Venerdì 25 Ottobre 2019, ore 15:30 – 19:00
Auditorium
Liguria Digitale - Erzelli
Via Enrico
Melen, 77 – 16147 Genova
1) Ansible Use Case: Da zero a server
di posta
Sia la gestione di grandi server farm
sia quella di piccole installazioni può diventare un lavoro complesso, ma anche
ripetitivo e noioso. Strumenti come Ansible nascono
per automatizzare e orchestrare attività su una grande varietà di piattaforme e
sistemi. In questo talk vedremo come da un piccolo file di testo sia possibile
arrivare alla completa installazione e configurazione di un servizio di posta
elettronica.
Luca Berruti è
senior engineer in SIR s.r.l. Responsabile della gestione e della conduzione di
infrastrutture di sistemi in ambienti misti in ambito open source e
proprietario. Ansible evangelist in azienda, si interessa di automazione,
ottimizzazione e monitoraggio dei processi ICT.
2) (Semi)-automatic dataset
preparation con youtube-dl e YOLOv3
Inutile girarci intorno, nel Deep
Learning chi ha più dati vince. E come qualunque data scientist vi potrà
confermare, la preparazione del dataset è la parte più lunga e "dolorosa"
del lavoro. Fortunatamente, specialmente in ambito Computer Vision, i passi
avanti nel Deep Learning e la potenza dei software rilasciati sono stati tali
per cui oggi, il provetto data scientist, ha nella sua toolbox un set di strumenti
formidabili in grado di alleggerire non poco il triste lavoro di raccolta,
ritaglio e labeling delle immagini. In attesa di una coorte di assistenti
virtuali che faranno tutto il lavoro al posto nostro, ci accontentiamo di YOLO
(You Only Look Once), lo stato dell'arte nel campo dei real-time object
detection systems per dare un label e ritagliare gli oggetti che ci interessano
a partire da semplici video di Youtube.
Andrea
Ranieri è ricercatore
presso il Consiglio Nazionale delle Ricerche, Istituto di Matematica Applicata
e Tecnologie Informatiche (IMATI), dove si occupa di Deep Learning
principalmente in ambito Computer Vision. Andrea ha una laurea in Ingegneria
Informatica, un Dottorato di Ricerca in Scienze ed Ingegneria dello Spazio e un
background tecnologico estremamente vario che va da networking e sistemi
distribuiti a robotica e perception. Usa Linux e C++ quotidianamente da più di
15 anni e Python da meno di 1. I suoi interessi di ricerca vanno dalla semplice
classificazione di immagini alla segmentazione al training di modelli per la
Super-Resolution di immagini.
3) Adversarial Machine Learning,
problematiche e rimedi
Gli algoritmi di machine learning
sono vulnerabili a campioni di input ben progettati chiamati Adversarial
Example. Si tratta di input realizzati con perturbazioni impercettibili per
l'uomo, per esempio cambiando pochi pixel ben specifici in un'immagine, ma che
possono facilmente ingannare gli algoritmi nella fase di test e funzionamento
online, tanto da spingerli a sbagliare la classificazione. Si tratta di
vulnerabilità da studiare, per evitare che un attaccante possa spingere un
algoritmo a fare quello che lui vuole, magari con obiettivi fraudolenti per
creare attacchi alla sicurezza di un sistema. Vengono discusse problematiche e
le tecniche per evitarle.
Roberto Marmo è
formatore, consulente, professore a contratto di Informatica nella Facoltà di
Ingegneria della Università di Pavia, laboratorio Computer Vision Multimedia
Lab. Autore di una dozzina di libri sull'uso dei social media, estrazione ed
analisi dati dai social media, visualizzazione scientifica. Interessato allo
sviluppo di sistemi con computer vision e artificial intelligence.
4) Docker per Machine/Deep Learning
Creare modelli di Deep Learning può
essere complicato a causa della difficoltà di installare CUDA, cuDNN, e
dipendenze multiple, oltre che per le differenze tra gli ambienti di sviluppo e
di produzione. Inoltre, tipicamente le librerie di Deep Learning tendono a
favorire un aggiornamento costante a discapito della compatibilità
all’indietro: modifiche sostanziali accadono molto più di frequente che in
altri contesti. La soluzione a tutti questi problemi consiste nel ridurre tutte
le vostre dipendenze ad una sola: Docker. Nel corso del suo intervento Andrea Panizza ci introdurrà Docker e ci spiegherà
perché rappresenta una soluzione molto più adatta per il Deep Learning rispetto
all’utilizzo di Virtual Machines, o Python virtual environment. Andrea ci
mostrerà come fare il deployment di un paio di applicazioni di Deep Learning su
qualsiasi macchina con una moderna GPU NVIDIA ed una connessione Internet.
Andrea
Panizza è Senior Data Scientist in Baker & Hughes. Andrea
sviluppa soluzioni di Intelligenza Artificiale per il business Turbomachinery
and Product Solutions, al fine di aumentare la produttività interna,
migliorando i processi di manufacturing ed ingegneria (smart people &
processes) e la competitività dei nostri prodotti (smart products).