Quando si parla di Intelligenza Artificiale, spesso si immagina che sia sufficiente fornire molte immagini a una rete neurale per ottenere automaticamente un classificatore accurato. La realtà è molto diversa.
Lo sviluppo di un sistema automatico di classificazione delle immagini è un processo ingegneristico iterativo, fatto di preparazione dei dati, addestramento, verifiche progressive, analisi degli errori e miglioramento continuo. In altre parole, il successo di un modello non dipende solamente dall'algoritmo utilizzato, ma dall'intero ciclo di sviluppo che lo accompagna.
L'infografica riassume le principali fasi di questo processo.
1. Tutto parte dal dataset
La qualità di un classificatore dipende innanzitutto dalla qualità dei dati utilizzati per costruirlo.
La prima fase consiste nella raccolta, preparazione e organizzazione delle immagini che costituiranno il dataset. I campioni vengono elaborati, verificati, classificati ed eventualmente rinominati secondo regole coerenti. Successivamente vengono suddivisi in tre insiemi distinti:
- Training Set, utilizzato per addestrare il modello;
- Validation Set, utilizzato per monitorare e ottimizzare l'addestramento;
- Test Set, utilizzato esclusivamente per la valutazione finale.
Questa separazione è fondamentale: utilizzare gli stessi dati per addestrare e valutare il modello produrrebbe risultati ingannevolmente ottimistici.
2. Addestramento e validazione del classificatore
Una volta preparato il dataset, il modello viene addestrato utilizzando il Training Set.
Durante l'addestramento il Validation Set svolge un ruolo essenziale: permette di monitorare il comportamento della rete neurale e di individuare eventuali problemi come:
- overfitting, quando il modello impara troppo bene i dati di addestramento ma fatica a generalizzare;
- underfitting, quando il modello non riesce a catturare adeguatamente le caratteristiche del problema.
Per comprendere cosa sta accadendo vengono analizzati diversi indicatori:
- matrici di errore e metriche di classificazione.
Al termine di questa fase si ottiene il modello migliore tra quelli testati, ovvero il classificatore addestrato e validato.
3. Due livelli di verifica
Molte persone confondono validazione e test finale, ma si tratta di attività differenti.
Il modello selezionato viene infatti sottoposto a due verifiche successive.
Primo livello: valutazione offline sul Test Set
Il Test Set contiene immagini che il classificatore non ha mai visto durante addestramento e validazione.
Questa verifica rappresenta il primo vero test di generalizzazione del modello e consente di capire come il classificatore si comporterà su dati completamente nuovi.
È importante sottolineare che il Test Set non partecipa in alcun modo alla scelta del modello. Viene utilizzato solo dopo che tutte le decisioni di addestramento sono già state prese.
Secondo livello: test end-to-end nel processo reale
Un modello può ottenere ottimi risultati in laboratorio e mostrare prestazioni differenti una volta inserito nel processo operativo completo.
Per questo motivo il classificatore viene integrato nella pipeline applicativa finale e testato utilizzando dati grezzi rappresentativi del contesto reale.
In questa fase non si valuta soltanto la rete neurale, ma l'intera catena di elaborazione.
Le metriche diventano quindi più vicine agli obiettivi applicativi del sistema e consentono di misurare il reale valore prodotto dalla soluzione.
4. Le prestazioni sono sufficienti?
Al termine delle verifiche i risultati vengono confrontati con criteri minimi prestabiliti.
Se le prestazioni soddisfano i requisiti, il processo può considerarsi concluso.
Se invece i risultati non sono sufficienti, non è corretto limitarsi ad aggiungere nuove immagini al dataset. Occorre prima comprendere il motivo del problema.
Ed è qui che entra in gioco la fase successiva.
5. Analizzare gli errori per migliorare il sistema
La parte più interessante del processo è probabilmente l'analisi degli errori.
Prestazioni insufficienti possono dipendere da molte cause diverse:
- dataset poco rappresentativo;
- assenza di particolari condizioni operative;
- scelta dell'architettura neurale;
- iperparametri non ottimali;
- soglie decisionali inadeguate;
- problemi nella pipeline applicativa.
Solo dopo aver identificato la causa reale è possibile definire un'azione correttiva efficace.
In alcuni casi sarà necessario tornare alla preparazione del dataset, in altri sarà sufficiente modificare l'architettura della rete o ripetere alcuni test.
La lezione più importante: l'Intelligenza Artificiale è un processo di apprendimento anche per chi la sviluppa
L'aspetto più interessante di questo ciclo è che non riguarda soltanto il modello.
Anche il team di sviluppo impara ad ogni iterazione.
Ogni errore individuato aumenta la comprensione del problema, ogni test fornisce nuove informazioni sui dati e ogni correzione migliora non solo il classificatore, ma anche la conoscenza del dominio applicativo.
Per questo motivo il vero valore di un progetto di Computer Vision non risiede esclusivamente nella rete neurale utilizzata, ma nella capacità di costruire un processo rigoroso di sperimentazione, misura e miglioramento continuo.
In fondo, proprio come accade nel lifelong learning, il successo non deriva dal raggiungere immediatamente il risultato perfetto, ma dalla capacità di imparare sistematicamente da ogni iterazione.
