AS3_2026

Aprile 2026 Automazione e Strumentazione Primo piano 16 DOSSIER significa misurare un errore, comprenderne l’origi- ne e modificare i parametri in modo che il sistema diventi sempre più capace nelle sue previsioni. Evoluzione delle reti È interessante notare come le reti convoluziona- li abbiano dato vita a ulteriori architetture che ne ampliano le capacità. Fra queste, un ruolo centrale è ricoperto dai modelli di tipo encoder-decoder , comunemente adottati nella segmentazione seman- tica e istanziata, dove l’obiettivo non è solo indivi- duare la presenza di un oggetto ma anche deline- arne in modo preciso i contorni e assegnare a ogni pixel un’etichetta significativa. Tecniche come le U-Net o le DeepLab hanno permesso di affron- tare compiti complessi come la segmentazione di organi medici in immagini radiologiche, la demar- cazione di aree urbane da riprese satellitari o la comprensione completa di un ambiente stradale nei sistemi di guida assistita. L’evoluzione più recente riguarda la diffusione dei Transformer visivi , che adottano meccanismi di attenzione per modellare relazioni globali tra parti dell’immagine, superan- do alcune limitazioni delle reti convoluzionali pu- ramente locali. Questi modelli, che in inglese sono noti come Vision Transformer, hanno dimostrato prestazioni molto elevate in classificazione e rico- noscimento oggetti quando addestrati su volumi di dati consistenti. Per quanto riguarda il processo di addestramento, le reti di visione artificiale richie- dono grandi dataset annotati, cioè collezioni di immagini nelle quali ogni oggetto è ‘etichettato’ i valori intermedi utili a calcolare in seguito il gra- diente. Una volta determinato l’errore, il processo si inverte. Attraverso la catena delle derivate, la retro- propagazione calcola come una variazione infini- tesimale di ogni peso contribuisca alla variazione totale dell’errore. Procedendo a ritroso dagli strati finali verso quelli iniziali, l’algoritmo accumula queste informazioni e fornisce il gradiente per o- gni parametro. Senza questo meccanismo, sarebbe impossibile aggiornare i pesi in modo efficiente perché la rete contiene spesso milioni o miliardi di parametri, e calcolare le derivate manualmente richiederebbe un lavoro immenso. Il legame tra i due processi è quindi molto stretto. La retropropa- gazione fornisce i gradienti, mentre la discesa del gradiente utilizza tali valori per modificare i pesi e ridurre l’errore. Il ciclo si ripete migliaia o milio- ni di volte durante l’addestramento, con la rete che progressivamente affina il proprio comportamento apprendendo schemi sempre più complessi. Con il passare delle iterazioni, l’errore tende a scendere e la funzione di costo raggiunge una zona stabile, non necessariamente il punto assoluto più basso, ma spesso sufficiente a garantire prestazioni ec- cellenti. Esistono molte varianti della discesa del gradiente, alcune delle quali introducono meccani- smi per accelerare la convergenza o stabilizzare il percorso in presenza di superfici molto irregolari. Allo stesso modo, la retropropagazione può essere ottimizzata sfruttando tecniche numeriche avan- zate o hardware specializzato. Nonostante ciò, l’in- tuizione fondamentale rimane invariata: imparare Nei trasporti, i modelli di visione basati su reti neurali alimentano i sistemi di controllo per la guida assistita, analizzando in tempo reale scene dinamiche e sequenze temporali