DataScienceSeed#10 @C1A0 EXPO

Con il ricordo della nona edizione del meetup ancora fresco, siamo già al lavoro per il nostro prossimo appuntamento!

Il decimo meetup di datascienceseed sarà ospitato nel contesto del C1A0 EXPO – Accessible Innovation, la fiera internazionale dedicata all’Intelligenza Artificiale, in programma a Genova il 15-16 novembre 2019, a Palazzo San Giorgio.

L’ incontro avrà luogo nella giornata di Venerdi 15 Novembre, la registrazione è gratuita su eventbrite

 

Anche questa volta avremo numerosi interventi di alto livello. Ecco l’agenda del meetup:

 


State-of-the-art concepts in NLP and their limits

Come una macchina può comprendere il linguaggio? Quali erano e come stanno evolvendo gli algoritmi? Quali sono i successi e soprattutto i limiti? Alla base dei moderni algoritmi di deep learning per il linguagio ci sono dei meccanismi molto semplici che hanno rivoluzionato il settore. Tra questi troviamo il concetto di Autoencoder e il meccanismo di Attenzione. Comprenderne la struttura, la base teorica che poi invoca la teoria dell’informazione classica è sia utile che interessante. L’idea è di mostrare con esempi semplici questi concetti ed enfatizzarne le applicazioni. Queste vanno dalla traduzione, alla generazione di testi fino alla diagnosi di malattie neurodegenerative. Ci sono però anche dei limiti, problemi che difficilmente una macchina è in grado di risolvere e che invece il nostro cervello comprende (quasi) al volo. E’ proprio navigando in questi limiti dell’intelligenza artificiale che comprendiamo quanto la nostra mente, oltre ad essere fonte di ispirazione per la ricerca, sia straordinaria.

Cristiano De Nobili è un fisico teorico delle particelle, con un Ph.D. in fisica statistica alla SISSA di Trieste. Partendo dalla computer vision, ora è scienziato senior di Deep Learning nel team AI che lavora attivamente sul linguaggio intelligente presso Harman, una società Samsung. Cristiano è anche istruttore di Machine / Deep Learning per Deep Learning Italia, per AINDO (Trieste) e recentemente anche per il Master in High Performance Computing (SISSA / ICTP) tenutosi a Trieste.

 


Applicazione su sensoristica IoT di reti neurali per la predizione

Le reti neurali possono essere utilizzate  per apprendere pattern ricorrenti su sequenze temporali di misure fisiche da sensoristica IoT. Nel caso d’uso che esamineremo, la rete neurale viene utilizzata per prevedere il consumo di energia elettrica di un edificio e monitorare il comportamento dei sensori IoT, con gli obiettivi di ottimizzare i consumi a partire dalle previsioni e di identificare la presenza di anomalie nei consumi o nel comportamento dei sensori. Le principali caratteristiche che rendono le reti neurali preferibili rispetto ad altri sistemi “classici” sono la capacità di adattarsi al compito e al contesto in cui operano e la loro velocità di esecuzione. Nell’ambito delle nuove sfide da affrontare per poter sfruttare a pieno le potenzialità offerte dall’intelligenza artificiale nel mondo dell’IoT, ci proponiamo di estendere i modelli di rete neurale a scenari più complessi (multi-edificio e multi-sensore) e implementare algoritmi “embedded” che consentano di fare inferenza direttamente sui device riducendo latenze ed instabilità di un sistema di machine learning.

Emanuele Pomante ha un dottorato in fisica all’università di Trieste, con studi focalizzati sull’analisi e sull’elaborazione di segnali spettrali molto deboli di origine astrofisica. Nel 2017 a Londra ha preso parte ad un programma intensivo di Data Science rivolto ai dottori di ricerca grazie al quale ha ottenuto il suo primo incarico in un progetto di AI presso un’azienda di Londra.
Dal 2018 è Data Scientist presso Gruppo Filippetti azienda leader in Italia per le tecnologie di smart safety, nei settori dell’ Internet of Things e dell’ Industria 4.0.


L’evoluzione della computer vision nell’era neurale: scienza & impresa

Nel corso di questo intervento esamineremo l’evoluzione del paradigma di detection, tracking e classification in computer vision: partendo dalla localizzazione di oggetti fino alla generazione di contenuti sintetici, con un excursus finale sugli “adversarial attack” anni ’90 (non “neurali”). Il caso d’uso che considereremo è CyclopEye, una Smart parking solution basata su reti neurali. CyclopEye è una soluzione personalizzabile e a basso costo per parcheggi intelligenti: consiste in un sensore video in grado di controllare lo stato occupazionale fino a sei posti auto contemporaneamente e di segnalarlo all’utente. Cyclopeye inoltre sfrutta la computer vision per fornire supporto alla gestione del parcheggio con funzionalità aggiuntive come: lettura targhe, riconoscimento oggetti abbandonati, parcheggio abusivo, riconoscimento volti, find-your-car e molti altri ancora. In altre parole una tecnologia che aiuta sia gli automobilisti che stanno cercando parcheggio, sia i responsabili dei parcheggi, che possono così monitorare lo stato della loro area controllando gli ingressi, identificando le categorie di veicoli che circolano e rilevando eventuali violazioni.

Alessandro Ferrari ha una Laurea Magistrale in Informatica e 10+ anni di esperienza in Computer Vision e del Machine Learning, con particolare attenzione a localizzazione, tracking e riconoscimento di oggetti. Nel 2016 fonda ARGO Vision (www.argo.vision), una startup innovativa che sviluppa soluzioni proprietarie AI-based per diversi mercati (AR, VR, Smart Parking, etc.).


Il meetup DataScienceSeed fa parte delle iniziative dell’associazione

IAML, Italian Association for Machine Learning

DataScienceSeed #10 verrà ospitato nel contesto di:

Palazzo San Giorgio, Genova
15-16 Novembre, 2019

 

DataScienceSeed#9 @ Linux Day Genova

Il Linux Day 2019 di Genova è stato organizzato in collaborazione tra Liguria Digitale ed il meetup Data Science Seed.
Si è svolto su due giorni e due sedi:
Venerdì 25 Ottobre dalle ore 15:30 agli Erzelli  – Linux Day +  Meetup #9 DataScienceSeed
Sabato 26 Ottobre in centro Genova  – Linux Day
L’agenda del meetup del Venerdi era molto fitta. Di seguito trovate i contenuti con il materiale presentato:

Ansible Use Case: Da zero a server di posta

Sia la gestione di grandi server farm sia quella di piccole installazioni può diventare un lavoro complesso, ma anche ripetitivo e noioso. Strumenti come Ansible nascono per automatizzare e orchestrare attività su una grande varietà di piattaforme e sistemi. In questo talk abbiamo visto come da un piccolo file di testo sia possibile arrivare alla completa installazione e configurazione di un servizio di posta elettronica.

Luca Berruti è senior engineer in SIR s.r.l. Responsabile della gestione e della conduzione di infrastrutture di sistemi in ambienti misti in ambito open source e proprietario. Ansible evangelist in azienda, si interessa di automazione, ottimizzazione e monitoraggio dei processi ICT.

 


(Semi)-automatic dataset preparation con youtube-dl e YOLOv3

Inutile girarci intorno, nel Deep Learning chi ha più dati vince. E come qualunque data scientist vi potrà confermare, la preparazione del dataset è la parte più lunga e “dolorosa” del lavoro. Fortunatamente, specialmente in ambito Computer Vision, i passi avanti nel Deep Learning e la potenza dei software rilasciati sono stati tali per cui oggi, il provetto data scientist, ha nella sua toolbox un set di strumenti formidabili in grado di alleggerire non poco il triste lavoro di raccolta, ritaglio e labeling delle immagini. In attesa di una coorte di assistenti virtuali che faranno tutto il lavoro al posto nostro, ci accontentiamo di YOLO (You Only Look Once), lo stato dell’arte nel campo dei real-time object detection systems, per dare un label e ritagliare gli oggetti che ci interessano a partire da semplici video di Youtube.

Andrea Ranieri è ricercatore presso il Consiglio Nazionale delle Ricerche, Istituto di Matematica Applicata e Tecnologie Informatiche (IMATI), dove si occupa di Deep Learning principalmente in ambito Computer Vision. Andrea ha una laurea in Ingegneria Informatica, un Dottorato di Ricerca in Scienze ed Ingegneria dello Spazio e un background tecnologico estremamente vario che va da networking e sistemi distribuiti a robotica e perception. Usa Linux e C++ quotidianamente da più di 15 anni e Python da meno di 1. I suoi interessi di ricerca vanno dalla semplice classificazione di immagini alla segmentazione al training di modelli per la Super-Resolution di immagini.

 

 


Adversarial Machine Learning, problematiche e rimedi

Gli algoritmi di machine learning sono vulnerabili a campioni di input ben progettati chiamati Adversarial Example. Si tratta di input realizzati con perturbazioni impercettibili per l’uomo, per esempio cambiando pochi pixel ben specifici in un’immagine, ma che possono facilmente ingannare gli algoritmi nella fase di test e funzionamento online, tanto da spingerli a sbagliare la classificazione. Si tratta di vulnerabilità da studiare, per evitare che un attaccante possa spingere un algoritmo a fare quello che lui vuole, magari con obiettivi fraudolenti per creare attacchi alla sicurezza di un sistema. In questo intervento abbiamo discusso problematiche e le tecniche per evitarle.

Roberto Marmo è formatore, consulente, professore a contratto di Informatica nella Facoltà di Ingegneria della Università di Pavia, laboratorio Computer Vision Multimedia Lab. Autore di una dozzina di libri sull’uso dei social media, estrazione ed analisi dati dai social media, visualizzazione scientifica. Interessato allo sviluppo di sistemi con computer vision e artificial intelligence.

Le slide di Roberto sono a questo link (pdf 1.5M) 


Docker per Machine/Deep Learning

Creare modelli di Deep Learning può essere complicato a causa della difficoltà di installare CUDA, cuDNN, e dipendenze multiple, oltre che per le differenze tra gli ambienti di sviluppo e di produzione. Inoltre, tipicamente le librerie di Deep Learning tendono a favorire un aggiornamento costante a discapito della compatibilità all’indietro: modifiche sostanziali accadono molto più di frequente che in altri contesti. La soluzione a tutti questi problemi consiste nel ridurre tutte le vostre dipendenze ad una sola: Docker. Nel corso del suo intervento Andrea Panizza ci ha introdotto Docker e ci ha spiegato perché rappresenta una soluzione molto più adatta per il Deep Learning rispetto all’utilizzo di Virtual Machines, o Python virtual environment. Andrea ci ha inoltre mostrato come fare il deployment di un paio di applicazioni di Deep Learning su qualsiasi macchina con una moderna GPU NVIDIA ed una connessione Internet.

Andrea Panizza è Senior Data Scientist in Baker & Hughes. Andrea sviluppa soluzioni di Intelligenza Artificiale per il business Turbomachinery and Product Solutions, al fine di aumentare la produttività interna, migliorando i processi di manufacturing ed ingegneria (smart people & processes) e la competitività dei nostri prodotti (smart products).  

Le slide e il codice di Andrea si trovano a questo link (github) 

 


Lascia il tuo feedback sull’evento DataScienceSeed #9 @LinuxDay


Il meetup DataScienceSeed fa parte delle iniziatove dell’associazione

IAML, Italian Association for Machine Learning

DataScienceSeed #9 @ Linux Day Genova verrà ospitato da:

Auditorium Liguria Digitale – Erzelli

Il LinuxDay Genova proseguirà sabato 26 Ottobre in Genova Centro.

DataScienceSeed#8 – Evoluzione Interfacce Vocali e Strategia Nazionale AI

Di seguito l’agenda dell’ottavo DataScienceSeed meetup di Martedi 1 Ottobre

Se hai partecipato, lasciaci un feedback!


 

Evoluzione di Interfacce Vocali

Il trend delle interfacce uomo macchina punta ad un sempre maggiore utilizzo di sistemi basati su voce, recentemente popolarizzati anche grazie alla diffusione di “smart speakers” di successo commerciale. La voce permette di ridurre l’attrito sperimentato dagli utenti in termini di interazioni uomo-macchina, non richiedendo attenzione esclusiva da parte dell’utilizzatore e permettendo sempre più spesso l’utilizzo di un linguaggio naturale.

Dotvocal  basa su questo modo naturale di comunicare le proprie soluzioni vocali e multimodali, nelle quali l’azienda può vantare tra le più importanti realizzazioni in campo nazionale ed internazionale. La peculiare trasversalità delle tecnologie vocali ha permesso a Dotvocal di sviluppare soluzioni per molti clienti in svariati settori: piattaforme di infotainment in ambito automotive, funzionalità di traduzioni linguistiche, gestione di portali telefonici automatici per società di trasporti e logistica, oltre ad aver sviluppato un proprio prodotto completamente innovativo nell’ambito degli ausili per disabili, che permette di fruire dei contenuti del PC e di Internet usando in modo semplice i comandi vocali.

Enrico Reboscio è fondatore e CEO di DotVocal e ci ha raccontato la sua esperienza nell’evoluzione di questa tecnologia, del relativo mercato e delle opportunità e dellesfide che si prospettano.

Le slide di Enrico sono a questo link (pdf 1.2M)

Per ricevere le credenziali di accesso al dataset presentato da Enrico alla fine del talk, compila il form qui sotto


Strategia Nazionale AI

Marco Bressani ci ha parlato della sua esperienza come membro del gruppo di esperti di alto livello selezionati dal Ministero dello Sviluppo Economico per elaborare la strategia nazionale sull’Intelligenza Artificiale e contribuire al Piano Coordinato promosso dalla Commissione Europea. I trenta superesperti sono stati selezionati tra esponenti del mondo imprenditoriale, delle associazioni di categoria, del mondo della ricerca, dell’università e della società civile con gli obiettivi di conoscere, approfondire ed affrontare il tema dell’Intelligenza Artificiale, valorizzare la ricerca, l’educazione e la formazione, nonché attrarre e favorire gli investimenti pubblici e privati. L’Italia punta ad avere un ruolo di avanguardia in Europa in questo settore strategico, considerato un’opportunità senza precedenti per incrementare la produttività del lavoro e per consentire progressi straordinari verso lo sviluppo sostenibile, senza perdere di vista i rischi derivanti da evantuali usi “incauti” dell’AI. Il lavoro del gruppo si è concluso lo scorso maggio con la pubblicazione di un paper di oltre 100 pagine dal titolo “Proposte per una strategia italiana per l’Intelligenza artificiale”, è ora all’attenzione dei tecnici del Ministero.

Marco Bressani, imprenditore e consulente di direzione, è fondatore e amministratore di Digital Tree, ecosistema dedicato alla creazione di Competenze ed Impresa in ambito Intelligenza Artificiale.

Le slide di Marco sono a questo link (pdf 1.5M) 


Il meetup DataScienceSeed fa parte delle iniziatove dell’associazione IAML, Italian Association for Machine Learning

Questo incontro è possibile anche grazie al supporto di

DotVocal

Wonder Talent Investor

Gruppo IB