Confidenza

Nel campo dell'apprendimento automatico e dell'intelligenza intelligenza artificiale, un punteggio di confidenza è un valore numerico che rappresenta la probabilità che una specifica previsione fatta da un modello sia corretta. da un modello sia corretta. Tipicamente espresso come una probabilità compresa tra 0 e 1 (o una percentuale dallo 0% al 100%), questo punteggio questo punteggio quantifica la certezza della rete neurale rete neurale in merito al suo output. Per esempio ad esempio, in un'attività di rilevamento di oggetti, il sistema potrebbe prevedere la presenza di un "gatto" con una confidenza di 0,95, indicando una forte fiducia nell'accuratezza dell'etichetta. di tale etichetta. Questi punteggi sono di solito ricavati dallo strato finale del modello usando funzioni di attivazione come la funzione funzione softmax per i problemi multiclasse o la funzione funzione sigmoide per la classificazione binaria.

Il ruolo della fiducia nell'inferenza

I punteggi di confidenza sono una componente fondamentale del del flusso di lavoro del motore di inferenza. Consentono agli sviluppatori di di filtrare le previsioni in base a un determinato livello di certezza, un processo noto come soglia. Impostando una soglia di confidenza specifica soglia di confidenza, è possibile gestire efficacemente il compromesso tra l'identificazione di ogni possibile oggetto (richiamo elevato) e la garanzia che gli oggetti identificati siano corretti (richiamo elevato). e la garanzia che gli oggetti identificati siano corretti (alta precisione).

Nell'impiego pratico del modello, le previsioni grezze spesso contengono rumore o rilevamenti a bassa probabilità. Tecniche come soppressione non massima (NMS) utilizzano i punteggi di confidenza per per eliminare le caselle ridondanti e sovrapposte, mantenendo solo il rilevamento con la probabilità più alta. In questo modo si garantisce che l'output finale presentato all'utente sia pulito e perseguibile.

L'esempio seguente mostra come applicare una soglia di confidenza durante l'inferenza usando Ultralytics YOLO11:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image with a confidence threshold of 0.6 (60%)
# This filters out any detections with a confidence score lower than 0.6
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.6)

# Display the count of objects detected above the threshold
print(f"Detected {len(results[0].boxes)} objects with high confidence.")

Applicazioni nel mondo reale

L'utilità dei punteggi di confidenza si estende praticamente a tutti i settori che impiegano soluzioni di soluzioni di computer vision e IA.

• Sistemi autonomi: Nello sviluppo di veicoli autonomi, la sicurezza è fondamentale. I sistemi di percezione utilizzano punteggi di fiducia per fondere i dati provenienti da telecamere e LiDAR. Se un modello di visione rileva un ostacolo con un basso livello di confidenza, il sistema potrebbe incrociare i dati con quelli del radar prima di attivare la frenata di emergenza. Questo approccio stratificato, fondamentale per l'IA nel settore automobilistico, aiuta a prevenire pericolosi eventi di frenata fantasma causati da falsi positivi.
• Diagnostica medica: Nell'analisi delle immagini mediche analisi delle immagini mediche, gli strumenti di IA assistono i medici segnalando potenziali anomalie nelle radiografie o nelle risonanze magnetiche. Un sistema progettato per AI nel settore sanitario potrebbe selezionare automaticamente i casi in base sulla fiducia. I rilevamenti di patologie ad alta sicurezza vengono classificati come prioritari per un esame immediato da parte di un radiologo, mentre quelli a bassa sicurezza vengono classificati come prioritari per un esame immediato da parte di un radiologo. radiologo, mentre le regioni a bassa sicurezza potrebbero essere evidenziate di fiducia potrebbero essere evidenziate semplicemente per una "seconda occhiata", assicurando che l'IA agisca come un assistente di supporto piuttosto che come un decisore definitivo. decisionale definitiva.

Fiducia vs. Accuratezza e precisione

È fondamentale per i professionisti distinguere la "fiducia" dalle metriche di valutazione standard metriche di valutazione utilizzate per modelli.

• Fiducia vs. Accuratezza: L 'accuratezza misura la correttezza complessiva di un modello su un intero set di dati (ad esempio, "Il modello è accurato al 90%"). Al contrario, la confidenza è un valore valore specifico della previsione (ad esempio, "Sono sicuro al 90% che questa immagine specifica sia un cane"). Un modello può essere un modello può essere generalmente accurato, ma produrre comunque una bassa confidenza su esempi difficili.
• Fiducia vs. precisione: La precisione calcola la percentuale di previsioni predizioni positive che sono state effettivamente corrette. Sebbene sia correlato, un punteggio di confidenza elevato non garantisce una precisione elevata se se il modello soffre di overfitting o è mal calibrato. calibrazione.
• Calibrazione: Un modello è considerato "ben calibrato" se i suoi punteggi di confidenza riflettono la vera probabilità di correttezza. probabilità reale di correttezza. Ad esempio, tra tutte le previsioni fatte con una confidenza di 0,8, circa l'80% dovrebbe essere costituito da corrispondenze effettivamente positive.

Migliorare la fiducia dei modelli

Se un modello produce costantemente una bassa confidenza per gli oggetti validi, ciò può indicare problemi con i dati di addestramento. dati di addestramento. Le strategie per migliorare questo aspetto includono l'aumento dei dati per esporre il modello a più di illuminazione e di orientamento più vari, o l'impiego dell'apprendimento di apprendimento attivo per annotare e riqualificare gli specifici "casi limite" in cui il modello è attualmente incerto. Garantire insiemi di dati diversificati e di alta qualità è è essenziale per costruire sistemi robusti di cui gli utenti possano fidarsi.