Pensieri d'assestamento

Immaginiamo di stare in una piazza affollata, a chilometri di distanza, e cercare di capire quando un moscerino attraversa il fascio di un faro. Impossibile, vero? Eppure, è esattamente quello che gli astronomi fanno ogni giorno: cercano pianeti osservando quando oscurano per un attimo la luce della loro stella. Questi “battiti di ciglia” cosmici si chiamano transiti , e sono talmente impercettibili che trovarne uno è come cercare un ago in un pagliaio grande quanto l'universo. Ma cosa succederebbe se potessimo insegnare a un computer a diventare il miglior cacciatore di pianeti del mondo? Indice 🧪 L'esperimento 🧠 Il cervello artificiale 🎓 L'addestramento: una storia di crescita 🏆 La grande sfida: IA vs metodi classici 🧪 Il percorso di ottimizzazione 🌟 Perché l'IA vince (e quando) ⚠️ I limiti (quelli veri) ⚠️ Limiti critici dell'analisi 🚀 Come superare il plateau: la roadmap 🎓 Le 5 lezioni che ho imparato 🌍 L...

Prosegue la mia ricerca relativa a potenziali ausili didattici in grado di favorire la ritenzione delle informazioni. In questo post vi presento un'app Android appena nata che trasforma l'esercizio cognitivo in un'esperienza dinamica e divertente.  L'ho denominata Memo Touch e combina gaming e allenamento cerebrale in modo innovativo: parole colorate che salgono sullo schermo, rimbalzano e collidono tra loro. L'obiettivo? Toccarle tutte e poi ricordare quali sono state toccatr. Un gameplay in 3 fasi 1. Prepara la sfida  Crea sequenze personalizzate di parole, scegli il livello di difficoltà e prepara la tua lista. Puoi salvare diverse configurazioni e tenere traccia dei tuoi record personali. 2. Cattura le parole   Le parole prendono vita con colori, dimensioni e velocità casuali. Si muovono, rimbalzano, lasciano scie luminose e quando le tocchi esplodono con effetti particellari e suoni. La fisica realistica rende ogni sessione unica e imprevedibile. 3....

Nell’apprendimento del codice sorgente esiste una soglia critica che spesso non viene affrontata in modo esplicito: il passaggio dalla lettura assistita alla ricostruzione autonoma.  Finché il testo rimane pienamente visibile, il cervello può affidarsi al riconoscimento; quando invece il supporto visivo viene ridotto o eliminato, entra in gioco una forma di memoria più profonda, che richiede organizzazione, previsione e controllo.  Uno strumento didattico potrebbe sperimentare proprio questa transizione, chiedendo all’utente di riordinare e ricomporre frammenti di codice mentre la loro completezza diminuisce progressivamente.  Dal punto di vista delle scienze cognitive, questo meccanismo intercetta uno dei principi più robusti dell’apprendimento: la conoscenza si consolida quando l’informazione viene richiamata attivamente, non quando è semplicemente ripetuta o riletta. Quando una riga di codice diventa incompleta, l’attenzione non può più appoggiarsi alla gr...

Nel suo romanzo “Il deserto dei Tartari” , Dino Buzzati racconta la storia di Giovanni Drogo, un giovane ufficiale destinato alla Fortezza Bastiani, un avamposto isolato che vigila un confine da dove potrebbe attaccare, un giorno, il nemico. Ma quel giorno non arriva mai, o arriva quando è ormai inutile. La vita trascorre sospesa in un'attesa che si consuma. A oltre ottant'anni dalla pubblicazione, il libro risuona più attuale che mai nella nostra epoca. Nell'era di algoritmi e automazioni, l'attesa è diventata anche una condizione tecnologica.  Nella fortezza il tempo è rigidamente regolato: turni, controlli, protocolli.  I soldati sempre in attesa dei Tartari obbediscono a una logica che ha una sua razionalità interna ma che, osservata dall'esterno, si rivela sterile. È un paradigma che richiama l'architettura dell'IA moderna. Gli algoritmi che governano le nostre vite — suggerimenti digitali, sistemi predittivi, filtri, classificatori — creano...

Il mio Random Forest raggiungeva il 92% di accuracy su cerchi e croci.  Sul telefonino, le prime versioni davano predizioni puramente casuali.  Il problema non era il modello, ma tutto il resto! In Python scrivi  model.predict(X_test) e funziona.  Su Android devi ricostruire l'intera pipeline da zero.  Il modello è solo l'ultimo pezzo di un sistema che include acquisizione sensori, preprocessing, feature extraction e normalizzazione.  Se uno di questi pezzi diverge anche minimamente dal training, il modello vede dati da un'altra distribuzione e le performance crollano. Ho fatto convertire dall’IA il Random Forest in ONNX, un formato universale per modelli ML.  La conversione preserva perfettamente gli alberi decisionali, e ONNX Runtime su Android gestisce l'inferenza in modo efficiente, ma questo risolve solo il problema di far girare il modello, non quello di dargli gli input giusti. Le 122 feature del mio modello includevano statistiche temporali, tr...

Sono lieto di condividere i risultati di un esperimento di classificazione di gesti utilizzando sensori IMU (accelerometro e giroscopio). L'obiettivo era distinguere tra due movimenti della mano: tracciare un cerchio  o una  croce nell'aria.  L'addestramento è iniziato con un dataset di segnali IMU a 6 dimensioni raccolti col mio smartphone durante l'esecuzione dei gesti.  Inizialmente ho utilizzato reti neurali ricorrenti (GRU) e convoluzionali (CNN), ma entrambe hanno mostrato un problema critico: predicevano sistematicamente una sola classe, il cerchio, raggiungendo appena il 49% di accuracy. Nonostante il bilanciamento del dataset e l'ottimizzazione degli iperparametri, le reti neurali profonde faticavano a convergere su questo tipo di dati temporali. La vera svolta è arrivata quando ho deciso, un po' a malincuore, di abbandonare le reti neurali e cambiare approccio, passando a un  sistema basato su feature ad hoc.  Ho estratto, con l'aiuto dell'IA, ...