{"id":50162,"date":"2019-01-10T07:00:12","date_gmt":"2019-01-10T06:00:12","guid":{"rendered":"http:\/\/smeupnew.it\/magazine\/blog\/machine-learning-google-automl\/"},"modified":"2021-03-30T11:19:47","modified_gmt":"2021-03-30T09:19:47","slug":"machine-learning-google-automl","status":"publish","type":"post","link":"https:\/\/www.smeup.com\/magazine\/blog\/machine-learning-google-automl\/","title":{"rendered":"Machine Learning: cos\u2019\u00e8 e come funziona Google AutoML?"},"content":{"rendered":"

Google ha recentemente sviluppato modelli di Intelligenza Artificiale (AI) basati sul Machine Learning utilizzando reti neurali. Il motore Google per la creazione di questi modelli \u00e8 stato definito AutoML ed \u00e8 basato su altri meta-modelli di AI. Per meta-modelli si intende che Google ha gi\u00e0 sviluppato modelli di AI che riconoscono immagini per esempio (riconoscono elementi in una immagine, per la precisione). Partendo da questo modello puoi specificare in modo migliore quello che Google fa gi\u00e0 (es. Google riconosce un tavolo e tu puoi indicare a Google che il tavolo \u00e8 quello dell\u2019ufficio). L’utente ha quindi la possibilit\u00e0 di contestualizza rispetto alla propria realt\u00e0 quello che Google fa in modo generico. Al momento il suo utilizzo \u00e8 limitato al riconoscimento immagini, testo e lingua (nell\u2019accezione relativa alla traduzione); prossimamente sar\u00e0 utilizzabile anche per i video. Si chiama AutoML perch\u00e9 si basa su modelli gi\u00e0 esistenti.<\/p>\n

AutoML e smeup LAB<\/h2>\n<\/div>
<\/div><\/div><\/div>

Il risultato del training \u00e8 un modello; sono modelli facili da creare e integrare, con costi esigui. Il costo, prima di AutoML, stava nel creare le immagini e nel classificarle nel modo giusto (quindi \u00e8 il training ad essere effettivamente costoso). Con Google AutoML \u00e8 molto meno costoso perch\u00e9 bastano poche centinaia di immagini per costruire un modello affidabile. Fino a pochi anni fa, infatti, ci volevano decine di migliaia di immagini.
\nUn altro vantaggio dei modelli costruiti con AutoML \u00e8 che sono molto facili da integrare. Questo perch\u00e9 Google espone le API (Web services) a cui \u00e8 sufficiente passare l\u2019immagine e ottenere la risposta di quello che l\u2019immagine contiene (i cosiddetti tag). Questo significa che \u00e8 possibile integrare in Sme.UP ERP modelli precedentemente costruiti su Google AutoML; l\u2019integrazione permetterebbe al gestionale e al modello creato di comunicare tra loro mediante dei tag (es. entrata\/uscita).<\/p>\n

Abbiamo gi\u00e0 iniziato ad approcciarci a questo motore e attualmente ci stiamo concentrando sulla parte Vision. Training = insegnare alla macchina (al sistema) utilizzando degli esempi a riconoscere oggetti all\u2019interno di una foto.\u00a0Io gli mando foto con esempi e gli dico cosa rappresenta l\u2019esempio poi gli do tante foto e si costruisce una memoria interna e quando gli mander\u00f2 qualcosa con dentro quell\u2019esempio lui lo riconoscer\u00e0. Una cosa interessante di Google AutoML \u00e8 la possibilit\u00e0 di effettuare dei training basati sulle proprie esigenze specifiche.<\/p>\n<\/div>

<\/div><\/div><\/div>
<\/div>
<\/div>
<\/div>
\"smeup<\/span><\/div>
<\/div>
<\/div>
<\/div>
\"smeup<\/span><\/div>
<\/div>
<\/div>
<\/div>
\"smeup<\/span><\/div>
<\/div><\/div><\/div>

Per fare un esercizio, siamo partiti dalle immagini delle automobili catturate dalle telecamere fuori dalla nostra sede di Erbusco. Queste telecamere sono collegate a Sme.UP ERP e, tramite riconoscimento delle targhe, invia un segnale di apertura automatica al cancello e registra l\u2019accesso e l\u2019uscita delle vetture (per approfondire questo tema leggi questo articolo<\/a>). Abbiamo costruito il nostro personale sistema di training per insegnare a Google AutoML a riconoscer le macchine in ingresso dalle macchine in uscita. Utilizzando le immagini delle auto per fare dei test, abbiamo insegnato a AutoML a comprendere se e come il sistema capisce come abbiamo voluto classificare le immagini stesse. Nel nostro caso abbiamo insegnato al sistema di capire se un\u2019auto fosse in entrata o in uscita dalla sede; effettivamente il modello classificava nel modo corretto le immagini delle auto.<\/p>\n

Possibili utilizzi di Google AutoML in un\u2019azienda<\/h2>\n

Sono innumerevoli le potenzialit\u00e0 di utilizzo in una azienda di AutoML cos\u00ec come i settori di applicazione di questa importante innovazione.<\/p>\n

Di seguito ne elenco solamente alcune:<\/p>\n