Teachable Machine

Questa recensione di Teachable Machine illustra le funzionalità dello strumento web, le sue caratteristiche, il costo, come addestrare un modello passo dopo passo e come si colloca rispetto ad altri strumenti di machine learning. Teachable Machine è un esperimento di Google Creative Lab: l’utente mostra al computer degli esempi, il sistema impara a riconoscere gli schemi e l’utente testa il modello in tempo reale utilizzando la webcam o il microfono. Anziché essere programmato in modo esplicito, il modello apprende dagli esempi che gli vengono forniti. La versione 2.0, lanciata nel novembre 2019, ha aggiunto progetti relativi al suono e alle pose al classificatore di immagini originale del 2017.

A cosa serve Teachable Machine?

Teachable Machine viene utilizzato per creare modelli di machine learning per la classificazione: distinguere immagini, suoni o pose del corpo. I progetti tipici consistono nell’ordinare oggetti davanti a una webcam, rilevare suoni semplici come un battito di mani o un fischio, riconoscere gesti delle mani o movimenti del corpo, oppure distinguere un gatto da un cane. Gli insegnanti lo utilizzano durante le lezioni per mostrare agli studenti come l’intelligenza artificiale apprenda dai dati, mentre i maker lo impiegano per controllare giochi, siti web e progetti fisici come un robot Arduino.

Trattandosi di uno strumento basato sul web che non richiede installazione, chiunque disponga di un browser può accedervi, il che rende facile realizzare progetti con gli amici o con la classe. È anche uno strumento di ricerca. Un documento di Google del 2020 riporta che oltre 182.000 utenti in 201 paesi hanno creato più di 125.000 modelli di classificazione con questo strumento, e che istituzioni come la Stanford d.school, l’ITP della NYU e il MIT Media Lab lo hanno utilizzato nell’insegnamento (Google Research).

Caratteristiche principali

• Tre tipi di progetti per modelli di machine learning personalizzati: progetti relativi a immagini, audio e pose, ciascuno addestrato su esempi registrati tramite webcam o microfono oppure caricati come file.
• Addestramento nel browser: l’addestramento avviene sul proprio computer, quindi i dati rimangono sul dispositivo a meno che non si salvi il progetto su Google Drive (blog di Google).
• Test in tempo reale: l’anteprima mostra la previsione del modello e il suo livello di confidenza per ciascuna classe mentre ci si muove o si emettono suoni.
• Esportazione: i modelli vengono esportati come TensorFlow.js per i siti web, mentre i modelli di immagini anche come TensorFlow e TensorFlow Lite, inclusa una build Edge TPU per le schede Coral (GitHub issue #66).
• Link condivisibile: è possibile caricare un modello e aprirlo da un URL ospitato utilizzando le librerie open source, che includono frammenti di codice per JavaScript, Java e Python (GitHub).

Prezzi di Teachable Machine

Teachable Machine è gratuito. Non sono richiesti account, abbonamenti o piani a pagamento: basta aprire il sito e iniziare a creare. Per salvare i progetti su Google Drive è necessario un account Google. Le librerie di supporto sono open source sotto licenza Apache 2.0. L’unico costo da considerare è l’assistenza: Google descrive il progetto come «un esperimento, non un prodotto ufficiale di Google» e promette solo di fare del suo meglio per mantenerlo (GitHub).

Guida passo passo: addestrare un modello di machine learning

1. Apri lo strumento web e scegli un progetto relativo a immagini, audio o pose.
2. Assegnate un nome a ciascuna classe, ad esempio “pollice in su” e “pollice in giù”.
3. Aggiungi esempi a ogni classe utilizzando la webcam, il microfono o immagini caricate. Esempi più vari garantiscono risultati migliori.
4. Fai clic su «Addestra modello». L’addestramento viene eseguito nel browser.
5. Prova il modello nell’anteprima e aggiungi esempi nei casi in cui il modello non indovini.
6. Esporta il modello o caricalo per ottenere un link condivisibile per le tue app e i tuoi siti.

Cosa succede dopo aver caricato le immagini: vengono utilizzate come esempi di addestramento nella tua sessione del browser e non vengono inviate a Google a meno che tu non salvi il progetto su Drive o carichi il modello addestrato.

Teachable Machine per bambini e classi

Teachable Machine è molto apprezzato da bambini e insegnanti perché trasforma concetti astratti in gioco. Gli studenti raccolgono i propri input, come immagini, pose o suoni di strumenti musicali, addestrano un modello e vedono immediatamente come la tecnologia interpreta i dati. Ciò rende facile spiegare in che modo insegnare ai computer sia diverso dal programmarli e valutare perché un modello commetta un errore. Le lezioni spesso iniziano con un’idea divertente, come un gioco di sasso-carta-forbici o un gioco controllato dai gesti, e si concludono con una discussione sui pregiudizi presenti nei dati di addestramento. Il team di progettazione di Google descrive l’obiettivo come un addestramento basato su esempi piuttosto che sulla creazione di regole (Google Design).

I punti di forza e le carenze di Teachable Machine

Punti di forza:

• Gratuito, veloce e facile: un primo modello richiede pochi minuti, senza bisogno di codifica.
• I dati rimangono nel browser per impostazione predefinita.
• Ideale per lezioni, prototipi ed esperimenti creativi.
• Esporta i modelli di ML su web, dispositivi mobili e periferici, consentendo di addestrare facilmente un modello e utilizzarlo in un progetto completo.

Limiti:

• Solo classificazione; nessun modello di rilevamento oggetti, regressione o analisi del testo.
• Set di dati di piccole dimensioni e modelli semplici; non progettato per garantire precisione a livello di produzione.
• Si tratta di un esperimento con supporto "best-effort", non di un prodotto ufficiale di Google.
• Controllo limitato sulle impostazioni di addestramento rispetto a una vera piattaforma di ML.

Confronto con Teachable Machine

• Create ML: il trainer di modelli no-code di Apple per Mac, con più tipi di modelli e output Core ML per le app Apple.
• H2O.ai: AutoML open source e aziendale per dati tabulari e modelli di produzione.
• DataRobot: AutoML aziendale e gestione dei modelli per i dati aziendali.
• Ovviamente AI: previsioni senza codice su dati di fogli di calcolo; l’azienda ha poi cambiato nome in Zams.

Vale la pena usare Teachable Machine?

Sì, per l’apprendimento, l’insegnamento e la creazione rapida di prototipi. È il modo gratuito più veloce per mostrare a studenti o colleghi come un computer impara a riconoscere immagini, suoni e pose, e le opzioni di esportazione sono sufficienti per una demo web o un progetto Coral. Non è una piattaforma per il machine learning di produzione: i modelli sono piccoli, l’assistenza è fornita nel limite del possibile e le attività più complesse richiedono un vero e proprio strumento di ML. Se volete trasformare un prototipo di Teachable Machine in un prodotto, le agenzie low-code e gli sviluppatori su LowCodeDevs possono aiutarvi a realizzarlo.

Fonti

• Teachable Machine 2.0, blog di Google: lancio, tipi di progetto, addestramento nel browser e privacy.
• Repository della community di Teachable Machine, GitHub: librerie, snippet, licenza e stato degli esperimenti.
• Documento su Teachable Machine, Google Research: progettazione e dati sull’utilizzo.
• Progettare un Teachable Machine, Google Design: addestramento tramite esempi e scelte di progettazione.
• Teachable Machine, Experiments with Google: la pagina del progetto a cura di Google Creative Lab.
• Formati di esportazione, issue GitHub n. 66: esportazioni in TensorFlow, TF Lite ed Edge TPU per modelli di immagini.