L'AI comportamentale rende la computer vision più incisiva

Per molti anni, le innovazioni nella computer vision si sono concentrate su attività come il object detection: ovvero l'identificazione di oggetti come un cane o un'auto in immagini e video. Questi approcci hanno reso possibili applicazioni in settori quali veicoli autonomi, produzione e sanità.

Tuttavia, queste attività spesso si limitano a identificare cosa sia un oggetto. E se i sistemi di visione basati sull'IA potessero fare un passo avanti? Ad esempio, invece di limitarsi a rilevare un cane, diciamo che potrebbe capire che il cane sta inseguendo una palla o che un'auto sta frenando improvvisamente perché un pedone sta attraversando. Questo passaggio dal semplice riconoscimento alla comprensione contestuale rappresenta un cambiamento importante verso un'IA comportamentale più intelligente e consapevole del contesto.

Durante YOLO Vision 2024 (YV24), l'evento ibrido annuale di Ultralytics che celebra i progressi nella vision AI, il concetto di analisi del comportamento guidata dall'IA è stato al centro di un interessante intervento di David Scott, CEO di The Main Branch.

Nel suo discorso, David ha esplorato la transizione dalle attività di base della visione artificiale al monitoraggio comportamentale. Con oltre 25 anni di esperienza nella creazione di applicazioni tecnologiche all'avanguardia, ha mostrato l'impatto di questo salto di qualità. Ha sottolineato come la decodifica di modelli e comportamenti stia rimodellando settori come l'agricoltura e il benessere degli animali.

In questo articolo analizzeremo i punti salienti dell'intervento di David e vedremo come il tracciamento comportamentale renda l'IA più pratica.

Comprendere le sfide dell'adozione dell'IA#

David Scott ha iniziato il suo intervento con un'audace analisi della realtà, affermando: "Un mio collega dice spesso: 'La scienza non vende', il che offende un po' molti di noi qui perché la scienza ci piace davvero. L'IA è davvero fantastica: perché la gente non dovrebbe comprarla? Ma la realtà è che le persone non vogliono comprarla solo perché pensiamo che sia bella; hanno bisogno di un motivo per farlo."

Ha continuato spiegando che nella sua azienda, The Main Branch, l'obiettivo è sempre risolvere problemi reali con l'IA, non limitarsi a metterne in mostra le capacità. Molti clienti arrivano chiedendo come usare l'IA in generale, ma lui considera questo approccio al contrario: è come avere una soluzione senza un problema. Al contrario, lavorano con clienti che portano sfide specifiche per creare soluzioni di IA che facciano davvero la differenza.

Fig 1. David Scott sul palco allo YV24.

David ha anche condiviso che il loro lavoro spesso va oltre il semplice riconoscimento degli oggetti in una scena. Individuare cosa c'è è solo il primo passo. Il vero valore deriva dal capire cosa fare con quelle informazioni e dal renderle utili all'interno della catena del valore più ampia.

Tecnologia di monitoraggio comportamentale: la chiave per un'IA azionabile#

Un passo fondamentale per rendere l'IA davvero utile è andare oltre le attività di computer vision di base, come il rilevamento degli oggetti, e usare tali insight per il tracciamento comportamentale. David ha evidenziato che l'IA comportamentale si concentra sulla comprensione di azioni e pattern, non solo sull'identificazione di oggetti. Questo rende l'IA capace di riconoscere eventi significativi e fornire insight azionabili.

Ha fatto l'esempio di un animale che si rotola sul pavimento, il che potrebbe indicare una malattia. Anche se le persone non possono sorvegliare un animale 24 ore su 24, i sistemi di sorveglianza guidati da IA con capacità di tracciamento comportamentale possono farlo. Tali soluzioni possono monitorare oggetti continuamente, rilevare comportamenti specifici, inviare un avviso e consentire un intervento tempestivo. Questo trasforma dati grezzi in qualcosa di pratico e prezioso.

David ha anche dimostrato che questo approccio rende l'IA non solo interessante ma veramente efficace. Affrontando problemi reali, come il monitoraggio dei comportamenti e l'agire di conseguenza, il monitoraggio comportamentale può diventare una parte fondamentale di soluzioni di IA efficaci in vari settori.

Dare vita all'IA comportamentale#

David Scott ha poi illustrato come Ultralytics YOLOv8, un modello di computer vision, abbia rappresentato una svolta per i progetti di tracciamento comportamentale del suo team. Ha fornito loro una solida base per rilevare, classificare e tracciarne gli oggetti. Il suo team ha anche fatto un ulteriore passo avanti, addestrando personalizzatamente YOLOv8 per concentrarsi sul monitoraggio dei comportamenti nel tempo, rendendolo più pratico e utile per situazioni del mondo reale.

Curiosamente, con il rilascio di Ultralytics YOLO11, soluzioni come quelle create da The Main Branch possono diventare ancora più affidabili e accurate. Questo modello più recente offre funzionalità come una maggiore precisione e un'elaborazione più rapida che migliorano la sua capacità di tracciare i comportamenti. Ne parleremo più in dettaglio dopo aver compreso meglio le applicazioni per cui l'IA comportamentale può essere utilizzata.

Successivamente, esploriamo le soluzioni di cui ha parlato David e come la tecnologia di monitoraggio comportamentale venga utilizzata in applicazioni reali per risolvere le sfide quotidiane e avere un impatto significativo.

HerdSense con analisi del comportamento guidata dall'IA#

Per prima cosa, David ha condiviso un'entusiasmante sfida che hanno affrontato con un progetto chiamato HerdSense, che prevedeva il monitoraggio della salute di migliaia di mucche in un enorme allevamento. L'obiettivo era monitorare il comportamento delle singole mucche per identificare potenziali problemi di salute. Ciò significava tenere d'occhio decine di migliaia di animali allo stesso tempo, e non era un compito semplice.

Fig 2. HerdSense focalizzato sul monitoraggio e sull'identificazione delle mucche tramite IA comportamentale.

Per iniziare a risolvere il problema dell'identificazione di ogni mucca e del monitoraggio dei suoi comportamenti, il team di David ha condotto un workshop di due giorni per delineare ogni possibile comportamento che dovevano monitorare. Hanno identificato oltre 200 comportamenti in totale.

Ognuno dei 200 comportamenti dipendeva dalla capacità di riconoscere accuratamente le singole mucche, poiché tutti i dati dovevano essere collegati a specifici animali. Una preoccupazione principale era il monitoraggio delle mucche quando si raggruppavano, il che rendeva difficile vedere i singoli animali.

Il team di David ha sviluppato un sistema di visione artificiale per garantire che ogni mucca fosse costantemente identificata, anche in situazioni difficili. Sono stati in grado di confermare che alla stessa mucca sarebbe sempre stato assegnato lo stesso ID, anche se fosse scomparsa dalla vista, si fosse mescolata con altre o fosse riapparsa in seguito.

Monitoraggio della salute dei cavalli tramite visione artificiale#

Passando oltre, David ha introdotto un altro progetto affascinante in cui hanno applicato tecniche di tracciamento comportamentale simili per monitorare i cavalli. In questo progetto, il team di David non aveva bisogno di tracciare gli ID dei singoli cavalli in modo così dettagliato come fatto con le mucche. Si sono invece concentrati su comportamenti specifici e hanno monitorato dettagli come le abitudini alimentari e i livelli generali di attività per individuare tempestivamente eventuali problemi di salute. Identificare piccoli cambiamenti nel comportamento potrebbe portare a interventi più rapidi per fornire cure migliori e prevenire problemi prima che diventino gravi.

Fig 3. Monitoraggio dei cavalli con l'ausilio dell'IA comportamentale.

Perché l'IA comportamentale non è semplice come sembra#

David ha anche discusso la complessità del tracciamento comportamentale attraverso un esempio intrigante. Durante la ricerca di modi per migliorare l'analisi comportamentale, il suo team si è imbattuto in un'azienda che affermava di rilevare i borseggi analizzando pose specifiche, come avere la mano in tasca. All'inizio sembrava un'idea intelligente: determinati movimenti potevano suggerire un comportamento sospetto, giusto?

Fig 4. Comprendere le sfide della tecnologia di tracciamento comportamentale.

Tuttavia, mentre David esplorava ulteriormente, si è reso conto dei limiti di questo metodo. Una singola posa, come una mano in tasca, non significa necessariamente che qualcuno stia taccheggiando. Potrebbe solo indicare che sono rilassati, pensierosi o persino che hanno freddo. Il problema nel concentrarsi su pose isolate è che ignora il contesto più ampio. Il comportamento non è solo una singola azione: è uno schema di azioni nel tempo, modellato dal contesto e dall'intento.

David ha sottolineato che il vero monitoraggio comportamentale è molto più complesso e richiede un approccio olistico. Si tratta di analizzare sequenze di azioni e capire cosa significano nel quadro più generale. Sebbene l'industria dell'IA stia facendo passi da gigante, ha osservato che c'è ancora lavoro da fare per far progredire il monitoraggio comportamentale al fine di fornire intuizioni significative e accurate.

Creare modelli di visione basati sull'IA più intelligenti che comprendano le azioni#

Successivamente, David ha portato il pubblico dietro le quinte per mostrare come il suo team ha creato una soluzione di computer vision per monitorare la salute delle mucche con l'aiuto di Ultralytics YOLOv8 e delle sue capacità di pose estimation.

Hanno iniziato creando un dataset personalizzato per la stima della posa di una mucca, aumentando il numero standard di punti chiave da 17 a 145 per rendere il modello più efficace nell'analizzare il movimento. Dopodiché, il modello è stato addestrato su un massiccio dataset di oltre 2 milioni di immagini e 110 milioni di esempi comportamentali.

Utilizzando un'infrastruttura hardware avanzata, il team di David è stato in grado di addestrare il modello in soli due giorni invece delle settimane che sarebbero state necessarie su un hardware convenzionale. Il modello addestrato è stato poi integrato con un tracker comportamentale personalizzato che analizzava simultaneamente più frame video per rilevare modelli nelle azioni delle mucche.

Il risultato è stata una soluzione guidata dall'IA di visione in grado di rilevare e tracciare otto diversi comportamenti delle mucche come mangiare, bere e sdraiarsi per individuare lievi cambiamenti comportamentali che potrebbero segnalare problemi di salute. Ciò consente agli agricoltori di agire rapidamente e migliora la gestione della mandria.

La strada da percorrere per l'IA comportamentale#

David ha concluso il suo discorso condividendo un'importante lezione con il pubblico: "Se non dai all'IA spazio per fallire, ti stai preparando al fallimento perché, alla fine della giornata, è statistica". Ha sottolineato che l'IA, nonostante i suoi punti di forza, non è impeccabile. È uno strumento che impara dai modelli e ci saranno sempre momenti in cui non farà le cose nel modo giusto. Invece di temere quegli errori, la chiave è costruire sistemi in grado di gestirli e continuare a migliorare nel tempo.

Questo vale anche quando si parla dei modelli di computer vision stessi. Ad esempio, Ultralytics YOLO11, l'ultima versione dei modelli Ultralytics YOLO, è stato realizzato tenendo a mente la necessità di fare un salto di qualità rispetto a YOLOv8.

Fig 5. Attività di computer vision supportate da Ultralytics YOLO11.

In particolare, Ultralytics YOLO11 offre prestazioni migliori, soprattutto per quanto riguarda le applicazioni in tempo reale in cui la precisione è fondamentale, come in agricoltura e sanità. Con le sue funzionalità avanzate, YOLO11 sta ridefinendo il modo in cui le industrie utilizzano l'intelligenza artificiale fornendo approfondimenti innovativi in tempo reale e aiutandole ad affrontare le sfide in modo più efficace.

Punti chiave#

L'intervento di David allo YV24 è stato un promemoria del fatto che l'IA è più di una semplice innovazione interessante: è un potente strumento per risolvere problemi reali e migliorare il nostro modo di vivere e lavorare. Concentrandosi sul comportamento, l'IA sta già avendo un impatto in settori come il monitoraggio della salute degli animali e il riconoscimento di modelli significativi nelle azioni quotidiane.

Il potenziale per l'IA comportamentale è entusiasmante e siamo solo all'inizio. Trasformando i dati grezzi in intuizioni azionabili, l'IA comportamentale passa dal monitoraggio passivo alla risoluzione attiva dei problemi. Man mano che si svilupperà ulteriormente, l'IA comportamentale sarà destinata a guidare decisioni più intelligenti, semplificare i processi e apportare miglioramenti significativi alle nostre vite.

Rimani in contatto con la nostra community per saperne di più sull'IA e sulle sue applicazioni nel mondo reale. Visita il nostro repository GitHub per scoprire le innovazioni in settori come l'IA in agricoltura e la computer vision nella produzione.