Pensieri d'assestamento

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, ...

L'articolo presenta i risultati di un'implementazione che combina il training di una rete neurale in Python con la sua esecuzione su un dispositivo embedded a risorse limitate per approssimare la funzione matematica sin(x). La rete neurale utilizzata è del tipo feedforward (MLP) con una struttura semplice ma efficace. Il layer di input accetta un singolo neurone che rappresenta il valore x in radianti. Questo viene processato attraverso un layer nascosto di 8 neuroni con attivazione tanh, per poi produrre un singolo output tramite un neurone con attivazione lineare che restituisce il valore sin(x). Questa architettura 1-8-1 rappresenta un buon compromesso tra accuratezza e utilizzo di memoria, aspetto cruciale per dispositivi embedded molto economici. Il training è stato effettuato su 1000 campioni uniformemente distribuiti nell'intervallo [0, 2π]. Questo range copre un ciclo completo della funzione seno, permettendo alla rete di apprendere l'intero pattern della funzi...

Il panorama dello sviluppo software sta vivendo una trasformazione profonda. L'avvento degli assistenti IA ha reso possibile ciò che fino a poco tempo fa richiedeva molto lavoro e competenze specialistiche multiple: la creazione di applicazioni complete e funzionali in tempi ridotti. Un caso concreto: Gestionale Tempo-Lavoro Un esempio particolarmente significativo di questa rivoluzione emerge dallo sviluppo di applicazioni per la gestione intelligente del tempo professionale e degli impegni lavorativi. Grazie all'assistenza dell'IA, è stato possibile realizzare un sistema completo che integra funzionalità avanzate di pianificazione con gestione multi-cliente e codifica visiva, calendari interattivi con viste multiple mensili, settimanali e a formato agenda, oltre a un sistema intelligente di rilevamento conflitti e sovrapposizioni che supporta l'auto-pianificazione basata su disponibilità effettive e giorni lavorativi. L'intelligenza nella gestione del tempo si m...

Prima di sparire, il giovane fisico Ettore Majorana scrisse due brevi messaggi: uno destinato alla sua famiglia, l'altro ad Antonio Carrelli, che dirigeva l'Istituto di Fisica napoletano. Per generazioni, storici, filosofi e biografi hanno riletto più volte e interpretato queste lettere in molteplici modi. Oggi, tuttavia, disponiamo di uno strumento inedito: sistemi di Intelligenza Artificiale sofisticati capaci di esaminare la tessitura linguistica, misurandone parametri come l'ambiguità e la consistenza logica interna. Con essi possiamo individuare dove e come Majorana abbia intenzionalmente costruito significati multipli. L'analisi si è basata su cinque parametri linguistici per quantificare il livello di ambiguità: la Modal Density, ovvero la frequenza di locuzioni che esprimono incertezza, possibilità o propositi non categorici (come “spero”, “forse”, “ho intenzione di”); il Contradiction Index, che identifica la coesistenza di scenari contraddittori all'intern...

Ero lì la settimana scorsa che cercavo di ricordarmi il nome di una persona. Sapete quando ce l'avete sulla punta della lingua ma proprio non vi viene? Niente da fare. Allora ho cominciato a ragionare per iniziali. “Iniziava per M? No, aspetta... MA? Sì, MA qualcosa. MAN? MANUEL! Ecco, era Manuel.”  Quando ho collegato anche il possibile cognome, la memoria è scattata subito. È l’effetto dei vincoli aggiuntivi nei modelli di memoria associativa: più elementi noti inserisci, più il sistema converge verso uno stato stabile — quello giusto.  Praticamente il mio cervello stava facendo un pattern completion progressivo. Gli davo sempre più informazione (M → MA → MAN) finché non è scattato il click. Questo fenomeno si chiama “tip of the tongue” (TOT) ed è studiato dai neuroscienziati da decenni.  Si verifica quando hai accesso parziale a un ricordo - tipo le iniziali o il numero di sillabe - ma non riesci a recuperare l'informazione completa. È un classico esempio di come la me...

Studiamo oggi, ricordiamo domani, ma dopo pochi giorni alcuni dettagli possono svanire. Questo fenomeno non è casuale. Già alla fine dell’Ottocento Hermann Ebbinghaus mise in evidenza che la memoria segue un andamento ben preciso: senza ripasso, ciò che apprendiamo tende a dissolversi rapidamente all’inizio, poi in modo più lento. Nasce così l’idea della “curva dell’oblio”. La scoperta più importante, però, non è che dimentichiamo, ma che questo processo si può rallentare. Se un’informazione viene ripresa proprio nel momento in cui rischia di svanire, il cervello la consolida più a fondo e la rende più persistente. Questo principio è alla base della ripetizione spaziata: invece di ripetere tutto in una sola volta, conviene ripassare poche volte ma a distanza crescente. Proprio da qui nascono gli algoritmi implementati in una mia app di flashcard che sto finendo di valutare proprio in questi giorni. Tra i più moderni c’è l’FSRS (Free Space Repetition Scheduler), che non applica interval...

Nel panorama educativo contemporaneo, comprendere i fattori che influenzano la scelta di un istituto scolastico è diventato cruciale per la pianificazione strategica. Questo post esplora come le reti neurali possano aiutare gli istituti a comprendere meglio le dinamiche di iscrizione, identificando pattern non lineari nelle preferenze degli studenti e supportando decisioni strategiche più informate. Il problema: capire chi si iscrive Quando uno studente valuta l'iscrizione a un istituto, molteplici fattori entrano in gioco, spesso interagendo in modi complessi e non lineari. Non si tratta semplicemente di sommare vantaggi e svantaggi, ma di comprendere come questi elementi si influenzino reciprocamente. I Fattori in gioc o Immaginiamo di considerare i seguenti elementi che influenzano la decisione di iscriversi: Prospettive future (tasso di occupazione dei diplomati) Motivazione pratica (interesse per i laboratori) Accessibilità logistica (distanza da casa e qualità dei trasporti) ...