Confidence

Nel campo dell'intelligenza artificiale e del machine learning, un punteggio di confidenza è una metrica che quantifica il grado di certezza del modello rispetto a una previsione specifica. Il valore varia in genere da 0 a 1 (o dallo 0% al 100%) e rappresenta la probabilità stimata che l'output dell'algoritmo corrisponda alla verità di base. Per esempio, in un'attività di rilevamento degli oggetti, se un sistema identifica una regione dell'immagine come «bicicletta» con una confidenza di 0,92, significa che la probabilità stimata che la classificazione sia corretta è del 92%. Questi punteggi derivano dal livello finale di una rete neurale e vengono spesso elaborati tramite una funzione di attivazione, come Softmax per la classificazione multiclasse o la funzione Sigmoid per le decisioni binarie.

Il ruolo della confidenza nell'inferenza#

I punteggi di confidenza sono un componente fondamentale del flusso di lavoro del motore di inferenza e fungono da filtro per distinguere le previsioni di qualità elevata dal rumore di fondo. Questo processo di filtraggio, noto come applicazione di una soglia, consente agli sviluppatori di regolare la sensibilità di un'applicazione. Impostando una soglia minima di confidenza, puoi gestire il cruciale compromesso tra precisione e richiamo. Una soglia più bassa può rilevare più oggetti, ma aumenta il rischio di falsi positivi; una soglia più alta migliora la precisione, ma può causare la mancata rilevazione di istanze poco evidenti.

In molti rilevatori, i punteggi di confidenza sono essenziali per le tecniche di post-elaborazione come la soppressione non massima (NMS). La NMS utilizza questi punteggi per rimuovere i riquadri di delimitazione ridondanti che si sovrappongono in misura significativa, conservando solo il rilevamento con la probabilità più alta. Questo passaggio garantisce che l'output finale sia pulito e pronto per attività successive come il conteggio degli oggetti o il tracciamento. Ultralytics YOLO26 applica la NMS per impostazione predefinita e può anche funzionare senza NMS grazie alla sua head one-to-one (nms=False); in entrambi i casi, i punteggi di confidenza ordinano e filtrano i rilevamenti finali.

L'esempio Python seguente mostra come filtrare le previsioni in base alla confidenza usando 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: {results[0].names[int(box.cls)]}, Confidence: {box.conf.item():.2f}")

Applicazioni nel mondo reale#

I punteggi di confidenza forniscono un livello di interpretabilità indispensabile nei settori in cui si applica la visione artificiale (CV). Aiutano i sistemi automatizzati a decidere quando procedere in autonomia e quando inviare avvisi per una revisione umana.

• Guida autonoma: nel settore dell'AI nel settore automobilistico, 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 confrontare questi dati con quelli dei sensori LiDAR o del radar per verificarne la presenza prima di eseguire una manovra di emergenza. Questa ridondanza aiuta a prevenire le "frenate fantasma" causate da ombre o riflessi.
• Diagnostica medica: quando si usa l'AI in ambito sanitario, i modelli aiutano i professionisti sanitari segnalando potenziali anomalie nei dati di imaging. Un sistema progettato per il rilevamento dei tumori potrebbe evidenziare le regioni con un'elevata confidenza per una diagnosi immediata, mentre le previsioni con confidenza inferiore vengono registrate per un'analisi secondaria. Questo flusso di lavoro con intervento umano garantisce che l'AI supporti le decisioni cliniche senza sostituire il giudizio degli esperti.
• Automazione industriale: nella produzione intelligente, i bracci robotici usano i punteggi di confidenza per interagire con gli oggetti sulle linee di assemblaggio. Un robot dotato di AI basata sulla visione 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 dai termini correlati#

È fondamentale distinguere la confidenza dalle altre metriche statistiche usate nella valutazione del modello.

• Confidenza e accuratezza a confronto: l'accuratezza è una metrica globale che descrive con quale frequenza un modello fornisce risposte corrette su un intero dataset (ad esempio, "Il modello ha un'accuratezza del 92%"). La confidenza, invece, è un valore locale, specifico per una previsione (ad esempio, "Il modello è sicuro al 92% che questa specifica immagine contenga un gatto"). Un modello può avere un'accuratezza complessiva elevata e tuttavia mostrare una confidenza bassa nei casi limite.
• Confidenza e calibrazione delle probabilità a confronto: un punteggio di confidenza grezzo non corrisponde sempre alla vera probabilità di correttezza. Un modello è "ben calibrato" se le previsioni con una confidenza di 0,8 sono corrette circa l'80% delle volte. Per allineare i punteggi alle probabilità empiriche si usano spesso tecniche come la scalatura di Platt o la regressione isotona.
• Confidenza e precisione a confronto: la precisione misura la proporzione di identificazioni positive che erano effettivamente corrette. Aumentare la soglia di confidenza in genere incrementa la precisione, ma spesso a scapito del richiamo. Gli sviluppatori devono regolare questa soglia in base alla priorità dell'applicazione: rilevare il maggior numero possibile di oggetti o ridurre al minimo i falsi allarmi.

Migliorare la confidenza del modello#

Se un modello restituisce sistematicamente una confidenza bassa per oggetti validi, spesso ciò segnala una discrepanza tra i dati di addestramento e l'ambiente di deployment. Tra le strategie per attenuare il problema c'è l'aumento dei dati, che amplia artificialmente il dataset variando illuminazione, rotazione e rumore. Inoltre, usando la Ultralytics Platform per implementare pipeline di apprendimento attivo, gli sviluppatori possono individuare facilmente i campioni con bassa confidenza, annotarli e riaddestrare il modello. Questo ciclo iterativo è fondamentale per creare agenti AI robusti, capaci di funzionare in modo affidabile in contesti dinamici e reali.