Sviluppatori Keras Freelance Italiani

Che differenza c'è fra Keras, TensorFlow e PyTorch?

È la domanda che genera più confusione, anche perché la risposta è cambiata negli ultimi anni. Oggi Keras non è più l'interfaccia di TensorFlow: è una libreria indipendente che può usare tre motori diversi.

Keras è il livello alto: descrivi il modello in modo compatto e leggibile.
TensorFlow, PyTorch e JAX sono i motori che eseguono i calcoli. Keras 3 si appoggia a quello che scegli, e lo stesso codice funziona con tutti e tre.
OpenVINO è supportato come backend di sola inferenza, cioè per eseguire modelli già addestrati, non per addestrarli.

Per un'azienda la conseguenza pratica è che la scelta del motore smette di essere una decisione irreversibile presa all'inizio, quando se ne sa ancora poco. Se un modello va più veloce su un altro backend, si cambia impostazione senza riscrivere il progetto.

Quanti dati servono per addestrare un modello utile?

Meno di quanto si teme, se si parte da un modello pre-addestrato invece che da zero. È la differenza fra migliaia di esempi e milioni.

Con il transfer learning: si prende un modello già addestrato su grandi quantità di dati e lo si specializza sui tuoi. Per una classificazione di immagini bastano spesso poche centinaia di esempi per categoria, purché rappresentino davvero la varietà reale.
La qualità conta più della quantità: mille immagini etichettate bene valgono più di diecimila etichettate da persone diverse con criteri diversi.
Gli esempi difficili sono i più preziosi: i casi dubbi, quelli su cui anche i tuoi collaboratori esperti discutono, sono quelli che insegnano di più.
L'equilibrio fra le classi: se il difetto che vuoi riconoscere capita una volta su mille, serve una strategia apposita, altrimenti il modello impara a dire sempre «tutto a posto» e sbaglia solo una volta su mille.

Un professionista onesto ti dice dopo la prima analisi dei dati se il progetto è realistico, prima di prendere l'incarico completo.

Cosa può fare per la mia azienda uno sviluppatore Keras?

Traduce un problema aziendale in un modello che dà una risposta, e lo collega ai sistemi che già usi. I casi più frequenti sono quattro.

Controllo qualità visivo: riconoscere difetti, pezzi mancanti o etichette sbagliate dalle immagini di una telecamera di linea.
Classificazione automatica di testi: smistare email, ticket, richieste e documenti in arrivo verso la persona o la procedura giusta.
Previsioni su serie storiche: domanda, consumi, scorte, manutenzione preventiva a partire dallo storico che hai già in azienda.
Analisi di suoni e segnali: riconoscere anomalie in registrazioni o in dati provenienti da sensori.

La parte meno visibile e più determinante è la preparazione dei dati e la definizione di cosa significa «risposta giusta». È lì che un progetto di AI si decide, molto prima della scelta della libreria.

Come capisco se il modello funziona davvero?

Non guardando l'accuratezza complessiva, che è la misura più facile da mostrare e la più facile da fraintendere.

Chiedi il costo degli errori, divisi in due: un falso allarme e un caso non rilevato hanno conseguenze diverse per la tua azienda. Il modello va tarato su quale dei due fa più danno.
Chiedi la prova su dati mai visti: i numeri che contano sono quelli su un insieme di verifica tenuto da parte, non su quelli usati per addestrare.
Chiedi il confronto con la regola semplice: se una regola banale già raggiunge il 90%, il modello deve fare molto meglio per giustificare il progetto.
Chiedi cosa succede nel tempo: i dati cambiano, i modelli si degradano. Serve una verifica periodica programmata.

Metti questi quattro punti nella richiesta di progetto: le proposte che ricevi si differenzieranno molto più che sul prezzo.

Servono GPU costose per partire?

Non per iniziare, e questa è una delle ragioni per cui conviene non comprare hardware prima di aver capito se il progetto funziona.

Prototipo: spesso basta una GPU a noleggio per qualche ora, o una macchina normale se il modello di partenza è pre-addestrato e i dati non sono enormi.
Addestramento serio: si affitta la potenza sul cloud per il tempo necessario e poi si spegne. Si paga l'uso, non il possesso.
Uso quotidiano del modello: qui la richiesta di calcolo è molto più bassa dell'addestramento. Un modello leggero gira su un server comune, e in alcuni casi direttamente sul dispositivo.
Quando conviene comprare: se addestri in continuazione, o se i dati non possono uscire dall'azienda. In quel caso la macchina va dimensionata sui numeri misurati, non sulle previsioni.