Riceviamo e pubblichiamo volentieri un intervento di Rafael Patron, Presidente del Comitato Tecnico-Scientifico di AIPIA, Associazione Italiana Professionisti dell’Intelligenza Artificiale.
Una videocamera installata su una torre di telecomunicazione osserva un bosco per chilometri e, quando vede salire qualcosa di grigio all’orizzonte, deve decidere in pochi istanti se si tratta di fumo o di foschia. Da quella scelta dipende l’allerta che arriva ai centri operativi, ed è qui che l’intelligenza artificiale nel monitoraggio ambientale smette di essere una promessa tecnologica e diventa una questione di affidabilità.
Dalle torri di Castelporziano agli altri territori
Il caso raccontato da ZeroEmission a settembre è un buon punto di partenza. Nel progetto «MonitoriAmo la Natura», promosso da INWIT, Legambiente e RomaNatura nella Riserva naturale statale della Tenuta di Castelporziano, tre torri sono state dotate di una videocamera con analisi automatica delle immagini. Accanto alla videocamera ci sono sensori IoT, cioè dispositivi connessi che trasmettono le misure in rete. La videocamera riconosce le colonne di fumo distinguendole dai normali fenomeni atmosferici e segnala l’anomalia ai centri operativi; i sensori registrano in continuo biossido di azoto, ozono, monossido di carbonio, anidride solforosa, particolato, anidride carbonica, temperatura, umidità, pressione, rumore e luminosità.
L’idea che infrastrutture già esistenti possano ospitare strumenti di osservazione è concreta, e molte amministrazioni e gestori di aree protette la stanno valutando.
Chi deve decidere se adottarla, però, si trova davanti a una domanda più pratica di quella tecnologica: quanto vale un allarme generato da una macchina, e che cosa bisogna predisporre perché valga di più?
Fumo o nuvola: i due errori dell’intelligenza artificiale nel monitoraggio ambientale
Ogni sistema che classifica qualcosa, che sia un’immagine o un picco di inquinante, può sbagliare in due modi. Può segnalare un incendio che non c’è, ed è il falso positivo: una nuvola bassa, il vapore di un impianto, la polvere sollevata da un mezzo agricolo. Oppure può tacere davanti a un principio d’incendio reale, ed è il falso negativo. I due errori hanno costi molto diversi. Un falso allarme impegna una squadra per niente e, se si ripete, insegna agli operatori a non fidarsi. Un allarme mancato lascia crescere il fuoco nelle ore in cui sarebbe più facile spegnerlo.
Ridurre uno dei due errori tende ad aumentare l’altro. Una soglia più sensibile cattura più incendi e produce più segnalazioni inutili; una soglia più prudente fa il contrario. Non esiste una regolazione giusta in astratto: va scelta in base al territorio, alla stagione, alla capacità di risposta di chi riceve le segnalazioni.
Per questo, quando si valuta un’offerta, conviene chiedere al fornitore come si comporta il sistema su entrambi i fronti, su quali dati è stato misurato e in quali condizioni. Un unico valore di «accuratezza» dice poco, perché in un bosco i momenti senza incendi sono la stragrande maggioranza e un sistema che non segnala mai nulla risulterebbe quasi sempre «accurato».
Il lavoro che non si vede: sensori, calibrazione, confronto
La parte meno raccontata di questi progetti è la manutenzione. Un sensore di gas a basso costo cambia comportamento con la temperatura e l’umidità, invecchia, si sporca; una lente esposta al sole e alla pioggia perde nitidezza. Un modello addestrato su immagini di primavera può trovarsi in difficoltà con la luce radente di novembre o con la nebbia di una valle che non ha mai visto.
Servono quindi tre abitudini. La prima è il confronto periodico con strumenti di riferimento, come le centraline delle agenzie ambientali, per capire di quanto si discostano le misure dei sensori diffusi. La seconda è un registro delle segnalazioni, con l’esito verificato sul campo: era fumo o no, l’incendio c’era o no. È la base per ricalibrare le soglie e, quando serve, riaddestrare il modello. La terza è un calendario di controlli fisici sugli apparati, che in un’area protetta significa anche accessi, permessi e persone dedicate.
Senza questo lavoro il sistema funziona bene il giorno dell’inaugurazione e peggiora, in silenzio, nei mesi successivi.
Fisica e machine learning: le previsioni di ARPA Sicilia sul biossido di azoto
Un esempio utile di come rendere credibile una previsione arriva da ARPA Sicilia. Lo studio pubblicato a settembre sulla rivista scientifica Atmosphere (MDPI), e presentato dal Sistema nazionale per la protezione dell’ambiente (SNPA), riguarda il biossido di azoto lungo Viale Regione Siciliana a Palermo. I ricercatori hanno combinato SIRANE, un modello fisico di dispersione degli inquinanti in ambito urbano, con due algoritmi di machine learning, Random Forest e XGBoost, ottenendo previsioni fino a 12 ore in anticipo.
L’aspetto interessante è il metodo. Il modello fisico descrive come gli inquinanti si muovono tra gli edifici; l’apprendimento automatico impara dai dati osservati le relazioni che il modello non coglie. Partendo dalle concentrazioni misurate dalla centralina di via Di Blasi, il gruppo ha ricostruito i livelli di traffico, usando di fatto la stazione anche come sensore indiretto dei veicoli in transito. Presso la stazione e nelle aree circostanti le concentrazioni medie misurate superano i 50 microgrammi per metro cubo.
Il risultato è una previsione che si può spiegare: chi la legge sa da dove viene, su quali misure poggia e quali leggi fisiche rispetta. Secondo gli autori lo stesso approccio è trasferibile ad altri corridoi urbani e ad altri inquinanti, come PM10, PM2,5 e ozono.
Chi riceve l’allerta e chi decide
Un allarme automatico è l’inizio di una procedura. Prima di accendere le videocamere bisogna sapere chi riceve la segnalazione, entro quanto tempo deve verificarla, con quali strumenti, e chi ha l’autorità per far partire una squadra o, al contrario, per archiviare l’avviso. Bisogna anche stabilire che cosa succede di notte e nei fine settimana, quando il personale è ridotto.
La verifica umana resta il passaggio decisivo: l’operatore guarda le immagini, incrocia le informazioni con le condizioni meteo e con altre fonti, decide. Perché lo faccia bene deve capire come ragiona il sistema che ha davanti, che cosa significa un punteggio di confidenza, perché in certe condizioni gli errori aumentano.
È lo stesso principio che il Regolamento (UE) 2024/1689, l’AI Act, fissa all’art. 4: fornitori e deployer, cioè le organizzazioni che usano un sistema di intelligenza artificiale, adottano misure per sviluppare l’alfabetizzazione in materia di IA del personale che lo fa funzionare, tenendo conto di conoscenze, esperienza e contesto d’uso.
Un vocabolario comune per tecnici e amministratori
Molte incomprensioni nascono dalle parole. Il tecnico che parla di soglia di confidenza, il funzionario che deve firmare un capitolato e l’installatore che monta i sensori spesso danno significati diversi agli stessi termini: falso positivo, dati di addestramento, validazione, supervisione umana. L’Associazione Italiana Professionisti dell’Intelligenza Artificiale (AIPIA), che riunisce sviluppatori, data scientist, ricercatori e consulenti, considera il lessico condiviso il primo passo per valutare con criterio un sistema di IA. Per questo ha reso disponibile un glossario dell’intelligenza artificiale pubblico, con definizioni brevi dei termini che ricorrono nelle offerte e nei progetti, dal machine learning alla visione artificiale, fino alle voci su etica e regolazione.
I lettori di ZeroEmission seguono ogni giorno le tecnologie per la transizione e incontrano i fornitori nelle fiere di settore. Per loro è uno strumento da tenere aperto mentre si legge una scheda tecnica, o prima di una riunione con chi propone un sistema di monitoraggio.
C’è una prova semplice da fare prima di firmare. Chiedere al fornitore quanti falsi allarmi ha prodotto il sistema nell’ultima stagione in un sito simile, e quanti incendi ha segnalato in ritardo. Se la risposta arriva con dati e condizioni di misura, si sta parlando con qualcuno che ha già fatto il lavoro che non si vede.
