AS3_2026

Automazione e Strumentazione Aprile 2026 Primo piano 17 DOSSIER complessiva, del tasso di falsi positivi, di falsi ne- gativi e dell’accuratezza specifica per ogni classe di oggetti. Nei contesti reali, si effettuano test ancora più rigorosi, compresi scenari avversariali, condi- zioni di illuminazione variabile, occlusioni parziali degli oggetti e cambiamenti ambientali significa- tivi. Un sistema destinato all’ambito industriale deve dimostrare prestazioni coerenti anche in pre- senza di rumore, vibrazioni meccaniche, sporco o difetti di acquisizione. Allo stesso modo, una tec- nologia impiegata nelle applicazioni nei trasporti , come nei sistemi avanzati di assistenza alla guida, deve superare test su vasta scala che includono si- tuazioni imprevedibili, variazioni climatiche, sce- nari rari ma critici e l’interazione con oggetti non previsti durante l’addestramento. Algoritmi di riconoscimento Il riconoscimento degli oggetti segue generalmen- te un processo articolato in più fasi. In un sistema standard, l’immagine viene inizialmente norma- lizzata e preprocessata, per garantire che i valori in input alla rete siano coerenti e stabili. A questo punto viene applicato un algoritmo di detection , come real-time Yolo (You Only Look Once), Fa- ster R-CNN (Faster Region-based Convolutional Neural Network) o SSD Detector (Single Shot MultiBox Detector), che individua regioni nelle quali potrebbero essere presenti oggetti. Ogni re- gione viene poi analizzata da una rete di classifica- zione che determina la classe dell’oggetto e la sua probabilità. Modelli più avanzati integrano diretta- con precisione. L’annotazione può essere semplice, come nel caso della classificazione, oppure estre- mamente dettagliata, come nella segmentazione a livello di pixel. La fase di addestramento consiste nel presentare ripetutamente al modello questi e- sempi e nel misurare, tramite la funzione di costo vista in precedenza, la differenza tra la previsione della rete e l’etichetta corretta. L’algoritmo della re- tropropagazione permette di calcolare il contributo dell’errore su ogni parametro della rete, e la discesa del gradiente aggiorna questi parametri per ridurre l’errore. Questo ciclo si ripete milioni di volte, uti- lizzando tecniche di ottimizzazione avanzate come Adam , RMSProp o varianti della discesa stoca- stica tradizionale. In molti casi, il processo di adde- stramento richiede risorse computazionali elevate e l’utilizzo di GPU (Graphics Processing Unit) o TPU (Tensor Processing Unit), capaci di gestire in parallelo grandi moli di calcoli matriciali. Nell’am- bito delle architetture, i nomi di riferimento sono Nvidia per le sue note GPU e Google per le TPU, che sono degli Asic progettati e utilizzati da Goo- gle specificamente per accelerare i carichi di lavoro dell’apprendimento automatico. Verificare l’AI Parallelamente all’addestramento, assume un ruolo cruciale la fase di validazione. Un modello di visio- ne automatica deve essere testato su dati che non ha mai visto, per verificare la sua capacità di genera- lizzare e non limitarsi a memorizzare gli esempi. La validazione richiede l’analisi della precisione L’uso di GPU e TPU, insieme con varianti ottimizzate degli algoritmi di deep learning, consentono l’addestramento di modelli con milioni o miliardi di parametri