Tipi di tecniche di apprendimento dell'IA usate nella visione artificiale

L'apprendimento automatico è un tipo di intelligenza artificiale (AI) che aiuta i computer ad apprendere dai dati e a prendere decisioni autonomamente, senza richiedere una programmazione dettagliata per ogni attività. Consiste nella creazione di modelli algoritmici in grado di identificare schemi nei dati. Identificando gli schemi nei dati e apprendendo da essi, questi algoritmi possono migliorare gradualmente le proprie prestazioni nel tempo.

Un ambito in cui l'apprendimento automatico svolge un ruolo fondamentale è la computer vision, un settore dell'IA che si concentra sui dati visivi. La computer vision usa l'apprendimento automatico per aiutare i computer a rilevare e riconoscere schemi in immagini e video. Grazie ai progressi dell'apprendimento automatico, si stima che il valore del mercato globale della computer vision raggiungerà circa 175,72 miliardi di dollari entro il 2032.

In questo articolo esamineremo i diversi tipi di apprendimento automatico usati nella computer vision, tra cui l'apprendimento supervisionato, non supervisionato, per rinforzo e per trasferimento, e il ruolo che ciascuno svolge nelle diverse applicazioni.

Panoramica del machine learning nella visione artificiale#

La visione artificiale si basa sull'apprendimento automatico, in particolare su tecniche come l'apprendimento profondo e le reti neurali, per interpretare e analizzare le informazioni visive. Questi metodi consentono ai computer di svolgere attività di visione artificiale come rilevare oggetti nelle immagini, classificare le immagini per categoria e riconoscere i volti. L'apprendimento automatico è essenziale anche per le applicazioni di visione artificiale in tempo reale, come il controllo qualità nella produzione e la diagnostica per immagini in ambito sanitario. In questi casi, le reti neurali aiutano i computer a interpretare dati visivi complessi, ad esempio analizzando scansioni cerebrali per rilevare tumori.

Infatti, molti modelli avanzati di visione artificiale, come Ultralytics YOLO11, si basano sulle reti neurali.

Fig. 1. Segmentazione di scansioni cerebrali con Ultralytics YOLO11.

Esistono diversi tipi di apprendimento automatico, come l'apprendimento supervisionato, non supervisionato, per rinforzo e per trasferimento, che determinano ciò che è possibile fare nella visione artificiale. Nelle sezioni seguenti esamineremo ciascuno di questi tipi per capire in che modo contribuiscono alla visione artificiale.

Esploriamo l’apprendimento supervisionato#

L'apprendimento supervisionato è il tipo di apprendimento automatico più utilizzato. Nell'apprendimento supervisionato, i modelli vengono addestrati usando dati etichettati. A ogni input viene associato l'output corretto, così il modello può imparare. Come uno studente che impara da un insegnante, questi dati etichettati fungono da guida o supervisore.

Durante l'addestramento, al modello vengono forniti sia i dati di input (le informazioni da elaborare) sia i dati di output (le risposte corrette). Questa configurazione aiuta il modello ad apprendere il legame tra input e output. L'obiettivo principale dell'apprendimento supervisionato è far sì che il modello individui una regola o uno schema che colleghi accuratamente ogni input al relativo output corretto. Grazie a questa mappatura, il modello può fare previsioni accurate quando incontra nuovi dati. Per esempio, il riconoscimento facciale nella visione artificiale si basa sull'apprendimento supervisionato per identificare i volti in base agli schemi appresi.

Un uso comune è sbloccare lo smartphone con il riconoscimento facciale. Il modello viene addestrato con immagini etichettate del tuo volto, così, quando provi a sbloccare il telefono, confronta l'immagine in tempo reale con ciò che ha imparato. Se rileva una corrispondenza, il telefono si sblocca.

Fig. 2. Il riconoscimento facciale può essere usato per sbloccare il tuo smartphone.

Come funziona l’apprendimento non supervisionato nell’IA?#

L’apprendimento non supervisionato è un tipo di machine learning che usa dati non etichettati: durante l’addestramento il modello non riceve indicazioni né risposte corrette. Impara invece a individuare schemi e informazioni autonomamente.

L’apprendimento non supervisionato identifica gli schemi usando tre metodi principali:

• Clustering: raggruppa insieme punti dati simili. È utile per attività come la segmentazione dei clienti, in cui i clienti simili possono essere raggruppati in base ai comportamenti o agli attributi.
• Associazione: viene usata per identificare relazioni tra elementi e individuare collegamenti all'interno dei dati (per esempio, trovare i prodotti acquistati spesso insieme nell'analisi del carrello, una tecnica comune di data mining).
• Riduzione della dimensionalità: semplifica i set di dati eliminando le caratteristiche ridondanti, agevolando la visualizzazione e l'elaborazione.

Un'applicazione importante dell'apprendimento non supervisionato è la compressione delle immagini, in cui tecniche come il clustering k-means riducono le dimensioni delle immagini senza comprometterne la qualità visiva. I pixel vengono raggruppati in cluster e ogni cluster è rappresentato da un colore medio, ottenendo così un'immagine con meno colori e un file di dimensioni inferiori.

Fig. 3. Esempio di compressione non supervisionata delle immagini.

Tuttavia, l'apprendimento non supervisionato presenta alcune limitazioni. Senza risposte predefinite, può avere difficoltà a garantire accuratezza e a valutare le prestazioni. Spesso richiede un intervento manuale per interpretare i risultati ed etichettare i gruppi ed è sensibile a problemi come valori mancanti e rumore, che possono compromettere la qualità dei risultati.

L’apprendimento per rinforzo spiegato#

A differenza dell’apprendimento supervisionato e non supervisionato, l’apprendimento per rinforzo non si basa sui dati di addestramento. Usa invece agenti basati su reti neurali che interagiscono con un ambiente per raggiungere un obiettivo specifico.

Il processo comprende tre componenti principali:

• Agente: chi apprende o prende decisioni.
• Ambiente: tutto ciò con cui interagisce l’agente, nel mondo reale o in quello virtuale.
• Segnale di ricompensa: valore numerico assegnato dopo ogni azione, che guida l’agente verso l’obiettivo.

Quando l’agente agisce, influenza l’ambiente, che risponde con un feedback. Il feedback aiuta l’agente a valutare le proprie scelte e a modificare il comportamento. Il segnale di ricompensa aiuta l’agente a capire quali azioni lo avvicinano al raggiungimento dell’obiettivo.

L'apprendimento per rinforzo è fondamentale in casi d'uso come la guida autonoma e la robotica. Nella guida autonoma, attività come il controllo del veicolo, il rilevamento degli oggetti e l'evitamento degli ostacoli vengono apprese tramite feedback. I modelli vengono addestrati usando agenti basati su reti neurali per rilevare pedoni o altri oggetti e agire di conseguenza per evitare collisioni. Analogamente, in robotica, l'apprendimento per rinforzo permette di svolgere attività come la manipolazione degli oggetti e il controllo dei movimenti.

Un esempio noto di apprendimento per rinforzo in azione è un progetto di OpenAI, in cui i ricercatori hanno addestrato agenti di IA a giocare al popolare videogioco multiplayer Dota 2. Usando reti neurali, questi agenti elaboravano enormi quantità di informazioni provenienti dall'ambiente di gioco per prendere decisioni rapide e strategiche. Grazie a un feedback continuo, gli agenti hanno imparato e migliorato nel tempo, raggiungendo infine un livello di abilità sufficiente a battere alcuni dei migliori giocatori del gioco.

Fig. 4. Interpretazione umana e dell’IA della Dota Matrix.

Le basi dell’apprendimento per trasferimento#

L'apprendimento per trasferimento è diverso dagli altri tipi di apprendimento. Invece di addestrare un modello da zero, si parte da un modello preaddestrato su un grande set di dati e lo si perfeziona per un'attività nuova ma correlata. Le conoscenze acquisite durante l'addestramento iniziale vengono usate per migliorare le prestazioni nell'attività nuova. L'apprendimento per trasferimento riduce il tempo necessario per addestrare il modello per un'attività nuova, a seconda della sua complessità. Funziona mantenendo i livelli iniziali del modello, che acquisiscono le caratteristiche generali, e sostituendo i livelli finali con livelli dedicati alla nuova attività.

Il trasferimento di stile artistico è un'interessante applicazione dell'apprendimento per trasferimento nella visione artificiale. Questa tecnica consente a un modello di trasformare un'immagine per adattarla allo stile di diverse opere d'arte. Per farlo, una rete neurale viene prima addestrata su un grande set di dati di immagini abbinate ai rispettivi stili artistici. In questo modo, il modello impara a identificare le caratteristiche generali delle immagini e gli schemi stilistici.

Una volta addestrato, il modello può essere perfezionato per applicare a una nuova immagine lo stile di un dipinto specifico. La rete si adatta alla nuova immagine mantenendo le caratteristiche stilistiche apprese e crea così un risultato originale che combina il contenuto iniziale con lo stile artistico scelto. Per esempio, potresti applicare a una foto di una catena montuosa lo stile di L’urlo di Edvard Munch, ottenendo un’immagine che ritrae la scena con lo stile audace ed espressivo del dipinto.

Fig. 5. Esempio di trasferimento dello stile artistico tramite apprendimento per trasferimento.

Differenze tra i tipi di machine learning#

Ora che abbiamo esaminato i principali tipi di machine learning, analizziamoli più da vicino per aiutarti a capire quale sia il più adatto alle diverse applicazioni.

• Apprendimento supervisionato: è molto preciso quando si usano dati etichettati, ma richiede molti dati e può essere sensibile al rumore.
• Apprendimento non supervisionato: è utile per esplorare dati non etichettati e trovare schemi nascosti, anche se i risultati possono essere meno precisi e più difficili da interpretare.
• Apprendimento per rinforzo: addestra gli agenti a prendere decisioni passo dopo passo in ambienti complessi, ma spesso richiede notevoli risorse di calcolo.
• Apprendimento per trasferimento: usa modelli preaddestrati per velocizzare l’addestramento e migliorare le prestazioni nelle nuove attività, soprattutto quando i dati sono limitati.

Fig. 6. Confronto tra tutti i tipi di machine learning. Immagine dell’autore.

La scelta del tipo di machine learning più adatto dipende da diversi fattori. L’apprendimento supervisionato è efficace se disponi di molti dati etichettati e di un’attività ben definita. L’apprendimento non supervisionato è utile per esplorare i dati o quando gli esempi etichettati sono pochi. L’apprendimento per rinforzo è ideale per attività complesse che richiedono decisioni passo dopo passo, mentre l’apprendimento per trasferimento è ottimo quando i dati sono limitati o le risorse scarse. Considerando questi fattori, puoi scegliere l’approccio più adatto al tuo progetto di visione artificiale.

In conclusione#

Le tecniche di machine learning possono affrontare molte sfide, soprattutto in ambiti come la visione artificiale. Conoscendo i diversi tipi — apprendimento supervisionato, non supervisionato, per rinforzo e per trasferimento — puoi scegliere l’approccio più adatto alle tue esigenze.

L’apprendimento supervisionato è ideale per le attività che richiedono elevata precisione e dati etichettati, mentre quello non supervisionato è adatto a individuare schemi nei dati non etichettati. L’apprendimento per rinforzo funziona bene in contesti complessi basati sulle decisioni, mentre quello per trasferimento è utile quando vuoi partire da modelli preaddestrati e hai pochi dati.

Ogni metodo ha punti di forza e applicazioni specifici, dal riconoscimento facciale alla robotica fino al trasferimento dello stile artistico. Scegliere il tipo giusto può aprire nuove possibilità in settori come la sanità, l’industria automobilistica e l’intrattenimento.

Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra community. Scopri le applicazioni dell'AI nelle auto a guida autonoma e nell'agricoltura nelle nostre pagine dedicate alle soluzioni.