Con l’evoluzione dell'intelligenza artificiale (e anche attraverso algoritmi che sfruttano la crescente capacità elaborativa) le cose sono cambiate radicalmente, al punto che oggi in moltissimi settori le macchine (computer e software) sono diventate più brave di noi. Questa capacità di riconoscimento di immagini, e di caratteristiche di oggetti (quali la presenza di un sorriso su un volto), è ormai pervasiva (molti smartphone hanno la funzione di scattare la foto quando le persone inquadrate hanno gli occhi aperti, quando sorridono…).
Le imprese hanno la possibilità di sfruttare queste nuove capacità offerte dalla IA per i loro processi e per la offerta di servizi. Vediamo alcuni approcci ed un esempio di applicazione fornito da Reply.
Riconoscimento di immagine
Le immagini, catturate da sensori come “foto” o come “video” vengono pre-elaborate per migliorare la successiva analisi. Ad esempio si correggono i colori, sotto-sovra esposizione, orientamento, dimensioni. Questo compito può essere eseguito attraverso algoritmi normali o algoritmi di IA. Le immagini “elaborate” sono sottoposte al sistema di IA che è stato precedentemente addestrato al riconoscimento. L’addestramento è un elemento fondamentale del processo. Questo deve essere focalizzato al tipo di riconoscimento desiderato. Se l’obiettivo è di effettuare un riconoscimento di tipo generico si utilizzano milioni e milioni di immagini (ed è il caso dei sistemi di riconoscimento offerti dai big player, come Google). Viceversa, se il riconoscimento è focalizzato a certe tipologie di immagini e oggetti, situazione frequente per l’utilizzo da parte di una impresa, ad esempio per il controllo della produzione, allora il tipo di addestramento, pur partendo da modelli generali, viene finalizzato al dominio di interesse attraverso un processo di fine tuning.
Questo è il caso di riconoscimento di immagini effettuare da un robot nella catena di montaggio dove l’obiettivo è di riconoscere uno specifico pezzo e il punto in cui questo deve essere montato.
La focalizzazione aumenta la precisione del riconoscimento e diminuisce l’impegno elaborativo che deve essere utilizzato (maggiore velocità e minori consumi).
Comprensione dell’immagine
Questo passaggio potrebbe essere associato al precedente. In realtà mentre il nostro cervello non fa distinzione tra riconoscere e capire, per l’IA i due passaggi sono slegati. Ad esempio in un’auto a guida autonoma esiste un sistema di riconoscimento di immagine (che riceve le immagini da telecamere e LIDAR) ed un altro che, ricevute le informazioni sugli oggetti presenti valuta quale possa essere il significato da associare (una panchina sul lato della strada non si sposta, la persona seduta sulla panchina potrebbe spostarsi e lo spostamento avverrebbe con certi tempi …). La comprensione dell'immagine può essere migliorata dall'analisi di più elementi (ad esempio immagini consecutive che evidenziano un movimento, immagini contemporanee che evidenziano la presenza di alcuni eventi – quali un bambino e una palla …).
La comprensione dell’immagine è finalizzata all’obiettivo perseguito.
Analisi di immagini da satellite per identificare l’uso di pannelli fotovoltaici
Una compagnia di assicurazioni ha chiesto a Reply di identificare, tra i suoi clienti in Germania, quelli che hanno posizionato dei pannelli solari sul tetto per poterli contattare proponendo loro una estensione della copertura assicurativa.
Esistono vari fornitori di immagini satellitari per cui a partire dall’indirizzo dei clienti forniti dalla società di assicurazione non è un problema ottenere le foto satellitari dell’area. Tuttavia, in questa applicazione, occorre avere una notevole precisione per poter attribuire la presenza di un pannello solare ad una specifica abitazione. Questo sia perché in una foto satellitare il pannello solare può confondersi con pannelli di serre o certe tipologie di coperture del tetto sia perché un pannello potrebbe essere posizionato in modo in cui non è chiaro chi sia l’abitazione che ne fruisce.
Reply ha quindi sviluppato un sistema di addestramento focalizzato alla identificazione di pannelli fotovoltaici a partire da immagini satellitare e a comprendere la loro destinazione.
Conclusioni
L’esempio fornito è molto “particolare” ed è stato scelto proprio per evidenziare sia le potenzialità dell’IA sia la possibilità di focalizzare il riconoscimento ad esigenze specifiche.
Non solo il sistema di riconoscimento si è dimostrato efficace, la sua realizzazione è stata fatta in modo tale che via via che viene utilizzato continua ad apprendere e quindi a migliorare la sua capacità di riconoscere e capire.
Riferimento
https://www.reply.com/it/artificial-intelligence/solar-panel-detection