Descrizione del progetto

Nel contesto del corso “Impariamo ad utilizzare l’Intelligenza Artificiale”, finanziato attraverso il bando DM65 del PNRR, gli studenti hanno realizzato un progetto pratico che ha visto l’addestramento di un algoritmo per il riconoscimento di alcuni oggetti presenti nelle immagini o nei video (cd. image recognition).

Utilizzando la piattaforma Google Teachable Machine, gli studenti hanno creato un modello di intelligenza artificiale capace di identificare la presenza di tre specifici elementi:

• sedie,
• lavagne digitali (digitalboard),
• computer.

Per costruire il dataset, i partecipanti hanno raccolto autonomamente un totale di 170 immagini, fotografando questi oggetti in diversi contesti, angolazioni e condizioni di illuminazione, unendo così l’apprendimento teorico a un approccio pratico e collaborativo.

Nonostante l’entusiasmo e l’impegno dimostrati, il modello ha mostrato un’accuratezza limitata, dovuta principalmente alla dimensione ridotta del dataset, che non è sufficiente a rappresentare adeguatamente la variabilità degli oggetti nel mondo reale. Questo esempio si è rivelato un’ottima occasione per comprendere quanto sia complesso l’addestramento di un’intelligenza artificiale: gli studenti hanno appreso che per ottenere un’accuratezza “discreta” o affidabile sono necessari dataset composti da migliaia, se non milioni, di dati, al fine di garantire al modello un’ampia gamma di esperienze di apprendimento.

Il progetto si è dimostrato estremamente formativo, evidenziando tanto le potenzialità quanto i limiti delle tecnologie di machine learning e stimolando la curiosità verso l’affascinante mondo dell’intelligenza artificiale.

A fine pagina è possibile visionare il modello addestrato dagli studenti.

Verificare le metodologie di addestramento di un' Intelligenza Artificiale, con un focus specifico sui problemi associati all'affidabilità, correttezza ed eterogeneicità dei dati di training e di test. Sperimentare quanto un algoritmo oggi classificato come semplice richieda una mole importante di dati per l'addestamento