Glossario.
Le parole del corso spiegate in due righe. Ognuna ti porta al capitolo che la spiega, così ripassi solo il pezzo che ti serve.
- Accelerometro
Il sensore che misura le spinte sul telefono in tre direzioni, x, y e z. Da fermo misura la gravità, circa 9,8 metri al secondo al quadrato verso il basso.
04.01 Il telefono sente il movimento, capitolo 1 →- Accuratezza
La quota di risposte giuste su tutti gli esempi di prova. È il voto più semplice, ma con classi sbilanciate inganna, e da solo non dice quali errori fa il modello.
06.01 Misurare davvero, capitolo 1 →- Addestramento con i gradini
Quantization aware training. Durante l'addestramento si simulano i numeri a pochi bit, così il modello impara a funzionare bene anche dopo la quantizzazione.
06.02 Quantizzare, capitolo 6 →- Addestramento sul dispositivo
Continuare ad addestrare un modello sul telefono, con i dati di chi lo usa. Di solito si aggiornano solo gli ultimi strati, di notte e sotto carica.
06.05 Un'app che funziona senza rete, capitolo 5 →- AI Act
Il regolamento europeo sull'intelligenza artificiale. Divide gli usi per rischio, ne vieta alcuni, chiede regole severe per quelli ad alto rischio e trasparenza per chatbot e contenuti generati.
06.06 L'AI responsabile, capitolo 7 →- Albero di decisione
Un modello fatto di domande a sì o no sui dati, una dopo l'altra, fino a una risposta. È piccolo, veloce e si può leggere, per questo va forte sui microcontrollori e con i dati dei sensori.
01.04 La mappa dei modelli, Approfondisci →- Allucinazione
Quando un modello scrive con sicurezza una cosa falsa, per esempio una data, una citazione o un oggetto che nella foto non c'è.
05.03 Un modello linguistico in tasca, capitolo 6 →- Anomalia
Un dato che non somiglia a quelli visti durante l'addestramento. Un modello per le anomalie impara com'è il normale e segnala quello che se ne allontana, senza bisogno di esempi di guasti.
01.04 La mappa dei modelli, capitolo 6 →- Aumento dei dati
Cambiare un poco a caso gli esempi durante l'addestramento, per esempio ruotando o schiarendo una foto. Il modello vede più varietà senza che tu debba raccogliere altri dati.
02.02 Un buon dataset di immagini, capitolo 7 →- Autoencoder
Una rete che stringe l'ingresso in pochi numeri e prova a ricostruirlo. Addestrata sul normale ricopia male quello che è strano, e l'errore della copia diventa il punteggio di anomalia.
04.03 Accorgersi di ciò che è strano, capitolo 4 →
- Bias
Quando un modello sbaglia più spesso con un gruppo di persone, per esempio voci con un accento o pelle più scura. Di solito succede perché nei dati quel gruppo c'era poco.
06.06 L'AI responsabile, capitolo 2 →- BLERP
Sigla usata da Jeff Bier per le ragioni dell'Edge AI. Bandwidth, latency, economics, reliability, privacy, cioè banda, latenza, costi, affidabilità e privacy.
01.01 Dove pensa l'intelligenza artificiale, capitolo 6 →
- Calibrazione
Far passare nel modello un centinaio di esempi veri prima di quantizzarlo, per scoprire l'intervallo dei valori tra gli strati e mettere i gradini nel posto giusto.
06.02 Quantizzare, capitolo 5 →- Campionamento
Misurare il suono a intervalli regolari e scrivere ogni misura come un numero, il campione. Per la voce i modelli usano di solito 16.000 campioni al secondo.
03.01 Il suono diventa un'immagine, capitolo 2 →- Caratteristiche
Pochi numeri calcolati da una finestra che la riassumono, come la media di ogni asse, quanto oscilla o quanti picchi ci sono. Permettono modelli piccolissimi.
04.01 Il telefono sente il movimento, capitolo 5 →- Classe
Una delle risposte possibili di un modello che classifica. Sana e malata sono due classi, come camminare, correre e stare fermo.
01.03 Come impara un modello, capitolo 4 →- Classe niente
Una classe in più con gli esempi di quando l'oggetto non c'è, come il tavolo vuoto o una mano che passa. Dà al modello una risposta giusta anche per quei momenti.
02.02 Un buon dataset di immagini, capitolo 4 →- Classi sbilanciate
Quando una classe ha molti più esempi delle altre. Un modello può sembrare accurato rispondendo sempre la classe più grande, quindi gli errori vanno guardati classe per classe.
02.02 Un buon dataset di immagini, capitolo 3 →- Classificazione
Il compito di scegliere una risposta da un elenco fisso di classi guardando il dato intero. Sana o malata, cane o gatto, camminare o correre.
01.04 La mappa dei modelli, capitolo 2 →- Cloud
Computer in un centro dati raggiunti attraverso la rete. Hanno molta potenza e memoria, ma i dati devono viaggiare fino a loro e tornare indietro.
01.01 Dove pensa l'intelligenza artificiale, capitolo 2 →- Confidenza
La percentuale che il modello dà a una risposta. Dice quanto preferisce quella risposta rispetto alle altre che conosce, non quanto è probabile che abbia ragione.
02.01 Classificare una foto, capitolo 6 →- Consenso
Il sì di una persona, libero e informato, a usare le sue foto, la sua voce o altri dati suoi per uno scopo preciso. Si può ritirare in ogni momento.
06.06 L'AI responsabile, capitolo 4 →- Contesto
Il testo che un modello linguistico tiene presente mentre risponde, cioè la conversazione fin lì e i documenti che gli dai. Più è lungo, più memoria e tempo servono.
05.03 Un modello linguistico in tasca, capitolo 5 →- Convoluzione
Un piccolo filtro, per esempio di 3 per 3 pixel, che scorre su tutta l'immagine e si accende dove trova il suo disegno. Una rete fatta di strati di filtri si chiama convoluzionale, in inglese CNN.
02.01 Classificare una foto, capitolo 3 →- CPU
Il processore generale del telefono. Ha pochi nuclei molto veloci che eseguono un'istruzione dopo l'altra. Sa fare tutto, ma le reti neurali le fa lentamente.
01.02 Cosa c'è dentro il tuo telefono, capitolo 2 →
- Dataset
L'insieme degli esempi con cui si addestra e si controlla un modello. Foto, clip audio, registrazioni dei sensori o frasi, ognuna con la sua etichetta.
01.05 Il metodo in sette passi, capitolo 2 →- Dati personali
Ogni informazione su una persona che si può riconoscere, come un volto, una voce o una posizione. In Europa li protegge il GDPR.
06.06 L'AI responsabile, Approfondisci →- Deriva
Quando i dati cambiano piano nel tempo, per esempio una macchina che invecchia. Il modello comincia a sbagliare e va aggiornato con i dati nuovi.
04.03 Accorgersi di ciò che è strano, capitolo 6 →- Discesa del gradiente
Il modo in cui un modello impara. Per ogni peso calcola da che parte scende l'errore e lo sposta di un piccolo passo in quella direzione, milioni di volte.
01.03 Come impara un modello, capitolo 6 →- Distillazione
Un modello piccolo, lo studente, impara a imitare le risposte di un modello grande, l'insegnante. Spesso va meglio dello stesso modello piccolo addestrato da solo.
06.03 Potare, distillare, scegliere l'architettura, capitolo 4 →
- Edge AI
Far girare un modello sul dispositivo dove nascono i dati, come un telefono, un orologio o una telecamera, invece che in un centro dati.
01.01 Dove pensa l'intelligenza artificiale, capitolo 5 →- Embedding
Una lista di numeri che riassume il contenuto di una foto, di un suono o di una frase. Due cose simili hanno embedding vicini.
05.01 Le parole diventano numeri, capitolo 4 →- Encoder e decoder
Le due metà di una rete. L'encoder stringe l'ingresso e ne capisce il contenuto, il decoder lo riallarga per produrre l'uscita, per esempio una maschera grande come la foto.
02.04 Ritagliare ai pixel, capitolo 3 →- Epoca
Un giro completo sui dati di addestramento. Un modello di solito ne fa da qualche decina a qualche centinaio.
01.03 Come impara un modello, capitolo 6 →- Etichetta
La risposta giusta associata a un esempio, cioè quello che il modello deve imparare a dire. Può essere una classe, un riquadro, un contorno o un numero.
01.05 Il metodo in sette passi, capitolo 3 →
- Falsi allarmi
Le volte in cui un modello che ascolta o sorveglia scatta senza motivo. Per i modelli sempre accesi si contano all'ora, insieme ai casi veri persi.
03.02 Riconoscere un suono, capitolo 5 →- Federated learning
Tanti dispositivi migliorano lo stesso modello senza spedire i propri dati. Ognuno impara in locale e manda solo le modifiche ai pesi.
06.05 Un'app che funziona senza rete, capitolo 6 →- Finestra
Un pezzo di segnale lungo per esempio due secondi, che il modello guarda tutto insieme. La finestra scorre avanti a passi regolari e il modello risponde a ogni passo.
04.01 Il telefono sente il movimento, capitolo 4 →- Frequenza
Quante volte al secondo vibra un suono, in hertz. Le vibrazioni veloci sono i suoni acuti, quelle lente i gravi. La trasformata di Fourier scompone un suono nelle sue frequenze.
03.01 Il suono diventa un'immagine, capitolo 4 →- Fuga di dati
Quando esempi quasi uguali finiscono sia tra quelli per imparare sia tra quelli di prova. Il modello li riconosce e il voto sembra migliore di come andrà davvero.
02.02 Un buon dataset di immagini, capitolo 6 →- Funzione di errore
Il numero che misura quanto il modello sbaglia sugli esempi. Loss in inglese. Tutto l'addestramento serve a farlo scendere.
01.03 Come impara un modello, capitolo 5 →
- Gesto e attività
Un gesto ha un inizio e una fine, come scuotere il telefono. Un'attività continua nel tempo, come camminare. Cambia quanto deve essere lunga la finestra.
04.02 Riconoscere un gesto o un'attività, capitolo 1 →- Giroscopio
Il sensore che misura quanto in fretta il telefono gira intorno ai suoi tre assi, in gradi al secondo. Con l'accelerometro dà i sei assi del movimento.
04.01 Il telefono sente il movimento, capitolo 2 →- GPU
Il processore grafico. Ha centinaia di piccoli calcolatori che lavorano insieme, nati per disegnare i pixel dello schermo. Fa le moltiplicazioni delle reti neurali molto più in fretta della CPU.
01.02 Cosa c'è dentro il tuo telefono, capitolo 3 →
- Inferenza
L'uso di un modello già addestrato per dare una risposta a un dato nuovo. È il lavoro che fa il telefono quando riconosce qualcosa.
01.03 Come impara un modello, capitolo 7 →- Intelligenza artificiale
Il nome largo per i programmi che fanno cose per cui di solito serve una persona, come riconoscere un oggetto, capire una frase o rispondere a una domanda. Oggi quasi tutta si costruisce con il machine learning.
01.04 La mappa dei modelli, Approfondisci →- IoU
Intersection over union. Quanto si sovrappongono due riquadri, da 0 a 1. Serve a decidere se un riquadro trovato dal modello corrisponde a quello giusto.
02.03 Trovare gli oggetti, capitolo 5 →
- Latenza
Il tempo tra la domanda e la risposta, misurato in millisecondi. Per seguire un video a 30 fotogrammi al secondo deve stare sotto i 33 ms.
01.01 Dove pensa l'intelligenza artificiale, capitolo 3 →- Learning rate
Di quanto si correggono i pesi a ogni passo dell'addestramento. Troppo alto e il modello salta di qua e di là, troppo basso e impara lentissimo.
01.03 Come impara un modello, Approfondisci →- LiteRT
Il motore di Google per far girare modelli su telefoni e dispositivi piccoli. Fino al 2024 si chiamava TensorFlow Lite e i suoi file hanno estensione .tflite.
06.04 Formati e motori, capitolo 2 →
- Machine learning
Un modo di costruire programmi in cui le regole non si scrivono a mano. Si mostrano tanti esempi con la risposta giusta e il programma le trova da solo. Le reti neurali sono il tipo più usato.
01.04 La mappa dei modelli, Approfondisci →- MAE
Mean absolute error. La media delle differenze senza segno tra stima e valore vero. Misura l'errore di una regressione nella stessa unità della risposta.
04.04 Prevedere un numero, capitolo 3 →- Matrice di confusione
Una tabella che incrocia le risposte giuste con quelle date dal modello. Sulla diagonale ci sono i successi, fuori ci sono gli scambi, per esempio malata presa per sana.
06.01 Misurare davvero, capitolo 2 →- Modelli in fila
Più modelli piccoli che lavorano uno dopo l'altro, ognuno con un compito stretto, per esempio controllare la foto, capire cosa inquadra e poi dare la diagnosi.
07.01 Un caso vero, la foglia d'ulivo, capitolo 4 →- Modello
Un programma che ha imparato da esempi a trasformare un dato in una risposta. Dentro ci sono i pesi, cioè i numeri che ha regolato durante l'addestramento.
01.01 Dove pensa l'intelligenza artificiale, capitolo 1 →- Modello generativo
Un modello che produce qualcosa di nuovo, testo, voce o immagini, un pezzo alla volta. È il tipo di modello più pesante che oggi gira su un telefono.
01.04 La mappa dei modelli, capitolo 7 →- Modello linguistico piccolo
Small language model. Un modello che scrive testo con da qualche centinaio di milioni a qualche miliardo di parametri, abbastanza piccolo da stare in un telefono.
05.03 Un modello linguistico in tasca, capitolo 1 →- Motore di inferenza
Il programma che legge il file di un modello e fa i calcoli sul dispositivo, scegliendo tra CPU, GPU e NPU. LiteRT, Core ML, ONNX Runtime ed ExecuTorch sono motori.
06.04 Formati e motori, capitolo 1 →- Multimodale
Un modello che lavora con più tipi di dati insieme, per esempio una foto e una domanda scritta, e risponde con una frase.
05.04 Modelli che vedono e parlano, capitolo 1 →
- NMS
Non-maximum suppression. Tra i riquadri che si sovrappongono troppo tiene quello con la confidenza più alta e cancella gli altri, così resta un riquadro per oggetto.
02.03 Trovare gli oggetti, capitolo 6 →- Normalizzazione
Portare i dati su una scala comune prima di darli al modello. Per i punti della mano si mette il polso in zero e si divide per la grandezza della mano, così restano solo le forme.
02.05 Mani, corpo, volto, capitolo 5 →- NPU
Neural processing unit. La parte del chip del telefono fatta apposta per le moltiplicazioni delle reti neurali. Consuma molto meno della CPU per lo stesso lavoro.
01.02 Cosa c'è dentro il tuo telefono, capitolo 4 →
- Overfitting
Quando un modello impara a memoria gli esempi di addestramento invece della regola generale. Va benissimo sui dati visti e male su quelli nuovi.
01.05 Il metodo in sette passi, capitolo 5 →
- Parametro
Uno dei numeri che il modello regola mentre impara, detto anche peso. MobileNet ne ha circa 3,5 milioni, un modello linguistico piccolo da uno a quattro miliardi.
01.03 Come impara un modello, capitolo 2 →- Parola chiave
Un modello minuscolo sempre in ascolto che cerca una sola parola, come Ehi Siri, e sveglia il resto del telefono solo quando la sente.
03.03 La parola che accende il telefono, capitolo 1 →- Potatura
Pruning in inglese. Si tolgono i pesi e i canali che contano poco per avere un modello più piccolo e più veloce.
06.03 Potare, distillare, scegliere l'architettura, capitolo 2 →- Precisione e richiamo
La precisione dice quante delle volte che il modello risponde sì ha ragione. Il richiamo dice quanti dei casi veri riesce a trovare. Di solito se ne alza uno e si abbassa l'altro.
06.01 Misurare davvero, capitolo 3 →- Previsione
Stimare i prossimi valori di una serie guardando quelli passati, per esempio quanta batteria resterà stasera. È una regressione in cui l'ingresso è il passato.
04.04 Prevedere un numero, capitolo 6 →- Punti chiave
Punti precisi di un corpo o di un oggetto, come le 21 articolazioni della mano. Un modello li trova e ne restituisce le coordinate.
01.04 La mappa dei modelli, capitolo 3 →- PWA
Progressive web app. Una pagina web che si aggiunge alla schermata home, si apre a tutto schermo e funziona anche senza rete, senza passare dagli store.
06.05 Un'app che funziona senza rete, capitolo 1 →
- Quantizzazione
Scrivere i pesi con numeri più semplici, per esempio interi a 8 bit al posto di decimali a 32. Il modello diventa circa quattro volte più piccolo e più veloce, e di solito perde poco.
01.05 Il metodo in sette passi, capitolo 6 →
- RAM
La memoria di lavoro del telefono, da 6 a 16 GB. Tiene i numeri del modello mentre gira. Quanto in fretta si leggono da lì spesso conta più della potenza del chip.
01.02 Cosa c'è dentro il tuo telefono, capitolo 5 →- Regressione
Un compito in cui la risposta è un numero invece di una classe. Quanti passi, quanti gradi, quanto è pieno.
01.04 La mappa dei modelli, capitolo 5 →- Rete neurale
Un modello fatto di strati di calcoli semplici collegati tra loro. Ogni strato trasforma i numeri che riceve e passa il risultato al successivo.
01.03 Come impara un modello, capitolo 3 →- Ricerca semantica
Cercare per significato invece che per parole uguali. Testi e domanda diventano embedding, e si mostrano i testi più vicini alla domanda.
05.02 Classificare e cercare testi sul telefono, capitolo 5 →- Rilevamento
Object detection in inglese. Il modello trova gli oggetti in un'immagine e disegna un riquadro con la classe intorno a ognuno.
01.04 La mappa dei modelli, capitolo 3 →
- Scala mel
Una scala delle frequenze che imita l'orecchio. Tiene tante righe per i suoni gravi, dove sentiamo bene le differenze, e poche per gli acuti.
03.01 Il suono diventa un'immagine, capitolo 6 →- Scheda del modello
Una pagina breve che accompagna un modello. Dice a cosa serve, con quali dati è stato addestrato, come è stato misurato, dove sbaglia e dove non va usato.
07.02 Il tuo progetto, capitolo 7 →- Scorciatoia
Quando un modello impara un dettaglio che accompagna la risposta al posto della risposta, per esempio la neve invece del lupo. Sui dati nuovi senza quel dettaglio sbaglia.
02.02 Un buon dataset di immagini, capitolo 1 →- Segmentazione
Il modello decide a quale classe appartiene ogni singolo pixel. Il risultato è una maschera che ritaglia gli oggetti lungo il contorno.
01.04 La mappa dei modelli, capitolo 4 →- Segmentazione per istanze
Una segmentazione che separa ogni singolo oggetto con la sua maschera, invece di colorare allo stesso modo tutti gli oggetti della stessa classe.
02.04 Ritagliare ai pixel, capitolo 4 →- Sensore
Un componente che misura qualcosa del mondo e lo trasforma in numeri. Il telefono ne ha più di dieci, dalla fotocamera all'accelerometro.
01.02 Cosa c'è dentro il tuo telefono, capitolo 6 →- Service worker
Un piccolo programma che il browser installa accanto a una pagina. Salva pagine, file e modelli e li restituisce anche senza rete.
06.05 Un'app che funziona senza rete, capitolo 2 →- Similarità del coseno
Quanto sono vicine due liste di numeri, misurato dall'angolo tra loro. Va da meno uno a uno. Serve a confrontare embedding di parole, frasi e foto.
05.01 Le parole diventano numeri, capitolo 5 →- Sintesi vocale
Trasformare un testo in voce. Il modello passa dai suoni della lingua a uno spettrogramma e poi all'onda da far suonare.
03.04 Dalla voce al testo, e ritorno, capitolo 6 →- SoC
System on a chip. Il chip principale del telefono, che contiene CPU, GPU, NPU e altre parti in un pezzo di silicio grande quanto un'unghia.
01.02 Cosa c'è dentro il tuo telefono, capitolo 1 →- Spettrogramma
Un'immagine del suono. In orizzontale c'è il tempo, in verticale le frequenze, e il colore dice quanta energia c'è in ogni punto.
03.01 Il suono diventa un'immagine, capitolo 5 →- Stima della profondità
Un modello che dà a ogni pixel una distanza invece di una classe. Da una foto sola stima cosa sta davanti e cosa dietro, ma non i metri esatti.
02.04 Ritagliare ai pixel, capitolo 6 →- Supervisione umana
Una persona controlla le risposte del modello e decide, soprattutto quando un errore può fare danni. Il modello consiglia, la persona sceglie.
06.06 L'AI responsabile, capitolo 5 →
- Tensore
Una tabella di numeri con una o più dimensioni. Una foto a colori da 224 per 224 pixel è un tensore di 224 righe, 224 colonne e 3 colori.
01.03 Come impara un modello, capitolo 1 →- TinyML
Modelli che girano su microcontrollori, chip con poche centinaia di kilobyte di memoria che consumano milliwatt. È l'estremo più piccolo dell'Edge AI.
01.01 Dove pensa l'intelligenza artificiale, Approfondisci →- Token
Il pezzo in cui un modello linguistico divide il testo. Può essere una parola intera, una sillaba o un segno. In italiano una parola vale in media più di un token.
05.01 Le parole diventano numeri, capitolo 2 →- TOPS
Trilioni di operazioni al secondo. Il numero con cui i produttori descrivono la potenza della NPU. Dice poco da solo, perché conta anche quanto veloce arriva la memoria.
01.02 Cosa c'è dentro il tuo telefono, capitolo 4 →- Transfer learning
Partire da un modello già addestrato su tantissimi dati e insegnargli solo l'ultima parte per il tuo problema. Servono molti meno esempi e molto meno tempo.
01.05 Il metodo in sette passi, capitolo 4 →- Trascrizione
Trasformare la voce in testo scritto, parola per parola. In inglese automatic speech recognition, ASR. Whisper è uno dei modelli più usati.
03.04 Dalla voce al testo, e ritorno, capitolo 1 →- Trasparenza
Dire a chi usa l'app che risponde un modello, cosa sa fare e dove sbaglia, con parole semplici e numeri veri.
06.06 L'AI responsabile, capitolo 6 →
- Validazione
Il gruppo di dati che il modello non usa per imparare ma che serve a controllare, durante l'addestramento, se sta generalizzando.
01.05 Il metodo in sette passi, Approfondisci →- Valutazione per gruppi
Misurare il modello separatamente per ogni gruppo di persone che lo userà, invece che solo in media. Mostra chi resta indietro e quali esempi mancano.
06.06 L'AI responsabile, capitolo 3 →- Vicini più prossimi
k-NN in inglese. Un modello che non impara pesi. Per un dato nuovo cerca gli esempi più simili che ha in memoria e ripete la loro risposta. Funziona bene con pochi esempi.
01.04 La mappa dei modelli, Approfondisci →
- WebGPU
Il modo moderno con cui una pagina web usa la scheda grafica del dispositivo. Permette di far girare reti neurali nel browser molto più veloci che sulla CPU.
06.04 Formati e motori, capitolo 6 →- WER
Word error rate. Parole cambiate, mancanti e in più divise per le parole del testo giusto. Misura quanto sbaglia una trascrizione.
03.04 Dalla voce al testo, e ritorno, capitolo 4 →