Intelligenza Artificiale, ,n viaggio di comprensione e
INTELLIGENZA ARTIFICIALE un viaggio di comprensione e trasformazione
Emanuele Frontoni
Strumento: Adobe Firefly. Prompt: Crea una immagine a fondo bianco per un libro di introduzione sull’IA e la genAI nella scuola italiana.
Crea una immagine futuristica che rappresenta la collaborazione tra essere umano e intelligenza artificiale.
INTRODUZIONE
In questo primo contributo vogliamo raccontare le storie positive di come l’IA e la Generative AI stanno già migliorando settori cruciali come l’istruzione, la medicina, la ricerca scientifica e il supporto sociale. Questi racconti non sono mere narrazioni tecnologiche, ma testimonianze concrete di come l’intelligenza artificiale possa essere uno strumento di progresso umano. Sono le metafore di una narrazione positiva e variegata delle tante ricadute positive di questa nuova tecnologia.
Un capitolo fondamentale sarà dedicato all’arte di dialogare con l’IA generativa: come porre domande efficaci, come utilizzarla come alleata nel lavoro di educatori, maestri e insegnanti. Non si tratta di sostituire l’umano, ma di potenziarne le capacità, liberando energie creative e cognitive per compiti più complessi e significativi.
Infine, esploreremo i principi etici che devono guidare lo sviluppo e l’implementazione dell’intelligenza artificiale. Una bussola morale per garantire che questa tecnologia rimanga sempre al servizio dell’umanità, nel pieno rispetto della dignità, della privacy e dei diritti fondamentali.
Benvenuti in un viaggio di apprendimento, riflessione e scoperta dell’intelligenza artificiale!
Strumento: Adobe Firefly. Prompt: Un microprocessore e una GPU specializzati per l’IA. L’immagine è molto colorata.
1 CONOSCERE L’IA E LA GenAI
1.1 Le origini dell’intelligenza artificiale
Le origini dell’intelligenza artificiale (IA, in inglese AI) risalgono al 1956, anno in cui, durante una conferenza a Dartmouth (Stati Uniti), s’introdusse per la prima volta il termine. Fu un momento di grande innovazione, in cui s’iniziò a discutere della possibilità di creare macchine capaci di imitare l’intelligenza umana. Fin dall’inizio il tema suscitò emozioni contrastanti: entusiasmo per le potenzialità che questa nuova tecnologia poteva offrire, ma anche timore per le implicazioni che ne sarebbero derivate. Due domande, in particolare, riassumevano i sentimenti dell’epoca: quando un computer sarebbe riuscito a battere un campione mondiale di scacchi? E quando sarebbe stato in grado di fare tutto ciò che un uomo sa fare?
Alla prima domanda si rispose con ottimismo: si ipotizzava che il traguardo sarebbe stato raggiunto nel 1968, in un’epoca in cui i computer erano ancora rarissimi e rudimentali. Tuttavia, la storia dimostrò che sarebbero occorsi decenni di progressi tecnologici. Solo il 10 febbraio 1996, a Filadelfia, il computer Deep Blue riuscì nell’impresa di battere il campione mondiale di scacchi Garry Kasparov. La seconda domanda, invece, rimane tuttora irrisolta. Sebbene siano stati fatti enormi progressi, il sogno di un’intelligenza artificiale generale, capace di replicare tutte le capacità umane, sembra ancora lontano dall’essere realizzato.
Strumento: Adobe Firefly. Prompt: Un braccio robotico guidato dall’IA che gioca a scacchi. Foto re-
alistica con il robot e i pezzi degli scacchi in primo piano e bianchi.
1.2 Intelligenza artificiale generale e ristretta
Quando parliamo di intelligenza artificiale generale ci riferiamo a sistemi capaci di replicare il ragionamento umano, applicandolo in contesti completamente nuovi. Tuttavia, questa capacità di generalizzazione, tipica degli esseri umani, rappresenta una sfida ancora irrisolta per la tecnologia. Le macchine attuali, infatti, necessitano di enormi quantità di dati per apprendere e sono limitate a compiti specifici.
L’intelligenza artificiale ristretta, invece, è quella che caratterizza la maggior parte delle applicazioni pratiche odierne. Si tratta di sistemi estremamente efficaci in ambiti circoscritti, come il riconoscimento delle immagini o la diagnosi medica. Questi algoritmi, però, non possono generalizzare le loro competenze. Ad esempio, una rete neurale addestrata a riconoscere nei cutanei non può essere utilizzata per identificare lesioni cancerogene intestinali, poiché i due problemi richiedono dati e approcci completamente diversi.
1.3 I metodi dell’apprendimento automatico
Le tecniche che rendono possibile l’intelligenza artificiale moderna rientrano nel campo dell’apprendimento automatico o machine learning. Tra i principali approcci vi è l’apprendimento supervisionato, che si basa sull’utilizzo di dataset etichettati. Questo metodo richiede un notevole sforzo manuale per creare i dati di addestramento, ma produce risultati accurati e affidabili. Il sistema impara dai dati forniti per riconoscere pattern e fare previsioni su nuovi input, rendendolo adatto a compiti come il riconoscimento facciale, la classificazione di testi o la previsione di valori numerici. L’apprendimento non supervisionato, invece, si concentra sull’analisi di dati grezzi senza etichette. L’obiettivo è individuare pattern nascosti, gruppi o strutture all’interno dei dati, rendendolo particolarmente utile per scoprire insight da dataset non strutturati. Infine, l’apprendimento semi-supervisionato combina i due approcci, sfruttando piccoli dataset etichettati insieme a grandi quantità di dati non etichettati. Questo metodo è prezioso in contesti dove l’etichettatura manuale è costosa o impraticabile.
1.4 Le reti neurali: una metafora ispirata al cervello
Le reti neurali artificiali sono alla base dei moderni sistemi di apprendimento. Ispirate al funzionamento del cervello umano, sebbene profondamente diverse, sono organizzate in strati interconnessi. Ogni strato elabora
una parte dell’informazione e la trasmette ai successivi, creando una complessa rete di connessioni. L’apprendimento avviene attraverso un processo chiamato retro-propagazione, che regola i pesi delle connessioni interne per migliorare le prestazioni del sistema.
Il deep learning (DL) rappresenta un’evoluzione delle reti neurali tradizionali, introducendo architetture più profonde e complesse. Grazie alla loro capacità di analizzare i dati in modo gerarchico, le reti profonde possono risolvere problemi estremamente complessi, come il riconoscimento vocale, la diagnosi medica e la guida autonoma. Ogni strato della rete si occupa di un aspetto specifico dei dati, partendo da caratteristiche semplici fino a concetti più astratti.
1.5 L’intelligenza artificiale generativa: un nuovo paradigma
Negli ultimi anni, l’intelligenza artificiale generativa ha aperto nuove prospettive. Questa tecnologia, basata su modelli come i transformers e le GAN (Generative Adversarial Network), è in grado di creare contenuti originali partendo da enormi quantità di dati. I transformers, introdotti nel 2017, hanno rivoluzionato l’elaborazione del linguaggio naturale grazie al meccanismo di self-attention, che permette di analizzare intere sequenze di testo in modo più efficace rispetto ai modelli tradizionali. Le GAN, invece, utilizzano un approccio competitivo: un generatore crea contenuti artificiali, mentre un discriminatore valuta la loro qualità, innescando un processo di miglioramento reciproco.
Queste tecnologie sono alla base di strumenti innovativi come Firefly di Adobe o DALL-E 2 di OpenAI, capaci di generare immagini straordinariamente dettagliate, a partire da descrizioni testuali. L’intelligenza artificiale generativa ha applicazioni che spaziano dalla creazione artistica alla diagnosi medica, passando per la produzione di contenuti testuali o la generazione di musica.
Nonostante i progressi, l’intelligenza artificiale generativa pone sfide significative. La facilità con cui può creare contenuti falsi, come i deepfake, solleva preoccupazioni su disinformazione, manipolazione dell’opinione pubblica e violazione della privacy. Inoltre, il suo impatto sul lavoro creativo umano è oggetto di dibattito. Da un lato può amplificare la creatività, dall’altro solleva interrogativi su diritti d’autore e proprietà intellettuale.
L’intelligenza artificiale generativa rappresenta una delle innovazioni più trasformative del nostro tempo. Grazie alla combinazione di modelli avanzati, capacità computazionale e dati, ha il potenziale di rivoluzionare indu-
strie, amplificare la creatività umana e aprire nuove prospettive in campi come la medicina, l’ingegneria e l’arte. Tuttavia, è fondamentale affrontare le sfide etiche e sociali che accompagnano questa tecnologia per garantire che venga utilizzata in modo responsabile.
Nei prossimi capitoli, esploreremo casi applicativi concreti, analizzando le lezioni apprese e delineando le possibilità future di questa affascinante disciplina.
2 STORIE DI INTELLIGENZA ARTIFICIALE
Un aspetto su cui lavorare insieme è quello di educare chi ci circonda a uno sguardo positivo e curioso verso questo mondo.
Dobbiamo raccontare tante storie di IA a supporto dell’essere umano, riflettere su come quelle idee sono nate e quali sono gli impatti che generano. Questo processo narrativo aiuterà la consapevolezza, stimolerà nuove idee e renderà tutti coscienti che esiste moltissima intelligenza artificiale che nasce vicino a noi ed è espressione di creatività e conoscenza umana.
Qui di seguito abbiamo scelto alcuni casi, nati in Italia, che possono rappresentare delle storie da raccontare e discutere in classe, mostrandone limiti e opportunità e indagando sul loro funzionamento.
2.1 IA e moda
La storia dell’intelligenza artificiale s’intreccia con la tradizione e l’innovazione, emergendo come catalizzatore di trasformazioni profonde in settori come la moda. Partendo da Montappone, piccolo centro marchigiano celebre per la produzione di cappelli, un viaggio personale e professionale ha portato a integrare l’IA per supportare creativi e designer nelle loro attività. Questo racconto non si limita a descrivere un percorso individuale, ma esplora come l’IA stia ridefinendo il rapporto tra creatività umana e tecnologia.
Strumento: Adobe Firefly. Prompt: Un cappello generato da IA a supporto della creatività umana. Il cappello è da uomo e colorato. Nella foto si vede solo il cappello su un fondo bianco.
L’IA nella moda non si propone di sostituire l’estro umano, ma di amplificarlo, combinando l’analisi dei dati con l’intuizione creativa. Gli strumenti di IA, come il riconoscimento delle tendenze e il virtual try-on, consento-
no di prevedere i gusti dei consumatori e migliorare l’esperienza d’acquisto. Social media e piattaforme come Instagram e TikTok giocano un ruolo cruciale, generando enormi quantità di dati analizzabili per individuare pattern e preferenze. Progetti come Social4Fashion automatizzano l’analisi dei dati visivi raccolti da queste piattaforme, permettendo ai designer di concentrarsi su idee e collezioni basate su insight precisi, con la possibilità di monitorare tendenze in specifiche aree geografiche.
L’IA generativa rappresenta una delle evoluzioni più innovative, introducendo modelli come StyleGAN, capaci di creare immagini altamente realistiche per ispirare nuovi design. Tuttavia, l’IA incontra limiti significativi, come l’assenza di una comprensione culturale e narrativa. Questi vincoli, lungi dall’essere ostacoli, evidenziano il ruolo indispensabile del designer umano, che con la sua sensibilità e intuizione continua a guidare il processo creativo.
Un esempio paradigmatico di questa sinergia è il progetto CAPPELL-AI, sviluppato per innovare il settore dei cappelli di Montappone. Integrando l’IA generativa con tecniche di prototipazione rapida e sostenibile, CAPPELL-AI punta a ottimizzare il design e la produzione, riducendo i tempi e l’impatto ambientale. Con oltre un milione di immagini raccolte, questo progetto ambisce a creare il più grande dataset del settore, supportando designer, esperti di marketing e industrializzazione nel rispondere alle esigenze di un mercato globale.
L’intelligenza artificiale si afferma dunque non come sostituto, ma come alleato della creatività umana, aprendo nuovi orizzonti per la moda. Il futuro di questo settore risiede nella collaborazione tra uomo e macchina, dove l’IA amplifica la visione creativa e favorisce un design più sostenibile e innovativo, mantenendo però sempre al centro l’intuizione, la sensibilità e l’unicità del tocco umano.
2.2 IA e bambini
La storia dell’intelligenza artificiale e dell’intelligenza artificiale generativa (GenAI) trova applicazione in progetti innovativi volti a migliorare il monitoraggio clinico e l’assistenza medica in contesti complessi. Due esempi emblematici di questa sinergia tra tecnologia e medicina sono il progetto SINC e le iniziative legate ai disturbi dello spettro autistico (ASD). Entrambi dimostrano come l’IA possa supportare diagnosi precoci, monitoraggi non invasivi e interventi terapeutici efficaci, affrontando contemporaneamente sfide etiche, tecniche e organizzative.
Il progetto SINC, sviluppato grazie alla collaborazione tra università, ospedali e aziende, ha introdotto un sistema integrato per l’assistenza neonatale. Attraverso dispositivi avanzati e un servizio cloud sicuro, è stato possibile monitorare i parametri fisiologici dei neonati in terapia intensiva neonatale (TIN) con precisione e minimo impatto, migliorando la qualità delle cure e favorendo una condivisione efficiente dei dati a livello regionale.
Parallelamente, il lavoro sulla rilevazione e sull’analisi delle stereotipie nei bambini con ASD ha aperto nuove prospettive nel supporto alle terapie comportamentali. Con il coinvolgimento di specialisti e famiglie, il progetto ha sfruttato reti neurali e dati sintetici per misurare parametri chiave come il contatto visivo e i movimenti ripetitivi. L’uso di tecnologie innovative, come i dati generati tramite simulazioni di videogiochi, ha permesso di superare la scarsità di dati reali, garantendo al contempo alti standard etici e di privacy.
Un ulteriore passo avanti è rappresentato dal progetto ThAI-MIA, che unisce IA classica e quantistica per l’analisi di immagini mediche. Con un focus su etica e trasparenza, questa iniziativa mira a rilevare segni precoci di ASD attraverso un sistema di monitoraggio basato su telecamere di profondità, capaci di rispettare la privacy e fornire dati quantitativi sui movimenti dei neonati. L’approccio consente non solo di ottimizzare l’efficienza clinica, ma anche di integrare la sostenibilità e l’equità nei processi tecnologici.
La raccolta e l’annotazione dei dati, cruciali per addestrare modelli di deep learning (DL), vengono eseguite con strumenti avanzati come Label Studio
e dataset innovativi come BabyPose. Tuttavia, queste soluzioni devono superare sfide come il bias di annotazione, la variabilità dei campioni e i rischi legati all’automazione. In risposta, strategie come l’apprendimento federato e l’uso di dati sintetici aprono nuove frontiere per migliorare la robustezza e l’accuratezza degli algoritmi.
Le tecnologie di monitoraggio, incluse le telecamere RGB-D e gli algoritmi di DL, stanno trasformando le TIN, rendendo possibile un’osservazione continua e non invasiva. Tuttavia, il settore richiede un impegno rigoroso per affrontare i problemi etici e garantire che l’IA sia affidabile, sostenibile e inclusiva. L’adozione di un approccio etico-by-design è fondamentale per bilanciare innovazione tecnologica e responsabilità umana, soprattutto nei contesti clinici sensibili.
Infine, la combinazione di IA generativa e classica promette di ampliare le possibilità di raccolta dati, superando le limitazioni legate a disponibilità e trasparenza. La generazione di dati sintetici, attraverso metodi generativi o simulazioni di gaming, rappresenta un’opportunità per addestrare meglio i modelli e migliorare la precisione degli interventi. Questi progressi non solo arricchiscono la ricerca clinica, ma fungono anche da paradigma per affrontare sfide simili in altri settori caratterizzati da scarsità di dati e necessità etiche.
2.3 Intelligenza eco-artificiale
Una città moderna affronta ogni giorno sfide legate alla qualità dell’aria e alla mobilità, due aspetti cruciali per la sostenibilità ambientale e il benessere dei suoi abitanti. L’intelligenza artificiale sta emergendo come una risposta concreta a questi problemi, offrendo un sistema integrato capace di coniugare il monitoraggio della qualità dell’aria con la gestione del traffico urbano, trasformando il modo in cui le città vengono gestite e vissute. Questo sistema si basa su una rete diffusa di sensori, collocati strategicamente in tutta l’area urbana per raccogliere dati in tempo reale sulla qualità dell’aria e sul flusso del traffico. I sensori monitorano costantemente livelli di inquinanti come particolato fine, ossidi di azoto e ozono, mentre una rete di dispositivi distribuiti in semafori, lampioni e veicoli raccoglie informazioni sui flussi di traffico, sui tempi di percorrenza e sui punti di congestione. Grazie agli algoritmi di intelligenza artificiale, questi dati vengono analizzati per individuare correlazioni tra il traffico veicolare e l’inquinamento atmosferico, fornendo una visione dinamica e predittiva della situazione urbana.
Il sistema non si limita a osservare e analizzare, ma agisce attivamente per migliorare le condizioni della città. Quando gli algoritmi prevedono un aumento critico degli inquinanti, vengono adottate misure mirate per prevenire situazioni di emergenza. Ad esempio, la sincronizzazione dei semafori riduce le soste prolungate dei veicoli, diminuendo le emissioni. Percorsi alternativi vengono suggeriti agli autisti, alleggerendo il traffico nelle aree più congestionate, mentre incentivi per l’uso del trasporto pubblico, come tariffe agevolate, vengono attivati per incoraggiare spostamenti più sostenibili. Il sistema, inoltre, ottimizza la distribuzione di biciclette e monopattini elettrici in sharing, garantendo una maggiore accessibilità a forme di mobilità alternativa.
I risultati ottenuti dall’applicazione di questa tecnologia sono stati notevoli. La qualità dell’aria è migliorata significativamente, con una riduzione tangibile dei principali inquinanti atmosferici, mentre il traffico è stato reso più scorrevole e meno impattante. L’aumento dell’uso del trasporto pubblico e dei veicoli elettrici ha contribuito ulteriormente a ridurre l’impronta ambientale della città, creando uno spazio urbano più vivibile e sostenibile.
Il coinvolgimento dei cittadini ha giocato un ruolo fondamentale nel successo del sistema. Le scuole, per esempio, hanno integrato i dati sulla qualità dell’aria e sulla mobilità nei loro programmi educativi, coinvolgendo studenti e insegnanti nel monitoraggio delle condizioni del loro quartiere e nella proposta di iniziative sostenibili. Questa partecipazione ha rafforzato il senso di comunità e ha contribuito a sensibilizzare le nuove generazioni sull’importanza della sostenibilità ambientale.
Nonostante i successi ottenuti, l’adozione di sistemi basati sull’intelligenza artificiale in ambito urbano pone alcune sfide. Una delle principali è la gestione etica dei dati raccolti, che richiede un equilibrio tra trasparenza e protezione della privacy dei cittadini. È necessario garantire che l’uso dei dati non crei discriminazioni o disuguaglianze, evitando che i quartieri meno privilegiati siano penalizzati da decisioni sbilanciate. Inoltre, lo sviluppo di tali sistemi richiede un’attenzione particolare all’integrazione delle energie rinnovabili, sincronizzando l’uso dei veicoli elettrici con la disponibilità di energia pulita, come quella solare o eolica.
Questo approccio tecnologico è un modello rappresentativo di come l’intelligenza artificiale possa essere usata per affrontare in modo integrato le sfide della sostenibilità urbana. Combinando dati, innovazione tecnologica e partecipazione civica, le città possono trasformarsi in ambienti più sani, efficienti e inclusivi. Questo sistema, capace di migliorare la qualità dell’aria e la mobilità, offre una visione concreta di come le tecnologie avanzate possano creare un futuro più sostenibile per tutti.
2.4 Due robot a spasso sul ponte
La storia dell’intelligenza artificiale applicata alle infrastrutture trova un esempio emblematico nel Ponte San Giorgio di Genova, costruito dopo il tragico crollo del Ponte Morandi nel 2018. Questo ponte non è solo un’opera di ricostruzione, ma un laboratorio all’avanguardia per la manutenzione
predittiva e la sicurezza infrastrutturale, grazie a un sistema robotico e di intelligenza artificiale unico nel suo genere.
La visione iniziale, nata dalla collaborazione tra il ricercatore Ferdinando Cannella dell’Istituto Italiano di Tecnologia e un team multidisciplinare, prevedeva l’installazione di un sistema robotico avanzato per il monitoraggio continuo del ponte. Il fulcro del progetto è rappresentato dal Robot Inspection, un dispositivo mobile su rotaia equipaggiato con un sistema di visione multi-camera. Quest’ultimo comprende una fotocamera RGB ad alta risoluzione per rilevare dettagli superficiali, una telecamera di profondità per misurazioni tridimensionali e una fotocamera multispettrale per individuare anomalie invisibili all’occhio umano, come stress nei materiali o corrosione incipiente.
Il sistema raccoglie enormi quantità di dati – oltre 35.000 immagini per ispezione – che alimentano algoritmi di deep learning. Questi identificano difetti, prevedono potenziali problemi e tracciano l’evoluzione del degrado strutturale attraverso un gemello digitale del ponte. Il risultato è una manutenzione predittiva, che consente di intervenire tempestivamente, evitando guasti critici.
Accanto al Robot Inspection opera il Robot Wash, dedicato alla pulizia delle barriere antivento e dei pannelli solari, garantendo funzionalità ed estetica. Entrambi i robot sono progettati per operare in modo autonomo, utilizzando materiali avanzati come la fibra di carbonio e tecnologie di stampa 3D.
Questo sistema integrato rappresenta un modello replicabile a livello globale, aprendo nuove frontiere nella gestione delle infrastrutture. Il Ponte San Giorgio è diventato un simbolo di rinascita tecnologica, dimostrando come l’intelligenza artificiale possa trasformare una tragedia in un’opportunità per garantire sicurezza e innovazione nel futuro delle infrastrutture.
2.5 Una voce da donare
La storia di Voice for Purpose racconta un’applicazione innovativa dell’intelligenza artificiale generativa nel settore sanitario, mirata a preservare e restituire la voce a pazienti affetti da malattie neurodegenerative come la SLA. Questo progetto nasce dalla collaborazione tra enti scientifici, aziende tecnologiche e associazioni, con l’obiettivo di creare una banca vocale accessibile a chi rischia di perdere la capacità di comunicare verbalmente.