[et_pb_section fb_built=”1″ admin_label=”DATA CENTRIC” _builder_version=”4.20.0″ background_color=”#000219″ global_colors_info=”{}”][et_pb_row admin_label=”Data Centric 1″ _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text _builder_version=”4.16″ _module_preset=”default” header_2_font=”|||||on|||” header_3_font=”|||||on|||” header_2_font_size_tablet=”” header_2_font_size_phone=”27px” header_2_font_size_last_edited=”on|phone” header_3_font_size_tablet=”” header_3_font_size_phone=”22px” header_3_font_size_last_edited=”on|phone” global_colors_info=”{}”]<\/p>\n
Chi conosce le basi dell\u2019Artificial Intelligence <\/strong>(AI) sa quanto siano fondamentali i dati per l\u2019addestramento in Machine Learning<\/strong> o Deep Learning<\/strong>. Tuttavia, la maggior parte del lavoro ruota attorno ad approcci focalizzati sul modello. \u00c8 giunto il momento di rompere il paradigma e iniziare a concentrarci su approcci incentrati sui dati.\u00a0 In questo articolo mostreremo l\u2019altro lato della medaglia: l\u2019approccio Data-Centric AI<\/strong>.<\/p>\n Sia chiaro che il nuovo approccio focalizzato sui dati non sostituisce quello incentrato sul modello. Infatti, il successo di un\u2019Artificial Intelligence risiede nel bilanciare entrambi.<\/p>\n Quali sono le differenze tra l\u2019approccio Model-centric e il Data-centric?<\/p>\n <\/p>\n Tale approccio comporta lo sviluppo di una ricerca sperimentale con l\u2019obiettivo di migliorare il modello di Machine Learning<\/strong>. I dati rimangono invariati poich\u00e9 si lavora unicamente sul codice o sull\u2019architettura del modello. Trovare la giusta soluzione non \u00e8 facile, dato l\u2019ampio spazio di possibilit\u00e0 da ridurre per tentativi.<\/p>\n <\/p>\n Il Data-centric approach parte dal presupposto che per aumentare l\u2019accuratezza delle applicazioni di Machine Learning sia necessario partire dal data-set. Teniamo in considerazione che la quantit\u00e0 non \u00e8 tutto! Infatti, questo approccio lavora sul miglioramento sistematico dei dati.<\/p>\n <\/p>\n <\/p>\n Prima di tutto, per avere un data-set efficiente \u00e8 importante che i dati siano orientati verso un obiettivo. Facciamo un esempio banale di un\u2019Artificial Intelligence che deve riconoscere degli abeti. Non basteranno immagini dell\u2019albero, poich\u00e9 durante il periodo a ridosso delle feste natalizie, molti di questi avranno le lucine e gli addobbi. Se vogliamo riconoscere anche questi bisogner\u00e0 trovare il giusto equilibrio di dati perch\u00e9 il computer capisca che anche gli abeti con gli addobbi fanno parte della categoria, ma che non tutti gli alberi che hanno gli addobbi sono abeti. Se per assurdo volessimo riconoscere non solo gli abeti reali, ma anche quelli dipinti, servirebbero ancora altri dati di tipo diverso. Dipender\u00e0 quindi dall\u2019obiettivo che vogliamo raggiungere attraverso l\u2019Artificial Intelligence. Pi\u00f9 i dati saranno specifici sulle varie eccezioni che vogliamo individuare e pi\u00f9 il modello sar\u00e0 accurato.<\/p>\n <\/p>\n Secondo punto: i dati devono essere etichettati correttamente. L\u2019etichettatura \u00e8 il processo di assegnazione di una o pi\u00f9 etichette ai dati. Ad esempio in una foto dove \u00e8 presente un cane, inserir\u00f2 l\u2019etichetta \u201ccane\u201d nell\u2019area in cui \u00e8 l\u2019animale, in modo che la macchina apprenda come riconoscerlo. Se addestriamo un modello su un data-set con un significativo numero di immagini etichettato in modo errato, il risultato sar\u00e0 un\u2019Artificial Intelligence che non funzioner\u00e0 correttamente. Al contrario, se etichettiamo correttamente le immagini avremo un modello pi\u00f9 accurato e che necessiter\u00e0 di un minor numero di dati per imparare. Nel Data-centric approach quindi l\u2019attenzione \u00e8 spostata sulla qualit\u00e0 e non sulla quantit\u00e0 dei dati.<\/p>\n <\/p>\n Terza caratteristica: perch\u00e9 un modello funzioni, il data-set deve essere rappresentativo della realt\u00e0. Tuttavia, la realt\u00e0 \u00e8 relativa e dipende dal tempo. Ci\u00f2 significa che il data-set deve essere aggiornato perch\u00e9 rappresenti in modo continuo la realt\u00e0. Per esempio se addestriamo un modello per il riconoscimento delle automobili, \u00e8 possibile che dopo qualche anno non riesca a riconoscere gli ultimi modelli d\u2019auto se questi differiscono particolarmente da quelli esistenti nel momento della creazione del modello.<\/p>\n Capiamo bene che fare Machine Learning o Deep Learning \u00e8 qualcosa che va oltre l\u2019algoritmo. I dati<\/strong> non sono solo la base da cui partire, ma il fattore abilitante dell\u2019Artificial Intelligence<\/strong>.<\/p>\n <\/p>\n [\/et_pb_text][et_pb_text _builder_version=”4.16″ _module_preset=”default” custom_margin=”0px||||false|false” custom_padding=”42px||||false|false” global_colors_info=”{}”]<\/p>\n Pragma Etimos offre soluzioni di Computer Vision<\/strong> su misura alle esigenze del cliente. Questo perch\u00e9 crediamo fortemente che non sia il lavoro umano a doversi adattare alla tecnologia, ma che debba essere quest\u2019ultima ad essere ideata e ottimizzata per le necessit\u00e0 dell\u2019uomo.<\/p>\n <\/p>\n Ricerca targa<\/strong>: l\u2019inserimento di un numero di targa nel campo di ricerca abilita la funzione di elaborazione in background di analisi del video. Qualora si dovesse intercettare un veicolo con la targa in oggetto verr\u00e0 proposto nell\u2019interfaccia il frame dove \u00e8 stata intercettata e verr\u00e0 scritto un file immagine con le stesse informazioni per un accurato controllo successivo.<\/p>\n <\/p>\n Ricerca oggetti<\/strong>: \u00e8 possibile avviare una ricerca di oggetti (veicoli, monopattini, animali, ecc.). La selezione della ricerca oggetti abilita la funzione di elaborazione in background di analisi del video. Nel frattempo il software continuer\u00e0 la ricerca dell\u2019oggetto in altri frame.<\/p>\n <\/p>\n Ricerca persone<\/strong>: \u00e8 possibile identificare gruppi di persone e singoli soggetti in real-time. Qualora si dovesse intercettare la persona o il gruppo richiesto, verr\u00e0 proposto nell\u2019interfaccia il frame dove sono stati intercettati e verr\u00e0 scritto in un file immagine con le stesse informazioni per un accurato controllo successivo.<\/p>\n <\/p>\n Analisi dei volti<\/strong>: a partire da un volto restituisce informazioni sull\u2019et\u00e0, il genere e l\u2019emozione di una persona. Inoltre \u00e8 in grado di confrontare due visi e capire se si tratta o meno dello stesso soggetto.<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” custom_margin=”25px||||false|false” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_divider _builder_version=”4.16″ _module_preset=”default” width=”70%” module_alignment=”center” global_colors_info=”{}”][\/et_pb_divider][et_pb_cta button_url=”https:\/\/pragmaetimos.com\/it\/effigies-computer-vision\/” button_text=”Scopri di pi\u00f9” _builder_version=”4.17.1″ _module_preset=”default” background_color=”rgba(0,102,153,0)” custom_button=”on” button_text_color=”#0C71C3″ custom_padding=”0px||||false|false” global_colors_info=”{}”][\/et_pb_cta][et_pb_text _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=”1_2,1_2″ _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_column type=”1_2″ _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_blurb title=”I 5 STEP DI BASE PER COSTRUIRE MODELLI DI RETI NEURALI UTILI ALLA COMPUTER VISION” image=”https:\/\/pragmaetimos.com\/it\/wp-content\/uploads\/2022\/02\/network_700x350_blur.png” alt=”Computer Vision” _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n La Computer Vision (CV) \u00e8 oggi uno dei rami dell\u2019Artificial intelligence pi\u00f9 in via di sviluppo. Ne abbiamo parlato in vari articoli, ma oggi entreremo nel dettaglio di come costruire\u00a0 modelli di reti neurali per il riconoscimento di vari oggetti: veicoli, targhe,…<\/p>\n<\/div>\nModel-centric approach<\/strong><\/h2>\n
Data-centric approach<\/strong><\/h2>\n
\u00a0<\/strong>Le caratteristiche del Data-centric approach<\/strong><\/h3>\n
Dati orientati verso un obiettivo<\/strong><\/h4>\n
Etichettatura dei dati<\/strong><\/h4>\n
Data-set rappresentativo della realt\u00e0<\/strong><\/h4>\n
Soluzioni di Pragma Etimos<\/strong><\/h2>\n
POTREBBE INTERESSARTI ANCHE…<\/strong><\/h4>\n
\n