Confidence

Nel campo dell'intelligenza artificiale e del machine learning, un punteggio di confidenza è una metrica che quantifica il livello di certezza di un modello riguardo a una specifica predizione. Questo valore solitamente varia da 0 a 1 (o da 0% a 100%) e rappresenta la probabilità stimata che l'output dell'algoritmo sia allineato alla ground truth. Ad esempio, in un'attività di object detection, se un sistema identifica una regione di un'immagine come "bicicletta" con una confidenza di 0,92, ciò suggerisce una probabilità stimata del 92% che la classificazione sia corretta. Questi punteggi sono derivati dallo strato finale di una neural network, spesso elaborati attraverso una activation function come Softmax per la categorizzazione multi-classe o la Sigmoid function per decisioni binarie.

Link to this sectionIl ruolo della confidenza nell'inferenza#

I punteggi di confidenza sono una componente fondamentale del flusso di lavoro del inference engine, agendo come un filtro per distinguere le predizioni di alta qualità dal rumore di fondo. Questo processo di filtraggio, noto come thresholding (applicazione di una soglia), consente agli sviluppatori di regolare la sensibilità di un'applicazione. Stabilendo una soglia minima di confidenza, puoi gestire il critico precision-recall trade-off. Una soglia più bassa potrebbe rilevare più oggetti ma aumenta il rischio di false positives, mentre una soglia più alta migliora la precisione ma potrebbe causare la perdita di istanze sottili.

Nelle architetture avanzate come Ultralytics YOLO26, i punteggi di confidenza sono essenziali per tecniche di post-elaborazione come il Non-Maximum Suppression (NMS). L'NMS utilizza questi punteggi per rimuovere i bounding box ridondanti che si sovrappongono in modo significativo, preservando solo il rilevamento con la probabilità più alta. Questo passaggio garantisce che l'output finale sia pulito e pronto per attività a valle come l'object counting o il tracking.

Il seguente esempio in Python dimostra come filtrare le predizioni per confidenza utilizzando il pacchetto ultralytics:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Link to this sectionApplicazioni nel mondo reale#

I punteggi di confidenza forniscono un livello di interpretabilità indispensabile in tutti i settori in cui viene applicata la computer vision (CV). Aiutano i sistemi automatizzati a determinare quando procedere in autonomia e quando inviare avvisi per una revisione umana.

• Guida autonoma: Nel settore dell'AI in automotive, i veicoli a guida autonoma si affidano alle metriche di confidenza per garantire la sicurezza dei passeggeri. Se un sistema di percezione rileva un ostacolo con bassa confidenza, potrebbe incrociare questi dati con LiDAR sensors o radar per verificare la presenza dell'oggetto prima di eseguire una manovra di emergenza. Questa ridondanza aiuta a prevenire le "frenate fantasma" causate da ombre o riflessi.
• Diagnostica medica: Sfruttando l'AI in healthcare, i modelli assistono i professionisti medici segnalando potenziali anomalie nei dati di imaging. Un sistema creato per il tumor detection potrebbe evidenziare regioni ad alta confidenza per una diagnosi immediata, mentre le predizioni a bassa confidenza vengono registrate per un'analisi secondaria. Questo flusso di lavoro human-in-the-loop garantisce che l'IA potenzi il processo decisionale clinico senza sostituire il giudizio dell'esperto.
• Automazione industriale: Nello smart manufacturing, i bracci robotici utilizzano i punteggi di confidenza per interagire con gli oggetti sulle linee di assemblaggio. Un robot dotato di vision AI potrebbe tentare di afferrare un componente solo se la confidenza di rilevamento supera il 90%, riducendo così il rischio di danneggiare parti delicate a causa di un disallineamento.

Link to this sectionDistinguere la confidenza da termini correlati#

È cruciale differenziare la confidenza da altre metriche statistiche utilizzate nella model evaluation.

• Confidenza vs. Precisione (Accuracy): L'Accuracy è una metrica globale che descrive quanto spesso un modello è corretto su un intero dataset (ad esempio, "Il modello è accurato al 92%"). Al contrario, la confidenza è un valore locale, specifico per la singola predizione (ad esempio, "Il modello è sicuro al 92% che questa specifica immagine contenga un gatto"). Un modello può avere un'accuratezza complessiva elevata ma produrre comunque una bassa confidenza su edge cases.
• Confidenza vs. Calibrazione della probabilità: Un punteggio di confidenza grezzo non si allinea sempre con la vera probability of correctness. Un modello è "ben calibrato" se le predizioni fatte con una confidenza di 0,8 sono corrette circa l'80% delle volte. Tecniche come Platt scaling o Isotonic Regression vengono spesso impiegate per allineare i punteggi con le probabilità empiriche.
• Confidenza vs. Precisione (Precision): La Precision misura la proporzione di identificazioni positive che erano effettivamente corrette. Sebbene aumentare la soglia di confidenza generalmente incrementi la precisione, spesso lo fa a scapito del recall. Gli sviluppatori devono regolare questa soglia in base al fatto che la loro applicazione dia priorità alla perdita di meno oggetti o alla minimizzazione dei falsi allarmi.

Link to this sectionMigliorare la confidenza del modello#

Se un modello restituisce costantemente una bassa confidenza per oggetti validi, ciò segnala spesso una discrepanza tra i training data e l'ambiente di deployment. Le strategie per mitigare questo problema includono il data augmentation, che espande artificialmente il dataset variando illuminazione, rotazione e rumore. Inoltre, utilizzare la Ultralytics Platform per implementare pipeline di active learning consente agli sviluppatori di identificare facilmente i campioni a bassa confidenza, annotarli e riaddestrare il modello. Questo ciclo iterativo è vitale per creare AI agents robusti, in grado di operare in modo affidabile in contesti dinamici e reali.