[banner]…[/banner]
Ad agosto dello scorso anno Apple ha comprato Turi, una startup di Seattle specializzata in soluzioni di apprendimento automatico e tecnologie di intelligenza artificiale. La Casa di Cupertino ha ora pubblicato su GitHub “Turi Create”, un nuovo framework dedicato al machine learning per aiutare gli sviluppatori a creare modelli di apprendimento automatico che è possibile sfruttare all’interno di applicazioni per vari sistemi operativi (macOS 10.11 e seguenti, Linux con glibc 2.12+ e Windows 10 via WSL)
Apple spiega che Turi Create è progettato per consentire lo sviluppo e la distribuzione di modelli di machine learning anche da parte di chi è avvezzo con tali metodi, approcci e algoritmi. Gli sviluppatori possono sfruttare funzionalità automatiche per il riconoscimento di oggetti, la classificazione di immagini e confrontare la loro similitudine. Sono supportati testi, immagini, audio, video e dati vari.
È possibile lavorare con modelli essenziali di machine learning, eseguendo analisi di regressione, esaminando dati non vettoriali come sequenze, alberi, grafi, e strutture a dimensione variabile in genere.
Sul servizio di hosting GitHub, il progetto è stato caricato dagli ingegneri Gustav Larsson, Srikrishna Sridhar e Zach Nation, tutti noti per il loro lavoro su CoreML, il framework di Apple dedicato all’apprendimento automatico. Sridhar e Nation lavoravano in precedenza per Turi; un quarto membro del team indicato come “afranklin” è probabilmente anch’esso un ingegnere del software che lavora per Apple.
Nel ReadMe Apple mostra un esempio con un meccanismo che permette di classificare un’immagine in base al suo contesto/contenuto e identificare a quale categoria o classe l’oggetto appartiene. Tutto il meccanismo richiede poche righe di codice e nell’immagine di accompagnamento è mostrato un esempio di app per iOS che identifica automaticamente un vaso da fiori, una fontana e una banana.
Sfruttando questi meccanismi di riconoscimento automatico di oggetti è possibile non solo individuare un oggetto ma anche verificare se questo fa parte di un’intera classe di oggetti (ad esempio la classe “automobile”). Riuscire a identificare un oggetto appartenente a una determinata classe non è un compito semplice: occorre generalizzare e astrarre dalla singola immagine elementi, identificando parti salienti dell’oggetto che appartengono a tutta la classe, valutando il livello di accuratezza. Tecnologie di questo tipo permettono di riconoscere in tempo reale oggetti presenti in una scena e classificare oggetti con innumerevoli potenziali campi di applicazione.
