Martedì 5 Ottobre

Benvenuto e apertura dei lavori

Paolo Morati, Giornalista - Soiel International

Testing AI applications and challenges

Vipul Kocher, Founder - TestAIng

AI applications are increasing part of everyone’s lives but the testing techniques haven’t kept pace with the technology. Tester’s lack of AI knowledge and lack of information about how to test AI applications result in sub-par testing. In this talk we highlight some of the key challenges of testing AI applications and resolution of those.

Dall’on-premise al hybrid licensing: la strategia per creare nuove opportunità di business. Sfide e casi d’uso per le aziende

Marco Costa, Country Manager Software Monetizationy - Thales

La voglia di crescere è sempre stato l'obiettivo di quasi tutte le aziende, fin dall'inizio del commercio. Nel mondo digitale odierno, un'organizzazione cresce principalmente sfruttando le tecnologie, sia mediante lo sviluppo di nuove soluzioni sia grazie all'integrazione di tecnologie già esistenti con il proprio prodotto. Come è possibile quindi garantire la soddisfazione dei clienti, sviluppando nuove soluzioni o integrando quelle esistenti e, al contempo, aumentare i profitti? Ottimizzare il proprio software licensing permette di creare nuovi flussi di ricavi, offrire un'esperienza migliore ai propri clienti e migliorare l'efficienza operativa. Per fare subito la scelta migliore per il software licensing sarà necessaria una strategia completa che prenda in considerazione persone, processi e tecnologie. Nell’intervento analizzeremo le sfide che le aziende devono affrontare nel momento in cui decidono di evolvere da un modello di business On-Premise a modelli Ibridi e/o Cloud e come le soluzioni Sentinel di Thales possono essere d’aiuto nel raggiungimento degli obiettivi aziendali.

Sviluppo e attività di Test in un progetto di Deep Learning

Pierluigi Simonini, CEO - Studio Simonini

Le tematiche relative all'esperienza proposta riguardano aspetti di qualità del software in ambito Machine Learning e Intelligenza Artificiale con particolare focus in tecniche basate sulle reti neuronali di ultima generazione e di prototipazione in ambito R&D. Il progetto, di recente sviluppo e sottoposto ad accordo di riservatezza, ha per titolo "Multi Modal sensing extension to Deep Learning techniques" (esposizione in lingua italiana) e riguarda la valutazione dell'estensione a tecniche di Deep Learning (reti neurali convoluzionali, CNN) di un sistema software per l'elaborazione di immagini in ambito industriale. Il progetto, estensione di un precedente lavoro già presentato in occasione dell'ultimo STF (Milano, 2019), si è sviluppato su metodologie e strumenti in ambito "apprendimento automatico" per la gestione di sensori complessi: prendendo spunto dalla comparsa sul mercato di sensori di visione multimodo si è proceduto alla sintesi di modelli NN per l'indagine di possibili applicazioni di classificazione e segmentazione. L'aspetto del progetto che qui si intende condividere riguarda le implicazioni di Test (attività di Verifica e di Validazione, V&V) del processo di istanza del modello: dalla selezione dell'architettura alla fase di training, fino all'utilizzo del modello stesso. In particolare, per 'titoli':

• qualità del modello e problematiche di verifica

• accessibilità ed interpretabilità dei dati

• validazione delle previsioni (concetti di base)

• Tecnologie di Data Management - Pipeline

• Tooling ed Automazione

• 'Understandability' di sistemi "Deep" (cenni)

Metodologie e tecniche avanzate per il controllo della qualità del software di Intelligenza Artificiale

Alessandro Barducci, Technical Leader - Citel Group

Con la regolamentazione proposta dalla Commissione Europea, la presenza di errori o bias nei moderni software di AI, oltre ai danni usuali al business in termini economici e di immagine, può anche comportare sanzioni severe. Le nuove regole dovrebbero diventare operative nel prossimo biennio, ed è quindi assolutamente prioritario per le imprese adottare software di AI che soddisfi i requisiti della suddetta regolamentazione, oltre a verificare la conformità del software già esistente.

Il controllo di qualità di questi software presenta quindi aspetti e problematiche assolutamente nuovi e peculiari rispetto a qualsiasi altra area di produzione del software.

Le tradizionali tecniche di prevenzione, individuazione e correzione degli errori, per quanto indispensabili, sono pertanto del tutto insufficienti a garantire la conformità del software rispetto al nuovo quadro normativo.

L’AI dovrà quindi vigilare l’AI: si rende infatti necessario l’impiego di strumenti innovativi che permettano da un lato di garantire ove possibile la conformità by design, e dall’altro l’integrazione di questi strumenti con metodologie di Machine Learning e di AI che permettano di testare e validare la correttezza del software per mezzo di un processo guidato di apprendimento.

Citel Group ha affrontato queste problematiche e sviluppato algoritmi di ML e di AI che vengono impiegati dalla nostra Testing Factory per verificare la correttezza dei sw di AI – sia propri che di terzi – riducendo al minimo il rischio di errori e di non conformità.

Monitoring delle performance di una rete neurale dopo il primo rilascio

Vanni Galli, Docente, Ricercatore - Scuola universitaria professionale della Svizzera italiana (SUPSI)

Luigi Meroni, Group Head of Compliance - EURONOVATE SA

Andrea Quattrini, Ricercatore - Scuola universitaria professionale della Svizzera italiana (SUPSI)

È dimostrato che le performance di una rete neurale sono direttamente legate alla dimensione e la rappresentatività del dataset utilizzato per l’allenamento. A livello accademico, come riferimento universale per valutare le performance, ci si basa spesso su dei dataset reperiti in rete, i quali non sono però utilizzabili a fini commerciali. A livello aziendale è dunque necessario provvedere internamente alla creazione dei dataset necessari, attività che può essere molto dispendiosa. Difficilmente dunque un’azienda può rilasciare subito un software di machine learning in modo definitivo; può però rilasciarne una prima versione “minimale” ed utilizzarla per raccogliere dei dati, i quali saranno utilizzati per ri-allenare la rete su dataset crescenti. Questa presentazione nasce dalla collaborazione tra un’università (SUPSI) e un’azienda ticinese, EURONOVATE con sedi in Italia e Spagna e vuole porre l’accento su come si può gestire la fase di raccolta dati e monitorare nel tempo le performance e la qualità del risultato; verranno inoltre illustrati alcuni indici definiti in standard internazionali (ISO) per la determinazione delle performance di un sistema biometrico.

L’evoluzione della certificazione ISTQB® verso l'Intelligenza Artificiale

Gualtiero Bazzana, Presidente - ITA-STQB

ISTQB^® è il riferimento internazionale per quanto riguarda la certificazione delle competenze in ambito software testing.

Anche in Italia, questo schema di certificazione sta avendo un seguito molto importante, sia da parte dei professionisti che delle aziende alla ricerca di miglioramenti della qualità del software.

Negli ultimi anni il portafoglio delle certificazioni ISTQB^® è evoluto in modo significativo per rispondere alle mutate modalità di sviluppo e ai trend tecnologici; in particolare sono stati pubblicati nuovi syllabi e resi disponibili nuovi esami di certificazione. L'intervento approfondisce l'introduzione del nuovo syllabus, che si colloca nel percorso Specialist dell'offerta ISTQB, dedicato alla certificazione dei professionisti che operano sul testing in ambito AI. 

Q&A

Chiusura dei lavori