Un nuovo strumento facile da usare e rapido da configurare, sviluppato da un team internazionale di ricercatori, tra cui esperti del CMCC, permette agli scienziati di sfruttare intelligenza artificiale, deep learning e machine learning. Sviluppato per applicazioni nel campo della gestione degli incendi boschivi, Kit4DL è diventato uno strumento che consente di migliorare la ricerca in molte aree, inclusa la scienza del clima.

Man mano che le capacità di archiviazione e raccolta dei dati continuano a crescere esponenzialmente, scienziati e professionisti provenienti da vari settori si rivolgono a intelligenza artificiale, deep learning e machine learning come strumenti versatili basati sui dati che possono aiutare a risolvere domande complesse. Tuttavia, non tutti i ricercatori hanno le competenze o il tempo per concentrarsi sulla preparazione dei dati, sull’estrazione delle caratteristiche e sulla configurazione di più esperimenti per l’addestramento e la validazione necessari per costruire questi tipi di modelli.

“Il toolkit Kit4DL consente ai ricercatori di evitare di dover scrivere ‘boilerplate code’ e modelli ogni volta che vogliono risolvere un problema con il machine learning,” afferma il ricercatore del CMCC Shahbaz Alvi, che ha fatto parte del team internazionale che ha sviluppato Kit4DL, un nuovo toolkit che aiuta ad a accelerare e semplificare il processo di sperimentazione di machine learning.

“In molti campi di ricerca, tra cui la scienza del clima, i ricercatori vogliono sfruttare il machine learning; tuttavia, non tutti i ricercatori padroneggiano i dettagli di funzionamento del machine learning,” afferma Alvi. “Un’analogia che mi piace usare è quella di un’auto: sappiamo tutti guidare, ma ciò non significa necessariamente che siamo tutti in grado o abbiamo i mezzi per costruire un’auto.”

Sebbene esistano vari strumenti che rendono più facile l’utilizzo del machine learning, Kit4DL fa un passo ulteriore, permettendo agli utenti di implementare solo alcuni metodi principali descritti in un file di configurazione fornito nel kit. Questo semplifica e riduce il tempo di sviluppo rispetto agli approcci tradizionali e facilita anche il riutilizzo del codice, permettendo ai ricercatori di sfruttare la stessa base di codice per più esperimenti, riducendo la ridondanza e semplificando il processo di sperimentazione.

Un’immagine dell’Indice di Pericolo di Incendio della regione del Gargano in Italia è stata generata utilizzando l’apprendimento automatico con il toolkit Kit4DL. L’immagine mostra come cambia l’inferenza per giorni consecutivi. Kit4DL è stato utilizzato per la prototipazione rapida di modelli di machine learning per la previsione del pericolo di incendi boschivi. Fonte: Piattaforma Tecnologica e Informativa Integrata per la Gestione degli Incendi Boschivi (SILVANUS)

Il toolkit Kit4DL è stato sviluppato nel contesto del progetto Integrated Technological and Information Platform for Wildfire Management (SILVANUS) del CMCC, dove i ricercatori sentivano il bisogno di uno strumento che permettesse loro di verificare i risultati in modo efficace. Il Polish National Centre for Research and Development, all’interno del LIDER XI program, ha contribuito al finanziamento del progetto.

“Volevamo semplificare il processo di utilizzo dei modelli di machine learning e ottenere risultati coerenti quando passavamo da un esperimento di machine learning a un altro,” spiega Alvi. “Kit4DL consente di creare automaticamente una struttura modulare che permette ai ricercatori e ai professionisti di diversi settori di utilizzare in modo semplice ed efficace il machine learning nel proprio lavoro.”

Ulteriori informazioni:

Jakub Walczak, Marco Mancini, Shahbaz Alvi, Kit4DL: Towards fast prototyping and experimentation in machine learning and deep learning, SoftwareX, Volume 26, 2024, 101707, ISSN 2352-7110, https://doi.org/10.1016/j.softx.2024.101707