Oggi voglio entrare un po’ più nel profondo di un aspetto tecnico, che ha grosse ripercussioni sulle possibilità, oggi, anche di una piccola o media azienda, di utilizzare tecniche di Machine Learning: il Transfer Learning.

Introduzione al Transfer Learning

Come al solito, per chi mi conosce, non parlo di cose dal solo punto di vista teorico e neppure di cose che stanno nell’ambito della ricerca avanzata: quello che mi interessa è far capire che queste tecniche sono veramente alla portata di chi vuole utilizzarle, soprattutto a livello industriale, che è l’ambito che mi interessa di più, e che, se anche non sono nuovissime, considerando la pazzesca velocità di evoluzione del campo, sono da una parte efficacissime e dall’altra ancora scarsamente utilizzate.

Importanza del Machine Learning

Qui però non si può fare a meno di parafrasare il famoso motto creato a suo tempo da Andrew Clay Shafer (“you are either building a learning organization or you will be losing to someone who is” ), che rimane certamente valido: o ti metti ad utilizzare il machine learning o verrai battuto da chi lo sta facendo”. Sarebbe interessante esplorare la relazione tra learning organization e machine learning … ma lo faremo un’altra volta.

Cos’è il Transfer Learning?

Dicevamo “Transfer Learning”: sostanzialmente significa utilizzare un modello di calcolo sviluppato per fare una certa cosa … per farne un’altra. La cosa può essere abbastanza sorprendete: “Ofelee fa el to mesté”!, recita un mai abbastanza ascoltato proverbio milanese; per i non iniziati ai misteri padani: “pasticcere, fa il tuo mestiere”, o, in altri termini, ciascuno faccia quello che è davvero capace di fare … non pretenda di fare o di metter becco in quello che fanno altri, più preparati di lui).

Perché mai un modello matematico addestrato per fare una cosa dovrebbe riuscire a farne bene un’altra?

Provo a partire da un esempio di atletica che mi ricorda la mia gioventù: c’era un campione di corsa italiano, anche se nato in Sudafrica (forse mi era già partito il “mal d’Africa” …), di nome Marcello Fiasconaro: era uno splendido corridore sui 400 metri piani, in Italia dominava a suon di record, ma coi campioni mondiali … non c’era storia. Ad un certo punto, il suo allenatore si accorse che in realtà, pur non riuscendo a raggiungere le vette di velocità degli specialisti americani, aveva più resistenza. Cambiò specialità, passò a correre gli 800 metri e fece sfracelli; il suo record mondiale strabiliò il mondo e resistette per moltissimi anni. Il punto è che l’allenamento fatto per lunghi anni sulla corsa più veloce, sommata alle doti di resistenza sviluppate successivamente, hanno prodotto una combinazione vincente: evidentemente anche la saggezza milanese ha i suoi limiti.

Si, vabbé … ma il machine learning cosa c’entra?

Reti Neurali e Generalizzazione

Qui bisogna introdurre un altro elemento: il modelli di machine learning che si usano oggi sono principalmente reti neurali profonde: si tratta di modelli molto complessi, anche senza arrivare agli LLM, e necessitano di incredibili moli di dati e di potenza di calcolo per essere addestrati: sicuramente una PMI non ha le risorse per farlo.

Tuttavia, questi modelli hanno anche la straordinaria capacità di “generalizzare”, cioè di saper interpretare anche dati che non hanno mai visto (altrimenti non servirebbero a nulla). Possiamo sfruttare queste doti, prendendo un modello addestrato da altri, ne esistono tantissimi, provare ad aggiungerci degli altri “strati” e ad addestrare solo quelli, poi magari anche fare quello che viene chiamato “fine tuning”, cioè completare l’addestramento di tutta la rete con i dati che ci interessano, ma partendo da quello che già c’è, senza doverla addestrare da zero.

Vantaggi del Transfer Learning

Con questa tecnica, abbiamo ottenuto (non solo noi, ovviamente, ma anche noi) risultati sorprendenti anche a partire di poche migliaia di fotografie che mostrano difetti di produzione, raggiungendo in qualche caso precisioni di riconoscimento superiori al 99% (beh … solo qualche volta, ma è successo davvero; in molti altri casi abbiamo comunque raggiunto precisioni molto buone, considerate tali non da noi, ma dai nostri clienti).

Siete sicuri di non volerci provare?