Confidence

Nel campo dell'intelligenza artificiale e del machine learning, un confidence score è una metrica che quantifica il livello di certezza di un modello riguardo a una specifica previsione. Questo valore varia tipicamente da 0 a 1 (o da 0% a 100%) e rappresenta la probabilità stimata che l'output dell'algoritmo corrisponda alla verità di fondo. Ad esempio, in un'attività di object detection, se un sistema identifica la 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 derivano dall'ultimo livello di una neural network, spesso elaborati tramite una activation function come Softmax per la categorizzazione multiclasse o la Sigmoid function per decisioni binarie.

Il ruolo della confidenza nell'inferenza#

I confidence score sono un componente fondamentale del flusso di lavoro del inference engine, agendo come un filtro per distinguere le previsioni di alta qualità dal rumore di fondo. Questo processo di filtraggio, noto come thresholding, permette agli sviluppatori di regolare la sensibilità di un'applicazione. Stabilendo una soglia di confidenza minima, puoi gestire il critico precision-recall trade-off. Una soglia più bassa può 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.

In architetture avanzate come Ultralytics YOLO26, i confidence score sono essenziali per tecniche di post-elaborazione come la Non-Maximum Suppression (NMS). La NMS utilizza questi punteggi per rimuovere bounding box ridondanti che si sovrappongono significativamente, preservando solo il rilevamento con la probabilità più alta. Questo passaggio garantisce che l'output finale sia pulito e pronto per attività successive come object counting o tracciamento.

Il seguente esempio in Python dimostra come filtrare le previsioni 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}")

Applicazioni nel mondo reale#

I confidence score 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 attivare avvisi per la 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 la "frenata fantasma" causata 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 previsioni a minore confidenza vengono registrate per un'analisi secondaria. Questo flusso di lavoro human-in-the-loop assicura che l'IA potenzi il processo decisionale clinico senza sostituire il giudizio dell'esperto.
• Automazione industriale: Nelle smart manufacturing, i bracci robotici utilizzano i confidence score 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 del rilevamento supera il 90%, riducendo così il rischio di danneggiare parti delicate a causa di un disallineamento.

Distinguere la confidenza da termini correlati#

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

• Confidenza vs Accuratezza: L'Accuracy è una metrica globale che descrive quanto spesso un modello è corretto su un intero set di dati (ad esempio, "Il modello è accurato al 92%"). Al contrario, la confidenza è un valore locale e specifico per la previsione (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 sugli 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 previsioni effettuate con una confidenza di 0,8 sono corrette circa l'80% delle volte. Tecniche come il Platt scaling o la Isotonic Regression vengono spesso impiegate per allineare i punteggi alle probabilità empiriche.
• Confidenza vs Precisione: La Precision misura la proporzione di identificazioni positive che erano effettivamente corrette. Sebbene aumentare la soglia di confidenza generalmente aumenti 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 un minor numero di oggetti o alla minimizzazione dei falsi allarmi.

Migliorare la confidenza del modello#

Se un modello emette costantemente una bassa confidenza per oggetti validi, ciò segnala spesso una discrepanza tra il training data e l'ambiente di distribuzione. Le strategie per mitigare questo problema includono il data augmentation, che espande artificialmente il dataset variando illuminazione, rotazione e rumore. Inoltre, l'utilizzo di Ultralytics Platform per implementare pipeline di active learning consente agli sviluppatori di identificare facilmente 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 del mondo reale.