Trentingrana Sensory Captioning

Un panel di assaggiatori valuta le forme di Trentingrana su sette attributi sensoriali e lascia commenti in italiano. Le fotografie delle stesse forme stanno in un archivio separato, organizzate per anno e sessione. Il progetto costruisce il ponte fra i due e poi verifica se un modello può imparare a scrivere quelle descrizioni guardando le foto.

La parte che ha richiesto più cura è la prima. I commenti liberi sono rumorosi, i quattro fogli Excel di annate diverse hanno schemi diversi, e i dati non permettono un abbinamento uno-a-uno fra singola forma e commento: l'unione avviene al livello del caseificio, su data della sessione e codice prodotto. Il principio che ha guidato tutto è stato fare in modo deterministico tutto ciò che poteva esserlo, e usare un modello linguistico solo per la riscrittura davvero difficile.

Così la normalizzazione, le mappe di refusi, il vocabolario controllato per attributo e la conversione delle misure di crosta in fasce qualitative sono codice normale. Il lemmatizzatore è scritto su misura, perché le librerie NLP standard sbagliano sistematicamente il lessico sensoriale. Solo dopo, un LLM riscrive ogni didascalia unica in forma coerente, con una regola di zero invenzione e un'uscita esplicita quando il testo non contiene informazione. Il dataset finale conta 38.437 righe, e l'intera riscrittura è costata meno di sei dollari di API.

Sul modeling abbiamo definito sei architetture encoder–decoder su due famiglie: da un lato decoder addestrati da zero, dall'altro un modello linguistico italiano pre-addestrato. Le tre valutate finora mostrano un risultato netto: sette modelli specializzati per attributo arrivano a 0,40 di BLEU-4, mentre un unico modello globale crolla a 0,13.

La conclusione più interessante però è negativa, ed è quella che porteremmo avanti. Il CLIPScore, che misura quanto una didascalia sia appropriata all'immagine ignorando il testo di riferimento, resta identico fra modelli addestrati e baseline casuali. Con l'encoder congelato i modelli stanno facendo language modeling sulla distribuzione delle didascalie: non stanno davvero guardando il formaggio.