Configurazione e addestramento di una rete neurale per la classificazione di immagini nel progetto AI LEAP

The thesis I presented concerns the development and evaluation of a neural network for image classification as part of the ‘AI Leap’ project, an initiative aimed at facilitating the understanding of machine learning and probabilistic AI approaches through the training of basic skills that are innate in children. The research conducted focuses on the creation of a tool containing an accessible and effective neural network model that can be used as a teaching tool to demonstrate the fundamental concepts and functioning of AI and machine learning to young students. The study begins with a comprehensive review of current image classification techniques and their practical applications. Building on this foundation, we design and implement an artificial neural network architecture that is as performant and comprehensible as possible. The model was trained on a reduced set of images depicting stylised monster faces, designed to capture the interest and imagination of children, seeking their greatest involvement. Subsequently, through coding and data augmentation techniques, improvements in the training phase were detected. The results show that our approach strikes a balance between classification performance and computational simplicity, making it suitable for educational purposes. Furthermore, we used visualisation techniques to make the inner workings of the neural network and the classification of the images it produces more transparent and understandable to a young audience. Our results contribute to the emerging area of AI education for young learners. The developed neural network and associated teaching methodologies offer a valuable resource for the ‘AI Leap’ project, potentially shaping future approaches to introducing artificial intelligence into primary education curricula.

La tesi da me presentata riguarda lo sviluppo e la valutazione di una rete neurale per la classificazione di immagini nell'ambito del progetto “AI Leap”, un'iniziativa volta a facilitare la comprensione di approcci di apprendimento automatico e di IA probabilistica attraverso l'addestramento di abilità di base che sono innate nei bambini. La ricerca effettuata si concentra sulla creazione di un tool contenente un modello di rete neurale accessibile ed efficace che possa essere utilizzato come strumento didattico per dimostrare i concetti fondamentali e il funzionamento dell'IA e dell'apprendimento automatico ai giovani studenti. Lo studio inizia con una revisione completa delle attuali tecniche di classificazione delle immagini e delle loro applicazioni pratiche. Partendo da queste basi, progettiamo e implementiamo un'architettura di rete neurale artificiale il più possibile prestante e comprensibile. Il modello è stato addestrato su un ridotto insieme di immagini raffiguranti volti di mostri stilizzati, pensati per catturare l'interesse e l'immaginazione dei bambini, cercando il loro maggiore coinvolgimento. Successivamente, attraverso tecniche di codifica e incremento di dati, sono stati rilevati miglioramenti nella fase di addestramento. I risultati dimostrano che il nostro approccio raggiunge un equilibrio tra prestazioni di classificazione e semplicità computazionale, rendendolo adatto a scopi educativi. Inoltre, abbiamo utilizzato tecniche di visualizzazione per rendere il funzionamento interno della rete neurale e la classificazione delle immagini da esso prodotta più trasparente e comprensibile a un pubblico giovane. I nostri risultati contribuiscono all'area emergente dell'educazione all'IA per i giovani studenti. La rete neurale sviluppata e le metodologie didattiche associate offrono una risorsa preziosa per il progetto “AI Leap”, dando potenzialmente forma agli approcci futuri all'introduzione dell'intelligenza artificiale nei programmi di istruzione primaria.