L'IA comportamentale rende la visione artificiale più efficace

Per molti anni, le innovazioni nella computer vision si sono concentrate su attività come il rilevamento degli oggetti, ovvero l’identificazione di oggetti come un cane o un’auto in immagini e video. Questi approcci hanno reso possibili applicazioni in settori quali i veicoli autonomi, la produzione e il settore sanitario.

Tuttavia, queste attività spesso si limitano a identificare che cosa sia un oggetto. E se i sistemi di vision AI potessero fare un passo in più? Ad esempio, invece di limitarsi a rilevare un cane, potrebbero capire che il cane sta inseguendo una palla o che un’auto sta frenando bruscamente perché un pedone sta attraversando. Questo passaggio dal riconoscimento di base alla comprensione del contesto segna una svolta verso un’AI comportamentale più intelligente e consapevole del contesto.

Durante YOLO Vision 2024 (YV24), l’evento annuale ibrido di Ultralytics che celebra i progressi nella vision AI, l’analisi comportamentale basata sull’AI è stata protagonista di un interessante intervento di David Scott, CEO di The Main Branch.

Nel suo intervento, David ha approfondito il passaggio dalle attività di base della visione artificiale al tracciamento comportamentale. Con oltre 25 anni di esperienza nella creazione di applicazioni tecnologiche avanzate, ha mostrato l'impatto di questo salto. Ha sottolineato come decodificare schemi e comportamenti stia trasformando settori come l'agricoltura e il benessere degli animali.

In questo articolo ripercorreremo i punti salienti dell’intervento di David e vedremo come il tracciamento comportamentale renda l’AI più pratica.

Comprendere le difficoltà nell’adozione dell’AI#

David Scott ha aperto il suo intervento principale con una schietta constatazione e ha detto: «Un mio collega dice spesso: “La scienza non vende”, cosa che offende un po’ molti di noi qui, perché la scienza ci piace davvero. L’AI è davvero interessante: perché le persone non dovrebbero semplicemente comprarla? Ma la realtà è che non vogliono comprarla solo perché noi la troviamo interessante; hanno bisogno di un motivo per farlo».

Ha poi spiegato che, nella sua azienda, The Main Branch, l'obiettivo è sempre risolvere problemi reali con l'AI, non limitarsi a mostrarne le capacità. Molti clienti arrivano chiedendo come usare l'AI in generale, ma per lui è un approccio sbagliato: è come avere una soluzione senza un problema. Invece, lavorano con clienti che presentano sfide specifiche, così da creare soluzioni AI capaci di fare davvero la differenza.

Fig. 1. David Scott sul palco di YV24.

David ha anche spiegato che il loro lavoro spesso va oltre il semplice riconoscimento degli oggetti in una scena. Individuare ciò che è presente è solo il primo passo. Il vero valore consiste nel capire come utilizzare quelle informazioni e renderle utili all’interno della catena del valore più ampia.

Tecnologia di tracciamento comportamentale: la chiave per un’AI capace di agire#

Un passaggio fondamentale per rendere l’AI davvero utile consiste nell’andare oltre le attività di base della computer vision, come il rilevamento degli oggetti, e utilizzare queste informazioni per il tracciamento comportamentale. David ha sottolineato che l’AI comportamentale si concentra sulla comprensione delle azioni e degli schemi, non solo sull’identificazione degli oggetti. In questo modo, l’AI può riconoscere eventi significativi e fornire informazioni utili per intervenire.

Ha fatto l’esempio di un animale che si rotola sul pavimento, comportamento che potrebbe indicare una malattia. Le persone non possono sorvegliare un animale 24 ore su 24, ma i sistemi di sorveglianza basati sull’AI con funzionalità di tracciamento comportamentale sì. Queste soluzioni possono monitorare continuamente gli oggetti, rilevare comportamenti specifici, inviare un avviso e consentire di intervenire tempestivamente. Così i dati grezzi diventano informazioni pratiche e preziose.

David ha anche mostrato come questo approccio renda l’AI non solo interessante, ma davvero efficace. Affrontando problemi reali, come monitorare i comportamenti e intervenire di conseguenza, il tracciamento comportamentale può diventare una componente fondamentale di soluzioni di AI efficaci in diversi settori.

Dare vita all’AI 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 una solida base per rilevare, classificare e tracciare gli oggetti. Il team ha fatto anche un passo in più e ha addestrato YOLOv8 su dati personalizzati per concentrarsi sul monitoraggio dei comportamenti nel tempo, rendendolo più pratico e utile negli scenari reali.

È interessante notare che, con il rilascio di Ultralytics YOLO11, soluzioni come quelle create da The Main Branch possono diventare ancora più affidabili e accurate. Questo modello offre funzionalità come una precisione migliorata e un'elaborazione più rapida, che ne potenziano la capacità di monitorare i comportamenti. Ne parleremo più nel dettaglio dopo aver approfondito le applicazioni per cui si può usare l'IA comportamentale.

Ora esploriamo le soluzioni di cui ha parlato David e il modo in cui la tecnologia di tracciamento comportamentale viene usata nelle applicazioni reali per risolvere le sfide quotidiane e produrre un impatto significativo.

HerdSense: analisi comportamentale basata sull’AI#

Per prima cosa, David ha condiviso un'entusiasmante sfida affrontata con un progetto chiamato HerdSense, che consisteva nel monitorare la salute di migliaia di mucche in un enorme allevamento intensivo. L'obiettivo era tracciare il comportamento di ogni singola mucca per individuare potenziali problemi di salute. Questo significava tenere d'occhio decine di migliaia di animali contemporaneamente, e non era un compito semplice.

Fig. 2. HerdSense si concentrava sul monitoraggio e sull’identificazione delle mucche tramite l’AI comportamentale.

Per iniziare ad affrontare il problema dell’identificazione di ogni mucca e del tracciamento dei suoi comportamenti, il team di David ha organizzato un workshop di due giorni per definire tutti i comportamenti da monitorare. In totale ne ha identificati oltre 200.

Ognuno dei 200 comportamenti richiedeva di riconoscere con precisione le singole mucche, perché tutti i dati dovevano essere associati ad animali specifici. Una delle principali difficoltà era tracciare le mucche quando si raggruppavano, rendendo difficile distinguere i singoli animali.

Il team di David ha sviluppato un sistema di visione artificiale per garantire che ogni mucca venisse identificata in modo coerente, anche in situazioni complesse. Sono riusciti a confermare che alla stessa mucca sarebbe stato sempre assegnato lo stesso ID, anche se fosse scomparsa dalla visuale, si fosse mescolata alle altre o fosse riapparsa in seguito.

Monitorare la salute dei cavalli con la computer vision#

Proseguendo, David ha presentato un altro progetto affascinante, in cui hanno applicato tecniche simili di tracciamento comportamentale per monitorare i cavalli. In questo progetto, il team di David non aveva bisogno di tracciare gli ID dei singoli cavalli con la stessa precisione usata per le mucche. Si è concentrato invece su comportamenti specifici e ha tracciato dettagli come le abitudini alimentari e i livelli generali di attività per individuare precocemente eventuali problemi di salute. Identificare piccoli cambiamenti nel comportamento può consentire interventi più rapidi, offrire cure migliori e prevenire problemi prima che diventino gravi.

Fig. 3. Monitoraggio dei cavalli con l’aiuto dell’AI comportamentale.

Perché l’AI comportamentale non è così semplice come sembra#

David ha inoltre discusso la complessità del tracciamento comportamentale con un esempio interessante. Durante la ricerca di metodi per migliorare l’analisi comportamentale, il suo team si è imbattuto in un’azienda che sosteneva di poter rilevare i furti nei negozi analizzando determinate pose, ad esempio quando qualcuno tiene una mano in tasca. Inizialmente sembrava un’idea intelligente: certi movimenti potrebbero suggerire un comportamento sospetto, no?

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

Tuttavia, approfondendo la questione, David si è reso conto dei limiti di questo metodo. Una singola posa, come tenere una mano in tasca, non significa necessariamente che qualcuno stia rubando in un negozio. Potrebbe semplicemente indicare che è rilassato, sta pensando o ha freddo. Il problema di concentrarsi su pose isolate è che si ignora il contesto più ampio. Il comportamento non consiste in una singola azione, ma in una sequenza di azioni nel tempo, influenzata dal contesto e dalle intenzioni.

David ha sottolineato che il vero tracciamento comportamentale è molto più complesso e richiede un approccio olistico. Si tratta di analizzare sequenze di azioni e comprenderne il significato nel quadro generale. Sebbene il settore dell’AI stia facendo progressi, ha osservato che resta ancora molto lavoro da fare per far avanzare il tracciamento comportamentale e ottenere informazioni significative e accurate.

Creare modelli di vision AI più intelligenti, capaci di comprendere le azioni#

Successivamente, David ha accompagnato il pubblico dietro le quinte per mostrare come il suo team abbia creato una soluzione di computer vision per monitorare la salute delle mucche con l’aiuto di Ultralytics YOLOv8 e delle sue capacità di stima della posa.

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'analisi dei movimenti. Il modello è stato poi addestrato su un enorme dataset composto da oltre 2 milioni di immagini e 110 milioni di esempi comportamentali.

Grazie a un’infrastruttura hardware avanzata, il team di David è riuscito ad addestrare il modello in soli due giorni, invece delle settimane necessarie con hardware convenzionale. Il modello addestrato è stato poi integrato con un tracker comportamentale personalizzato, che analizzava simultaneamente più fotogrammi video per rilevare schemi nelle azioni delle mucche.

Il risultato è stata una soluzione basata sulla vision AI in grado di rilevare e tracciare otto diversi comportamenti delle mucche, come mangiare, bere e sdraiarsi, per individuare piccoli cambiamenti che potrebbero segnalare problemi di salute. Ciò consente agli allevatori di intervenire rapidamente e migliora la gestione della mandria.

Il futuro dell’AI comportamentale#

David ha concluso il suo intervento condividendo con il pubblico una lezione importante: «Se non lasci all’AI il margine per sbagliare, ti stai preparando al fallimento perché, in fin dei conti, è statistica». Ha osservato che l’AI, nonostante i suoi punti di forza, non è infallibile. È uno strumento che apprende dagli schemi e ci saranno sempre occasioni in cui non darà la risposta giusta. Anziché temere questi errori, la chiave è costruire sistemi in grado di gestirli e continuare a migliorare nel tempo.

Questo vale anche per gli stessi modelli di visione artificiale. Per esempio, Ultralytics YOLO11, la versione più recente dei modelli Ultralytics YOLO dell'epoca (poi superata da Ultralytics YOLO26), è stato progettato tenendo presente la necessità di fare un ulteriore passo avanti rispetto a YOLOv8.

Fig. 5. Attività di visione artificiale supportate da Ultralytics YOLO11.

In particolare, Ultralytics YOLO11 offre prestazioni migliori, soprattutto nelle applicazioni in tempo reale in cui la precisione è fondamentale, come l'agricoltura e la sanità. Grazie alle sue funzionalità avanzate, YOLO11 aiuta i settori industriali a ottenere informazioni in tempo reale e ad affrontare le sfide in modo più efficace.

Punti chiave#

L’intervento principale di David a YV24 ha ricordato al pubblico che l’AI è più di una semplice innovazione interessante: è uno strumento potente per risolvere problemi reali e migliorare il nostro modo di vivere e lavorare. Concentrandosi sui comportamenti, l’AI sta già avendo un impatto in ambiti come il monitoraggio della salute degli animali e il riconoscimento di schemi significativi nelle azioni quotidiane.

Il potenziale dell’AI comportamentale è entusiasmante e siamo solo all’inizio. Trasformando i dati grezzi in informazioni utili per agire, l’AI comportamentale passa dal monitoraggio passivo alla risoluzione attiva dei problemi. Con il suo ulteriore sviluppo, è destinata a favorire decisioni più intelligenti, semplificare i processi e apportare miglioramenti significativi alla nostra vita.

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