Se hai gia letto l’articolo sui dati nell’IA, sai che senza dati un modello non impara nulla. Ma c’e una differenza enorme tra avere tanti dati e avere dati di qualità. Per capire come funziona l’addestramento, devi conoscere tre concetti fondamentali: dataset, label e ground truth.
Tre pilastri su cui si regge qualsiasi sistema di intelligenza artificiale.
Di cosa parleremo..
Cos’e un dataset
Un dataset é un insieme organizzato di dati usato per addestrare, validare o testare un modello. Pensa ad un album di figurine: ogni figurina é un dato, l’album intero é il dataset. Nel machine learning, un dataset può contenere immagini, testi, numeri, suoni o qualsiasi informazione che il modello possa elaborare.
Facciamo un esempio pratico.
Se vuoi addestrare un modello a riconoscere cani e gatti, il tuo dataset sarà composto da migliaia di foto. Ma non basta avere le foto: ogni foto deve essere accompagnata da una etichetta che dice al modello cosa rappresenta.
Ed ecco che entrano in gioco le label.
Cosa sono le label
Le label (dette anche etichette o annotazioni) sono le risposte corrette che associamo ad ogni dato del dataset. Sono il punto di riferimento che il modello usa durante l’addestramento per capire se sta sbagliando o meno.
Immagina un bambino che impara a riconoscere gli animali. Tu gli mostri una foto di un cane e gli dici: Questo é un cane. Quella frase é la label. Senza label, il bambino potrebbe guardare centinaia di foto senza mai capire cosa sta vedendo. Allo stesso modo, un modello senza label non ha modo di sapere se la sua interpretazione é corretta.
Le label possono essere di diversi tipi:
- Categoriche: cane/gatto, rosso/verde/blu, spam/non spam
- Numeriche: prezzo di una casa, temperatura, punteggio di qualita
- Binarie: si/no, vero/falso, presente/assente
- Strutturate: bounding box per oggetti in un’immagine, trascrizioni per audio
Esempio concreto: riconoscimento di spam
Prendiamo un caso comune: un modello che deve riconoscere le email spam. Il dataset sarà composto da migliaia di email. Ogni email avrà una label: spam o non spam. Durante l’addestramento, il modello legge ogni email, prova a classificarla e confronta la sua risposta con la label. Se sbaglia, corregge i suoi parametri. Se indovina, rafforza quella connessione.
Cosa significa ground truth
Il termine ground truth (verità di base) indica la realtà oggettiva, ciò che é veramente vero. In un dataset, la label ideale dovrebbe corrispondere esattamente alla ground truth. Ma qui sta il problema: le label sono fatte da esseri umani e gli esseri umani sbagliano.
La ground truth é il gold standard, il punto di riferimento assoluto. Quando etichetti una foto di un gatto, la “ground truth” é che quella foto contiene effettivamente un gatto. La label che scrivi dovrebbe essere identica alla ground truth, ma non sempre é cosi.
Label vs ground truth: dove nascono gli errori
La differenza tra label e ground truth é sottile ma cruciale. La label é quello che noi diciamo che un dato é.
La ground truth é quello che il dato é realmente.
Quando coincidono, tutto funziona. Quando divergono, iniziano i problemi.
Esempi di discrepanza tra label e ground truth:
- Una foto di un husky etichettata come lupo da un annotatore distratto
- Un’email promozionale marcata come spam per errore
- Una radiografia con una diagnosi sbagliata nel dataset medico
In tutti questi casi, il modello impara qualcosa di errato. Se il dataset contiene abbastanza errori, il modello diventera inaccurato o peggio: imparerà a riprodurre gli stessi errori.
La qualità del dataset fa la differenza
Un dataset di alta qualità ha tre caratteristiche fondamentali:
- Completezza: abbastanza dati per coprire tutti i casi significativi
- Accuratezza: le label corrispondono alla ground truth
- Bilanciamento: ogni categoria e rappresentata in modo proporzionato
Se stai addestrando un modello per diagnosi mediche, un singolo errore in una label potrebbe costare caro. Per questo in molti settori si usano doppie annotazioni: due persone diverse etichettano lo stesso dato e si confrontano i risultati. Solo quando concordano la label viene considerata valida.
Dataset pubblici famosi
Nel mondo dell’IA esistono dataset pubblici che hanno fatto la storia. Il più famoso e ImageNet, con oltre 14 milioni di immagini etichettate in 20.000 categorie. Altri esempi sono COCO per il riconoscimento di oggetti, MNIST per le cifre scritte a mano e IMDb per le recensioni di film con relativo sentiment.
Questi dataset sono cosi importanti perché le loro label sono state curate con attenzione, diventando un punto di riferimento per la comunità scientifica.
FAQ
Un dataset puo essere usato così com’é?
Quasi mai. I dataset raccolti dal mondo reale contengono rumore: dati mancanti, duplicati, errori. Prima di usarli, serve una fase di pulizia e preparazione.
Quanto costa creare un dataset etichettato?
Dipende dalla complessità. Etichettare immagini per un modello di computer vision può costare da pochi centesimi a diversi dollari per immagine, se servono competenze specializzate come in ambito medico.
Label e ground truth sono sempre la stessa cosa?
Dovrebbero esserlo, ma nella pratica non sempre lo sono. La label e l’etichetta umana. La ground truth é la realta oggettiva. Gli errori umani creano discrepanze tra le due.
Che differenza c’é tra dataset di training e di test?
Il dataset di training serve per addestrare il modello. Il dataset di test serve per valutarlo, e non viene mai visto durante l’addestramento. Entrambi devono essere etichettati con label accurate.
Cosa sono le label nel machine learning non supervisionato?
Nel machine learning non supervisionato non esistono label. Il modello cerca schemi da solo, senza sapere cosa i dati rappresentano. In questo caso non si parla di label ma di clustering o raggruppamenti.
