Indagare con il Machine Learning

Nel 2010, il prezzo dell'ambra sul mercato globale ha iniziato ad aumentare. A causa della forte domanda, negli anni successivi parti dell'Ucraina nordoccidentale, ricche di ambra, hanno attirato l'interesse straniero e locale e sono diventate teatro di una "corsa all'ambra" illegale, una specie di nuovo "Selvaggio West".

Centinaia di ettari di foreste e terreni agricoli sono stati trasformati in un paesaggio lunare senza vita, a causa di un'attività mineraria più intensa svolta tra il 2014 e il 2016, attività che è continuata anche negli anni successivi.

Nel 2018, l’agenzia ucraina di informazione giornalistica Texty ha pubblicato Leprosy of the land ("Lebbra della terra"), un'indagine nella quale ha utilizzato tecniche di machine learning per rilevare casi di estrazione illegale di ambra in Ucraina.

Come primo passo, un algoritmo ha provveduto a suddividere sezioni di immagini satellitari in sottosezioni visivamente uniformi. Quindi, se un'immagine avesse mostrato per metà una foresta verde e per un'altra metà un campo sterrato, avrebbe suddiviso l'immagine in queste due sottosezioni.

Un altro algoritmo ha poi scoperto quali sottosezioni somigliassero maggiormente agli esempi esistenti di estrazione dell'ambra, che presentano un caratteristico schema di buchi nel terreno. 

Infine, i giornalisti hanno esaminato gli esempi trovati dall'algoritmo, per assicurarsi che ciò che pensavano sembrasse l'estrazione dell'ambra non fosse in realtà qualcos'altro, come, ad esempio, la deforestazione.

In questo corso, ci concentreremo sui metodi utilizzati da Texty per addestrare un algoritmo a riconoscere esempi visivi di estrazione illegale di ambra all'interno di un'enorme quantità di immagini satellitari che sono state precedentemente suddivise in sottosezioni da un altro algoritmo.

Come accennato nella prima lezione, ciò significa che sperimenteremo l'apprendimento supervisionato. Imparerai come l'algoritmo può imparare da esempi etichettati per riconoscere lo stesso modello in immagini che non ha mai visto prima.  

Imparerai anche come replicare il processo per le tue cronache: dalla ricerca degli esempi di cui hai bisogno, all'addestramento di un modello di machine learning per riconoscere ciò che stai cercando, quindi al test e alla valutazione del modello per assicurarti che fornisca dei risultati.

Perché il Machine Learning si è rivelato lo strumento giusto per trovare le informazioni che Texty stava cercando? 

La programmazione classica richiede di specificare istruzioni dettagliate che il computer deve seguire. Sebbene questo approccio funzioni per risolvere un’ampia varietà di problemi, non è all'altezza del compito di riconoscere esempi di estrazione illegale di ambra in un'enorme quantità di immagini satellitari. Esistono così tanti elementi visivi che il computer dovrebbe considerare, da rendere impossibile l'elaborazione di una serie di regole dettagliate che possano insegnare al software a distinguere tra esempi reali di estrazione illegale di ambra e cose che potrebbero sembrare simili a esso.

Fortunatamente, i sistemi di machine learning possono risolvere questo problema.

Tieni presente che ciò che imparerai in questo corso, cioè come individuare l'estrazione illegale di ambra, rappresenta soltanto un esempio. Seguendo lo stesso processo, il Machine Learning può essere utilizzato per eseguire una serie di attività giornalistiche diverse e può anche essere applicato per analizzare diversi tipi di contenuti, non solo immagini. Esamineremo alcuni altri casi d'uso alla fine del corso. Durante l'esercizio, ricordati di concentrarti sul processo piuttosto che sul caso studio specifico.

Ora, prima di iniziare l'esercizio vero e proprio, dobbiamo dedicare alcuni minuti alla conoscenza e alla configurazione dello strumento che impareremo ad utilizzare nelle prossime lezioni: Google Cloud AutoML Vision.