o malata. E deve farlo anche in campagna, dove la rete spesso non arriva.

In pratica. Prima di pensare alla tecnologia, scrivi dove verrà usato, su che telefono e con quanta luce. Queste risposte cambiano tutte le scelte che vengono dopo.
02 I dati
Il modello impara solo da quello che gli mostri.

Per insegnare al modello^01.01 a riconoscere una foglia malata servono tante foto di foglie, sane e malate. E vanno scattate dove il modello lavorerà davvero, al sole, all'ombra, sotto la pioggia. L'insieme di queste foto si chiama dataset. Se si somigliano tutte, il modello impara male.

In pratica. In agricoltura le foto si raccolgono per un anno intero, perché con le stagioni cambiano sia le foglie sia la luce.
03 Le etichette
A ogni foto va data la risposta giusta.

Una foto da sola non insegna niente. Accanto a ognuna bisogna scrivere cosa mostra, sana o malata. Questa risposta si chiama etichetta. A volte si segna anche con un riquadro dov'è la macchia. È come scrivere le risposte giuste di un esercizio prima di darlo da fare.

In pratica. Le foto si dividono in tre gruppi. Con il primo il modello studia, con il secondo controlla se sta imparando bene, e il terzo resta da parte per l'esame finale.
04 L'architettura
Non si parte da zero.

Il cuore del modello è una rete neurale^01.03, un programma che guarda la foto un pezzo alla volta. I primi strati notano cose semplici come bordi e colori, quelli dopo riconoscono forme e macchie. Di solito si parte da una rete che ha già visto milioni di immagini e le si insegna solo l'ultima parte, quella che decide.

In pratica. Per un telefono si scelgono reti leggere, fatte apposta per usare poca memoria e poca batteria.
05 L'addestramento
Si impara sbagliando.

Durante l'addestramento il modello guarda le foto migliaia di volte e a ogni giro sbaglia un po' meno. La linea gialla del grafico dice se sta capendo davvero. Se smette di migliorare mentre l'altra continua a scendere, vuol dire che sta imparando le foto a memoria. Si chiama overfitting.

In pratica. Per evitarlo gli si mostrano le stesse foto girate, tagliate o con una luce diversa, e ci si ferma al momento giusto.
06 L'ottimizzazione
Farlo stare in un telefono.

Un modello che funziona sul computer spesso è troppo pesante per un telefono. Allora si alleggerisce usando numeri più semplici per i suoi calcoli, e diventa circa quattro volte più piccolo. Questo passaggio si chiama quantizzazione. Poi si prova su un telefono normale, non sul più veloce che c'è.

In pratica. Così il modello lavora direttamente sul telefono e le foto non devono essere mandate a nessun server.
07 Il risultato
Una foto, una risposta, anche senza rete.

Alla fine il modello vive dentro un'app. Chi è in campo inquadra la foglia e in un attimo sa cosa sta guardando. Le foto restano sul telefono e tutto funziona anche dove non c'è segnale, come nell'Edge AI^01.01 della prima lezione.

In pratica. E non finisce qui. Le foto nuove che arrivano dal campo servono a rendere il modello più bravo nella versione successiva.

01 / 07

(Approfondisci)

Qualche numero in più.

(01)

Gli stessi passi con dati diversi

L'esempio usa le foto, ma il metodo non cambia quando il dato è un altro. Cambia cosa raccogli, come lo etichetti e quale rete scegli. La tabella qui sotto mette a confronto quattro progetti del corso.

Passo	Foglia (foto)	Sirena (suono)	Caduta (movimento)	Comandi (testo)
Domanda	Sana o malata?	C'è una sirena?	La persona è caduta?	Che cosa chiede l'utente?
Dati	Foto al sole e all'ombra	Clip di un secondo, strada e casa	Finestre di due secondi a 50 Hz	Frasi scritte da persone diverse
Etichette	Una classe per foto, a volte un riquadro	Sirena o non sirena	Caduta, seduta, camminata	Luce, musica, meteo, altro
Rete	MobileNet e una testa nuova	Piccola rete sullo spettrogramma	Caratteristiche e rete densa	Embedding e una testa nuova
Si misura	Accuratezza e matrice di confusione	Falsi allarmi all'ora	Cadute perse	Comandi capiti male

(02)

Perché tre gruppi di dati e non due

Il gruppo di validazione serve a scegliere. Quante epoche, quale learning rate, quando fermarsi. Ma ogni volta che scegli guardando quei numeri, il modello si adatta un po' anche a loro. Il gruppo di test non si guarda mai durante il lavoro, ed è l'unico che dice come andrà con dati nuovi.

Una regola pratica è 70, 15 e 15 per cento. Con pochi dati si fa 80 e 20 e si rimanda il test a una raccolta fatta un altro giorno, con un'altra luce. Attenzione alle foto quasi uguali, come due scatti di fila della stessa foglia. Se finiscono in gruppi diversi il modello sembra più bravo di quanto è.

(Prova sul telefono)

La tua scheda di progetto

Scegli un problema che si riconosce con un sensore del telefono e compila la scheda. Resta salvata nel tuo browser e la ritrovi nel progetto finale.

(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)

Da cosa si parte, secondo il metodo?
(02)

La curva di validazione smette di scendere mentre quella di addestramento continua. Cosa sta succedendo?
(03)

A cosa serve il gruppo di test?

Parole nuove, e dove sono spiegate

Datasetcapitolo 2
Etichettacapitolo 3
Rete neurale01.03 · capitolo 3
Transfer learningcapitolo 4
Overfittingcapitolo 5
ValidazioneApprofondisci
Quantizzazionecapitolo 6

Fonti e letture

La pagina Progettazione, da cui viene la scena ↗

Per chiudere la lezione rispondi alla verifica

← La mappa dei modelli Il ripasso del corso Torna alla mappa