📚🚀🔥 La distruzione della conoscenza

 ♾️ TILLL > 🏠 Home > 📝 TateoBlog  > 📚🚀🔥 La distruzione della conoscenza 👈 Sei qui

#readings #SciFi #dystopian #Bradbury #Fahrenheit451 #lifelongLearning #blog #criticalThinking #socialNetworking #softSkills #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️ TILLL > 🏠 Home > 🎓 Learning > 📚Lettura (LT) > narrativa > 🚀 scifi (LT.4) > 🔥fahrenheit 451

“I libri saltavano, danzando come uccelli arrostiti, le ali accese di piume rosse e gialle.“

(Fahrenheit 451, Ray Bradbury, Parte terza: “Divampante fulgore”, p. 112)

Quando Montag incendia i libri nascosti nella propria casa, non distrugge soltanto carta e inchiostro. Spezza un incontro capace di attraversare il tempo: quello tra l’autore, che affida alla pagina un’esperienza o un’idea, e il lettore, che la interpreta e le attribuisce un nuovo significato. Ogni libro cancellato elimina quindi non una sola voce, ma tutte le relazioni future che quella voce avrebbe potuto generare. La perdita del patrimonio documentario impoverisce la memoria collettiva e limita la creazione e la condivisione di nuova conoscenza[1][6].

--- o ---

Nell’era digitale il pericolo non coincide soltanto con il fuoco. La disponibilità apparentemente illimitata di contenuti può creare l’illusione che tutto sia automaticamente conservato. In realtà, risorse digitali non documentate, non aggiornate o affidate a formati e piattaforme effimeri possono diventare inaccessibili[1].

Documentare significa trasformare un’esperienza individuale in una traccia comprensibile, verificabile e riutilizzabile; condividerla permette ad altri di metterla alla prova, collegarla ad altre idee e farla evolvere. È questo uno dei principi del mio progetto di lifelong learning: rendere visibile il percorso di apprendimento continuo attraverso il blog e i social network, affinché la conoscenza non rimanga isolata, ma diventi l’inizio di nuovi confronti. L’apprendimento permanente comprende infatti anche modalità informali, autodirette e sviluppate nelle comunità e negli ambienti online[2][7][8][9].

--- o ---

L’antidoto alla distruzione della conoscenza è dunque un processo: selezionare, contestualizzare, documentare, aggiornare e condividere. Tuttavia, nella sovrabbondanza informativa, conservare non basta. Occorrono attenzione per sottrarsi alla dispersione, comprensione del contesto per interpretare i contenuti e capacità critica per valutarne autenticità, validità e affidabilità che sono competenze trasversali che trasformano una massa di dati in conoscenza consapevole[3][10].

Oggi, quindi, la conoscenza non rischia di scomparire soltanto tra le fiamme, ma anche di perdersi nella sovrabbondanza di informazioni: ciò che è sempre disponibile non è necessariamente ciò a cui prestiamo attenzione, che comprendiamo nel suo contesto o che siamo capaci di valutare criticamente.

🔍 Approfondimenti consigliati:

• [1] 🌐 UNESCO, conservazione e accessibilità del patrimonio documentario e digitale. La raccomandazione sottolinea il ruolo dei documenti nella creazione della conoscenza e il rischio che il patrimonio digitale diventi inaccessibile a causa dei cambiamenti tecnologici. https://www.unesco.org/en/legal-affairs/recommendation-concerning-preservation-and-access-documentary-heritage-including-digital-form; http://www.unesco.it/wp-content/uploads/pdf/UploadCKEditor/carta_UNESCO_it.pdf
• [2] 🌐 UNESCO, apprendimento permanente; La pagina definisce il lifelong learning come un processo esteso all’intera vita e comprendente apprendimento formale, non formale e informale, svolto anche nelle comunità, nei luoghi di lavoro e negli ambienti digitali. https://www.unesco.org/en/lifelong-learning/need-know
• [3] 🌐 Associazione Italiana Biblioteche, competenza informativa; La competenza informativa comprende la capacità di individuare, valutare criticamente e utilizzare efficacemente le informazioni, distinguendo anche autenticità, validità e affidabilità delle fonti.; https://www.aib.it/aib/commiss/cnur/tracrl.html.
• [4] 📖 Francesco Piro, Manuale di educazione al pensiero critico. Comprendere e argomentare, Editoriale Scientifica, 2015; Sezioni consigliate: Capitolo 1: “Dal testo all’enunciato. Come e perché fare a pezzi i discorsi”, Capitolo 2: “Primo avvicinamento al ragionamento e all’argomentazione”.
• [5] ♾️ Fahrenheit 451, Rey Bradbury; 👉 https://tateoblog.blogspot.com/2017/11/lt4-la-sezione-fantascienza-della-mia.html (📚LT.4-§8).
• [6] ♾️ Le mie letture preferite; 👉https://tateoblog.blogspot.com/p/my-books-list.html, (📚LT).
• [7] ♾️ La sezione “Learning” del progetto di Apprendimento Continuo Interdisciplinare; 👉https://tateoblog.blogspot.com/p/tateo-blog-learning-fig.html (♾️TB.1)
• [8] ♾️ TateoBlog; 👉https://tateoblog.blogspot.com
• [9] ♾️ Social Networking; 👉https://tateoblog.blogspot.com/p/sm3-il-paradigma-dinamico-del-web-20.html (💬SM.3-§4)
• [10] ♾️ TILLL; Le competenze trasversali (Soft Skills); 👉https://tateoblog.blogspot.com/p/tateo-blog-competenze-qualita-personali.html ; (🏆WS.2).

_______________________________________________________ 

Questo contenuto è un estratto della Knowledge Base del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza. Tratto dall'articolo LT.4-§8 ♻️v3 02/10/2026

© 2026 Giovanni Battista Tateo | TILLL

🧠🕸️👁️ MobileNet: efficienza per Edge AI e dispositivi a risorse limitate

 ♾️ TILLL  >  🏠Home  >  📝TateoBlog  >  📚🚀🔥👁️ MobileNet: efficienza per Edge AI 👈 Sei qui

#computerVision #edgeAI #mobileDevices #embedded #edgeComputing #CNN #MobileNet #Google #DepthwiseSeparableConvolution #IoT #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️ TILLL  >  🏠 Home  >  🎓 Learning  >  🧠 Intelligenza Artificiale (AI)  >  Deep Learning  >  🕸️CNN  >  👁️ Visione Artificiale (VS)  >  architetture  >  classificazione  >  MobileNet

Molte applicazioni di Computer Vision richiedono che l'elaborazione delle immagini avvenga direttamente sul dispositivo che acquisisce i dati, senza dipendere da server remoti o infrastrutture cloud. [6][7]

Questo approccio, noto come Edge AI, consente di ridurre la latenza, limitare il traffico dati, aumentare l'affidabilità operativa e garantire il funzionamento anche in assenza di connettività. Tuttavia, smartphone, dispositivi embedded, sistemi industriali e piattaforme edge dispongono generalmente di capacità di calcolo, memoria e consumo energetico molto inferiori rispetto ai server utilizzati per l'addestramento dei modelli. Per questo motivo è necessario utilizzare architetture di reti neurali convoluzionali (Convolutional Neural Networks o brevemente CNN) progettate specificamente per offrire un buon compromesso tra accuratezza, velocità di esecuzione e requisiti hardware.[1][2][8][9][10][6]

Per raggiungere questo obiettivo, Google ha sviluppato MobileNet introducendo il concetto di Depthwise Separable Convolution, una tecnica che suddivide la convoluzione tradizionale in due operazioni più semplici e meno costose dal punto di vista computazionale. Questa soluzione consente di ridurre drasticamente il numero di parametri, le operazioni matematiche richieste e il consumo energetico, mantenendo al tempo stesso prestazioni competitive in numerosi problemi di classificazione delle immagini. [1][6]

A differenza di VGG, che privilegia semplicità architetturale ma richiede elevate risorse hardware, di DenseNet, che massimizza il riutilizzo delle informazioni tra i layer, di GoogLeNet/Inception, che ricerca efficienza attraverso percorsi convoluzionali multipli, di EfficientNet, che ottimizza simultaneamente profondità, larghezza e risoluzione, e di U-Net, progettata principalmente per la segmentazione semantica delle immagini, MobileNet nasce con l'obiettivo prioritario di essere eseguita direttamente su piattaforme Edge AI con vincoli severi di memoria, potenza di calcolo e consumo energetico.[1][2][6][8]

MobileNet è una famiglia di Convolutional Neural Networks (CNN) sviluppata da Google per applicazioni di visione artificiale eseguite su smartphone, sistemi embedded, dispositivi IoT e piattaforme Edge AI. [6][8][10][11]

Se dovessimo descrivere questa famiglia di reti neurali con una metafora, potremmo immaginarla come un ispettore agile e leggero, capace di svolgere il proprio lavoro con efficacia anche disponendo di strumenti limitati. Pur non raggiungendo necessariamente le massime prestazioni ottenibili da architetture più complesse e computazionalmente onerose, MobileNet rappresenta una delle soluzioni di riferimento quando il requisito principale è ottenere inferenze rapide ed efficienti direttamente a bordo macchina.[1][2][6].

🔍 Approfondimenti consigliati: 

Di seguito sono riportati alcuni riferimenti bibliografici (📖), a risorse disponibili sul Web (🌐), ed a contenuti della piattaforma TILLL (♾️), che ti consiglio di utilizzare per approfondire gli argomenti trattati.

• [1] 🌐 MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications ; 👉 https://arxiv.org/abs/1704.04861; Andrew Howard et al. (Google).
• [2] 🌐 tf.keras.applications.MobileNet; 👉 https://www.tensorflow.org/api_docs/python/tf/keras/applications/MobileNet; Documentazione TensorFlow.
• [3] 🌐 Google AI Blog – MobileNets; 👉 https://ai.googleblog.com 
• [4]; 🌐 👉 https://www.tensorflow.org/lite.
• [5] 🌐 NVIDIA Edge AI Fundamentals; 👉 https://www.nvidia.com/en-us/glossary/edge-ai/.
• [6] ♾️ Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (🧠AI)
• [7] ♾️ Cloud Computing; 👉https://tateoblog.blogspot.com/p/cloud-computing.html (💻IT.3)
• [8] ♾️ L’Informatica e le Tecnologia dell'Informazione; 👉 https://tateoblog.blogspot.com/p/informatica.html (💻 IT); §15. Edge Computing.
• [9] ♾️ Il calcolo automatico portatile; 👉 https://tateoblog.blogspot.com/2013/09/mobile-device-2.html (📱MD.1).
• [10] ♾️ La tecnologia Embedded applicata alla Visione Artificiale; 👉 https://tateoblog.blogspot.com/2017/10/vs53-la-visione-embedded.html (👁️VS.7).
• [11] ♾️ Internet delle cose (Internet of Things); 👉 https://tateoblog.blogspot.com/p/iot-au6.html (🔧AU.6).

_______________________________________________________

Questo contenuto è un estratto della Knowledge Base del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

Tratto dall'articolo AI  ♻️v12  01/10/2026
© 2026 Giovanni Battista Tateo | TILLL

📚🧬💡Quando la soluzione arriva da altrove

♾️ TILLL  >  🏠 Home   >   📝 TateoBlog   >   📚🧬💡 Quando la soluzione arriva da altrove 👈 Sei qui

#readings #science #technology #problemSolving #Innovation #Creativity #TRIZ #LifelongLearning #Interdisciplinarity #Contamination #Informatica #ComputerScience #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️ TILLL > 🏠 Home >  🎓 Learning   >   📚 Lettura (LT)   >   Saggi   >   🧬 Scienza   >   🧩 Problem Solving   >   💡 Innovation   >  TRIZ  

« Il livello di innovazione aumenta quando l'inventore si sposta al di fuori dei suoi normali campi di indagine. »

(Systematic Innovation: An Introduction to TRIZ, John Terninko, Alla Zusman e Boris Zlotin, Capitolo 1, p. 12) [1]

Una delle intuizioni più fertili di TRIZ riguarda il rapporto tra innovazione e distanza dal proprio campo di competenza. [5][2][6]

Quando affrontiamo un problema utilizzando esclusivamente gli strumenti che conosciamo, tendiamo naturalmente a cercare soluzioni all'interno dello stesso insieme di concetti. È un comportamento efficiente, ma può diventare limitante. La soluzione realmente innovativa potrebbe trovarsi in un'altra disciplina, in un'altra tecnologia o addirittura in un fenomeno apparentemente estraneo al problema. [7]

È qui che l'interdisciplinarità smette di essere semplicemente una forma di arricchimento culturale e diventa una vera strategia per generare innovazione. [3][9]

La storia della tecnologia offre continuamente esempi di idee nate dall'incontro tra domini differenti: la biologia può suggerire soluzioni all'ingegneria, l'informatica può trasformare discipline tradizionali, la matematica può fornire nuovi modelli alla fisica, mentre l'osservazione dei sistemi naturali può diventare fonte di principi progettuali. [8]

In questa prospettiva, imparare per tutta la vita (Lifelong Learning) significa anche costruire ponti tra conoscenze apparentemente lontane. [9]

È forse uno dei motivi per cui un laboratorio interdisciplinare può avere un ruolo particolare: non limitarsi ad accumulare conoscenze, ma creare le condizioni perché possano contaminarsi reciprocamente. [9]

La domanda da portarsi dietro è semplice: quando affrontiamo un problema, quanto spesso cerchiamo la soluzione proprio nel luogo in cui siamo abituati a cercarla? E cosa potrebbe accadere se, deliberatamente, uscissimo da quel perimetro? [7]

🔍 Approfondimenti consigliati:
Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (♾️), utili per approfondire gli argomenti trattati. 

• [1] ♾️ Systematic Innovation - An Introduction to TRIZ; 👉 https://tateoblog.blogspot.com/p/p_3.html  (📚LT.5), Paragrafo §4.3.
• [2] ♾️ Manuale d'uso per la creatività e l'innovazione; 👉 http://tateoblog.blogspot.com/2017/04/in-04-innovazione-manuale-duso.html  (🧩PS.5).
• [3] ♾️ La risoluzione creativa dei problemi alla ricerca di soluzioni innovative;👉 https://tateoblog.blogspot.com/2017/05/ps-06-problem-solving.html (🧩PS.4).
• [4] ♾️ Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza;👉 https://tateoblog.blogspot.com/p/artificial-intelligence.html (🧠AI)
• [5] ♾️ TRIZ, la teoria di risoluzione dei problemi inventivi; 👉 https://tateoblog.blogspot.com/p/triz-ps53.html (🧩PS.5.3). 
• [6] ♾️ Le competenze professionali e trasversali (soft); 👉https://tateoblog.blogspot.com/p/ws-00-work-skills.html; (🏆WS)
• [7] ♾️ Risolvere i problemi in modo innovativo e creativo; 👉 https://tateoblog.blogspot.com/p/pm.html  (🧩PS).
• [8] ♾️ L’Informatica e le Tecnologia dell'Informazione; 👉 https://tateoblog.blogspot.com/p/informatica.html (💻 IT).
• [9] ♾️ Il progetto di Apprendimento Continuo Interdisciplinare; 👉 https://tateoblog.blogspot.com/p/tb0-interdisciplinary-lifelong-learning.html (♾️ TB.1)

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v. 3 -- 29/9/2026 · tratto dall' Articolo LT.5, Paragrafo §4.3.

© 2026 Giovanni Battista Tateo | TILLL

🧠 Valutazione dei criteri minimi di prestazione

♾️ TILLL > 🏠 Home > ✍️ TateoBlog >  🧠 Valutazione dei criteri minimi di prestazione 👈 Sei qui

#AI #ArtificialIntelligence #deepLearning #CNN #computerVision #classificatore #valutazione #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home > 🎓Learning > 🧠AI > Deep Learning > 🕸️CNN > 👁️visione artificiale > classificatore > valutazione 

Al termine delle attività di addestramento e verifica è necessario stabilire se il classificatore possiede prestazioni sufficienti per essere utilizzato in esercizio. Lo scopo di questa fase è verificare che il modello soddisfi i requisiti prestazionali definiti per la specifica funzionalità di ispezione e che il livello di errore residuo sia compatibile con il rischio operativo accettabile.[1][2][5]

Le prestazioni ottenute sul Test Set vengono confrontate con un insieme di criteri di accettazione definiti all'inizio del progetto. Tali criteri possono comprendere, a seconda dell'applicazione:

valore minimo di Recall o Detection Rate (DR), al fine di garantire il rilevamento della maggior parte dei difetti; [1][2][5]

• valore minimo di Precision, per limitare il numero di falsi allarmi; [1][2][5]
• valore minimo di F1-Score, per garantire un adeguato compromesso tra Precision e Recall; [1][2][5]
• valore massimo di False Positive Rate (FPR) o False Positives Per Unit (FPPU); [1][2]
• assenza di differenze significative tra le prestazioni misurate sul Validation Set e quelle ottenute sul Test Set, quale indicatore della capacità di generalizzazione del modello e dell'assenza di fenomeni rilevanti di overfitting. [1][3]

A titolo esemplificativo, un classificatore potrebbe essere considerato accettabile soltanto se soddisfa contemporaneamente condizioni quali:

• Recall ≥ 95%; [2]
• Precision ≥ 90%; [2]
• F1-Score ≥ 92%; [2]
• FPR ≤ 2%; [2]
• differenza tra Recall ottenuta sul Validation Set e Recall ottenuta sul Test Set inferiore al 3%. [3]

I valori effettivi dipendono naturalmente dai requisiti della specifica funzionalità di ispezione e dal livello di rischio associato agli errori di classificazione.

Il risultato di questa fase consiste nella decisione di accettare oppure rigettare temporaneamente il classificatore.

Se tutti i criteri di accettazione risultano soddisfatti, il processo iterativo può considerarsi concluso e il modello viene approvato per la successiva validazione sul campo o per l'integrazione nella pipeline applicativa.[1][5]

Se invece anche uno soltanto dei requisiti non risulta soddisfatto, il ciclo di sviluppo non deve limitarsi all'acquisizione indiscriminata di nuove immagini. È necessario individuare la causa delle prestazioni insufficienti e definire le azioni correttive più efficaci.[1][4]

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), e risorse disponibili sul Web (🌐), utili per approfondire gli argomenti trattati.

• [0] ♾️ TILLL; Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (AI); §8.5.4. (4) Valutazione dei criteri minimi di prestazione.
• [1] 📖 Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. Capitoli consigliati: Chapter 2: End-to-End Machine Learning Project; Chapter 3: Classification; Chapter 11: Training Deep Neural Networks. Lingua: Inglese.
• [2] 🌐 Metriche di classificazione (Accuracy, Precision, Recall, F1-Score); 👉https://www.geeksforgeeks.org/machine-learning/metrics-for-machine-learning-model/ .
• [3] 🌐 Early stopping, generalizzazione e criteri di arresto dell'addestramento; 👉https://www.geeksforgeeks.org/machine-learning/regularization-by-early-stopping/ .
• [4] 🌐 Qualità dei dati e impatto sulle prestazioni dei modelli ML; 👉https://arxiv.org/pdf/2406.19614 .
• [5] 📖 Sebastiano Vigna, Machine Learning. Fondamenti teorici e applicazioni pratiche con Python. Capitoli consigliati: Valutazione delle prestazioni dei classificatori; Matrice di confusione, Precision, Recall e F1-Score; Selezione e validazione dei modelli. Lingua : Italiano.

v3 -- 28/09/2026 18:13

👁️💾 La rappresentazione delle immagini digitali

♾️TILLL > 🏠Home > ✍️TateoBlog > 👁️💾 La rappresentazione delle immagini digitali 👈 Sei qui

#ArtificialVision #ComputerVision #digitalImaging #campionamento #quantizzazione #risoluzioneSpaziale #profondità #colore #codifica #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home / 🎓Learning / 👁️Visione Artificiale  / 💾Image Storage / Rappresentazione 👈 sei qui

🎯 Perché un'immagine deve essere rappresentata

Un'immagine, per l'occhio umano, è una scena continua fatta di forme, colori, luminosità e dettagli. 

Per un calcolatore, invece, deve diventare informazione numerica. Il problema fondamentale è quindi trasformare ciò che percepiamo come immagine in una rappresentazione che un sistema digitale possa memorizzare, elaborare e successivamente ricostruire.

Questa trasformazione diventa particolarmente importante quando aumentano le dimensioni e il livello di dettaglio delle immagini. Una fotografia ad alta risoluzione, un'immagine satellitare multispettrale o un'acquisizione destinata a un sistema di visione artificiale possono contenere milioni o miliardi di valori numerici. 

La disponibilità di memorie sempre più capienti non elimina il problema: all'aumentare della capacità tecnologica aumenta anche la quantità di informazione che desideriamo acquisire e conservare.

🛠️ Dal mondo continuo alla matrice di dati

La soluzione consiste nel campionare e quantizzare l'immagine. Una rappresentazione raster può essere descritta come una matrice di elementi discreti, i pixel (picture elements), ciascuno associato a una posizione e a uno o più valori numerici:

• Il campionamento determina la disposizione spaziale dei pixel; 
• la quantizzazione stabilisce invece quali valori numerici possono assumere luminosità o componenti cromatiche.

La qualità e la quantità dell'informazione dipendono quindi da caratteristiche come dimensioni dell'immagine, risoluzione spaziale, profondità di bit e rappresentazione del colore.

📦 La struttura dell'immagine digitale

Possiamo quindi descrivere un'immagine digitale attraverso quattro elementi fondamentali:

• pixel — gli elementi discreti che costituiscono l'immagine;
• risoluzione — la quantità di dettaglio rappresentabile nello spazio;
• colore — i valori utilizzati per rappresentare luminosità e componenti cromatiche;
• formato — la struttura con cui i dati dell'immagine vengono organizzati e codificati in un file.

Il formato non coincide con l'immagine stessa: è il modo con cui la sua informazione viene codificata, organizzata e resa interpretabile dal software. 

JPEG, PNG, TIFF e JPEG 2000, per esempio, sono formati differenti, progettati secondo caratteristiche e finalità diverse e con differenti modalità di compressione e rappresentazione dei dati.

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (♾️), utili per approfondire gli argomenti trattati.

• [1] ♾️ Memorizzazione delle immagini digitali per la loro elaborazione e archiviazione; 👉 https://tateoblog.blogspot.com/p/archiving-vs3.html   (♾️TILLL > VS.4)
• [2] 🌐 Treccani — Immagine / elaborazione digitale delle immagini; 👉 https://www.treccani.it/enciclopedia/immagine/.
• [3] 🌐 Pearson — Digital Image Processing, 4ª edizione; Pagina ufficiale del testo di Gonzalez e Woods, con il sommario completo. Il capitolo 2, Digital Image Fundamentals, tratta specificamente acquisizione, campionamento, quantizzazione e pixel; il capitolo 6 tratta il colore e il capitolo 8 la compressione;  👉 https://www.pearson.com/en-us/subject-catalog/p/Gonzalez-Digital-Image-Processing-4th-Edition/P200000003224/9780133356724.
• [4] 🌐Library of Congress — Recommended Formats Statement, Formati, risoluzione, profondità di bit, profili colore, TIFF, JPEG 2000, PNG e JPEG; 👉 https://www.loc.gov/preservation/resources/rfs/stillimg.html.
• [5] 🌐 JPEG Committee — JPEG; Origine, struttura e caratteristiche dello standard JPEG; 👉 https://jpeg.org/jpeg/.
• [6] 🌐 JPEG Committee — JPEG 2000; Particolarmente interessante per spiegare la differenza tra compressione lossy/lossless e le capacità di JPEG 2000; 👉 https://jpeg.org/jpeg2000/.
• [7] 📖 Rafael C. Gonzalez, Richard E. Woods — Digital Image Processing, 4th Edition, Pearson. > Chapter 2 — Digital Image Fundamentals;  Chapter 6 — Color Image Processing; Chapter 8 — Image Compression; https://www.pearson.com/en-us/subject-catalog/p/Gonzalez-Digital-Image-Processing-4th-Edition/P200000003224/9780133356724; Lingua 🇬🇧
• [8] 📖 Rafael C. Gonzalez, Richard E. Woods — Elaborazione delle immagini digitali, 3ª edizione italiana, Pearson Paravia Bruno Mondadori, 2008, a cura di Sebastiano Battiato e Filippo Stanco. > Capitolo 2 — Fondamenti delle immagini digitali; capitolo sul colore; capitolo sulla compressione delle immagini; Lingua 🇮🇹

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v.2 -- 27/09/2026 · tratto dall' Articolo VS.4 - Paragrafo §1

© 2026 Giovanni Battista Tateo | TILLL

📚🧬⚙️Quando la materia prima del lavoro diventa l’informazione

♾️TILLL > 🏠Home > ✍️TateoBlog  > 📚🧬⚙️Quando la materia prima del lavoro diventa l’informazione 👈 Sei qui

#readings #science #technology #Informatica #computerScience #Lavoro #Automazione #AI #DigitalTransformation #LifelongLearning  #AI #competenze #businessIntelligence #data-driven #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home > 🎓Learning > 📚Lettura (LT) > Saggi > 🧬Scienza > ⚙️Tecnologia > 💻Informatica > EI > 7 > 2. L'informatica nel lavoro di ufficio

Riflettiamo sulla trasformazione economica e sociale che ha accompagnato, ed accompagna tuttora, la crescita dell’informatica: lo spostamento progressivo di una parte della forza lavoro dalla produzione materiale al trattamento delle informazioni. [2]

“In realtà nelle economie occidentali (e in quella giapponese) si sta assistendo da tempo a un progressivo spostamento della forza lavoro da attività di produzione di beni (lavoro operaio o di "colletti blu", secondo la dizione americana) ad attività di trattamento di informazioni (lavoro impiegatizio o di "colletti bianchi").”

(Enciclopedia di Elettronica & Informatica (EI) - 7. Informatica e Società (IS), Gruppo Editoriale Jackson, cap. 2 “L’informatica nel lavoro di ufficio”, p. 11)

Il computer non è quindi soltanto uno strumento per fare più velocemente ciò che già facevamo. È anche il simbolo di una trasformazione nella natura stessa del lavoro: dati, documenti, comunicazioni e conoscenza diventano risorse produttive.

La prospettiva è particolarmente interessante se collegata all’evoluzione contemporanea verso data-driven organization, automazione e intelligenza artificiale. Oggi il confine tra lavoro manuale e lavoro cognitivo è nuovamente sottoposto a trasformazione: alcune attività intellettuali possono essere automatizzate, mentre nuove competenze diventano necessarie per interpretare e governare sistemi informativi sempre più complessi. [3][4][6]

La domanda, allora, non riguarda soltanto quanti posti di lavoro l’informatica possa trasformare, ma quali nuove forme di lavoro e di competenza emergano dalla trasformazione. [2][5]

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (♾️), utili per approfondire gli argomenti trattati.

• [1] ♾️ TILLL; Le mie letture dedicate alla tecnologia; 👉 https://tateoblog.blogspot.com/p/tecnologia-lt53.html (LT.5.3); §1.19. Enciclopedia di Elettronica & Informatica (EI) - 7. Informatica e Società (IS), Gruppo Editoriale Jackson. 
• [2] ♾️ TILLL; L’Informatica e le Tecnologia dell'Informazione; 👉 https://tateoblog.blogspot.com/p/informatica.html (IT).
• [3] ♾️ TILLL; Le più moderne espressioni della tecnologia  dell’Automazione Industriale; 👉 https://tateoblog.blogspot.com/p/blog-page_26.html; (AU).
• [4] ♾️ TILLL; Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (AI).
• [5] ♾️ TILLL; Le competenze professionali e trasversali (soft); 👉https://tateoblog.blogspot.com/p/ws-00-work-skills.html; (WS)
• [6] ♾️ TILLL; Business Intelligence, per non perdere competitività nel mercato attual; 👉 https://tateoblog.blogspot.com/p/au1-big-data-e-automazione-industriale.html; (AU.2/IT.1).

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v.2 26/09/2026 · tratto dall' Articolo LT.5.3 - Paragrafo §1.19

© 2026 Giovanni Battista Tateo | TILLL

🧠🕸️👁️ EfficientNet: massime prestazioni con risorse contenute

♾️TILLL > 🏠Home > 📝TateoBlog  > 📚🚀🔥👁️ EfficientNet: massime prestazioni con risorse contenute 👈 Sei qui

#computerVision #neuralNetworks #ANN #VGG #ResNet #DenseNet #ResNet #MobileNet #EfficientNet #GoogLeNet #CNN #compoundScaling #GoogleResearch #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home > 🎓Learning > 🧠Intelligenza Artificiale (AI) > Deep Learning > 🕸️CNN > 👁️Visione Artificiale (VS) > architetture > classificazione > EfficientNet

Con l'aumento della complessità delle applicazioni di visione artificiale, è diventato necessario sviluppare reti neurali in grado di raggiungere elevati livelli di accuratezza senza richiedere quantità sempre maggiori di memoria, potenza di calcolo ed energia. Le architetture precedenti seguivano spesso strategie di crescita parziali: VGG aumentava principalmente la profondità, ResNet introduceva connessioni residue per addestrare reti più profonde, DenseNet favoriva il riutilizzo delle informazioni tra i layer, mentre MobileNet privilegiava l'efficienza su dispositivi a risorse limitate. EfficientNet nasce con l'obiettivo di superare questi compromessi, offrendo un migliore equilibrio tra accuratezza ed efficienza computazionale. In altre parole, mira a ottenere prestazioni elevate consumando meno risorse rispetto a molte Convolutional Neural Network (CNN) concorrenti. Se dovessimo descriverla con una metafora, potremmo paragonarla a un ispettore senior che sa esattamente dove concentrare la propria attenzione, evitando controlli inutili ma individuando comunque la maggior parte delle anomalie rilevanti.

L'innovazione principale di EfficientNet è il cosiddetto Compound Scaling, un metodo che scala simultaneamente e in modo coordinato tre dimensioni della rete: profondità (numero di layer), larghezza (numero di canali per layer) e risoluzione delle immagini di ingresso. Invece di aumentare uno solo di questi fattori, come avveniva frequentemente nelle generazioni precedenti di CNN, EfficientNet utilizza coefficienti ottimizzati tramite ricerca automatica per trovare il miglior compromesso tra costo computazionale e accuratezza. Questa strategia consente di sfruttare in modo più efficace ogni parametro disponibile, riducendo sprechi di risorse e migliorando la capacità del modello di generalizzare su dati mai visti durante l'addestramento.

EfficientNet è una famiglia di reti neurali convoluzionali sviluppata da Google Research e articolata in diverse varianti, dalla EfficientNet-B0 fino ai modelli più grandi della serie. Rispetto a VGG, ResNet, DenseNet e GoogLeNet, raggiunge spesso livelli di accuratezza comparabili o superiori utilizzando un numero significativamente inferiore di parametri e operazioni matematiche. Questa caratteristica la rende particolarmente adatta a sistemi embedded, dispositivi edge, applicazioni mobili, ispezione automatica industriale, diagnostica ferroviaria, videosorveglianza intelligente e, più in generale, a tutti gli scenari in cui è necessario elaborare grandi quantità di immagini mantenendo contenuti i consumi computazionali. 

Quando il vincolo principale è ottenere il miglior rapporto tra accuratezza, velocità ed efficienza hardware, EfficientNet rappresenta spesso una delle scelte più vantaggiose disponibili.

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (♾️), utili per approfondire gli argomenti trattati.

• [1] 🌐EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks; 👉  https://arxiv.org/abs/1905.11946 ; Autori: Mingxing Tan, Quoc Le (Google Research); Paper originale.
• [2] 🌐EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks; 👉 https://research.google/pubs/efficientnet-rethinking-model-scaling-for-convolutional-neural-networks/ ; Google AI Blog, EfficientNet and EfficientNetV2
• [3] 🌐Documentazione TensorFlow EfficientNet; 👉https://www.tensorflow.org/api_docs/python/tf/keras/applications/EfficientNetB0 
• [4] 🌐 Cos'è EfficientNet? Una rapida panoramica; 👉 https://www.ultralytics.com/it/blog/what-is-efficientnet-a-quick-overview  ; EfficientNet: architettura e prestazioni rispetto a ResNet. È probabilmente il miglior articolo divulgativo in italiano disponibile oggi. Spiega: il problema dello scaling tradizionale; il Compound Scaling; le differenze rispetto a ResNet e DenseNet; le varianti B0-B7; i principali casi d'uso. 
• [5] 🌐EfficientNet-b0; 👉 https://it.mathworks.com/help/deeplearning/ref/efficientnetb0.html ; Documentazione tecnica. Descrive la rete EfficientNet-B0; riporta il collegamento alla pubblicazione originale; documenta l'utilizzo pratico del modello preaddestrato ImageNet.
• [6] ♾️ TILLL; La riproduzione della visione umana per mezzo di un sistema artificiale; 👉 https://tateoblog.blogspot.com/p/vs-visione-artificiale.html (👁️VS)
• [7] ♾️ TILLL; La tecnologia Embedded applicata alla Visione Artificiale; 👉 https://tateoblog.blogspot.com/2017/10/vs53-la-visione-embedded.html (👁️VS.7)
• [8] ♾️ TILLL; L’Informatica e le Tecnologia dell'Informazione - Edge Computing; 👉 https://tateoblog.blogspot.com/p/informatica.html (💻IT-§13)
• [9] ♾️ TILLL; La Mobilità e le nuove tecnologie mobili; 👉https://tateoblog.blogspot.com/p/md-dispositivi-mobili.html (MD)
• [10] ♾️ TILLL; L'infrastruttura ferroviaria, storia, caratteristiche principali e diagnostica; 👉https://tateoblog.blogspot.com/p/railway-rw.html (🚂 RW)
• [11] ♾️ TILLL; Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (🧠AI)

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v. 4 · del 25 settembre 2026 · tratto dall' Articolo AI.

© 2026 Giovanni Battista Tateo | TILLL