In questo articolo, grazie agli approfondimenti dell’Osservatorio Artificial Intelligence, scopriremo cos’è la Computer Vision, come funziona, quali sono le sue principali applicazioni, le opportunità e le criticità legate al suo utilizzo.
La Computer Vision o visione artificiale è un campo di studi interdisciplinare che studia algoritmi e tecniche per permettere ai computer di riprodurre funzioni e processi dell’apparato visivo umano. Non si tratta solo di riuscire a riconoscere oggetti, persone o animali all’interno di un’immagine singola o in sequenza (video), ma soprattutto di estrarre informazioni utili per la loro elaborazione, a livelli sempre più alti di astrazione e comprensione. In altre parole, si tratta della capacità di ricostruire un contesto intorno all’immagine, dandole un vero e proprio significato.
Per poter funzionare correttamente, i sistemi di visione artificiale hanno bisogno di essere addestrati con una grande quantità di immagini. Tali immagini, opportunamente etichettate, sono fondamentali per insegnare agli algoritmi a identificare pattern, categorie ed elementi rilevanti per i diversi compiti.
Negli ultimi anni l’attenzione verso la Computer Vision è fortemente cresciuta, grazie alla diffusione di immagini e video digitali e all’avvento di tecniche sempre più avanzate di Machine Learning. L’apprendimento automatico ha infatti permesso di raggiungere prestazioni paragonabili a quelle umane.
Gli algoritmi di Visione Artificiale possono effettuare indagini più o meno approfondite su un’immagine, a seconda delle tecniche utilizzate, della tipologia di immagine e del tipo di task effettuato.
Tra i possibili task si individuano:
Tra queste, attualmente le imprese rivolgono l’attenzione principalmente a soluzioni di Image Classification e Object Detection.
La Computer Vision ha radici che affondano nei primi anni ’60, quando i pionieri dell’informatica iniziarono a esplorare la possibilità di dotare le macchine della capacità di “vedere”. Il primo tentativo significativo risale al 1966, quando il ricercatore del MIT Seymour Papert avviò il “Summer Vision Project”, con l’ambizioso obiettivo di creare un sistema capace di riconoscere oggetti nelle immagini. Quello che sembrava un traguardo raggiungibile in pochi mesi si rivelò invece una sfida decennale.
Gli anni ’70 e ’80 videro progressi incrementali nella visione artificiale, con lo sviluppo di algoritmi per il rilevamento di bordi e forme. Le limitazioni hardware e la complessità matematica rallentarono però l’avanzamento. È solo negli anni ’90, con l’introduzione di approcci statistici e l’aumento della potenza di calcolo, che la Computer Vision iniziò a mostrare risultati promettenti in applicazioni reali.
La vera rivoluzione è avvenuta nel 2012 con la vittoria schiacciante di AlexNet, una rete neurale convoluzionale (CNN), nella competizione ImageNet. Questo momento segnò l’inizio dell’era moderna della Computer Vision, dominata dal Deep Learning. Da allora, i progressi sono stati esponenziali, portando a sistemi capaci di superare le performance umane in compiti specifici di riconoscimento visivo. Si è così aperta la strada alle molteplici applicazioni che oggi trasformano industrie, medicina, sicurezza e la nostra vita quotidiana.
La Computer Vision è una tecnologia trasversale che trova impiego in numerosi settori, rivoluzionando molti processi aziendali e migliorando la qualità delle soluzioni offerte.
Tra i più rilevanti ambiti di applicazione troviamo:
A dimostrazione di quanto detto sulle applicazioni industriali della Computer Vision, riportiamo come esempio il caso della Gnutti Carlo S.P.A.. L’azienda manifatturiera ha sviluppato un progetto di automazione per l’identificazione delle non conformità di un componente per motori automotive. Il processo di controllo veniva svolto da personale addestrato e risultava dispendioso. Per tale ragione, dopo aver sperimentato tecniche di visione classica, l’azienda ha scelto di sfruttare l’AI e le sue potenzialità. Ha dunque adottato una soluzione di Computer Vision per identificare e classificare le anomalie presenti sulla superficie del componente meccanico.
I notevoli progressi che la Computer Vision sta registrando sono dovuti principalmente allo sviluppo delle tecniche di Deep Learning, il ramo più evoluto del Machine Learning.
Esistono tre diverse modalità con cui un’architettura di visione artificiale può estrarre informazioni dalle immagini scelte singolarmente o combinate a seconda delle esigenze dell’analisi:
A loro volta, le reti neurali convoluzionali utilizzate per la classificazione delle immagini – che hanno contributo notevolmente allo sviluppo del Deep Learning – sono i principali esempi di Deep Neural Networks. Queste reti sono costituite da un elevato numero di layer (ossia strati di calcolo) e riescono a raggiungere dimensioni significative. Le reti deep sono altamente efficaci per l’analisi di immagini naturali e si prestano molto bene al transfer learning, un insieme di tecniche che permette di riutilizzare reti addestrate in precedenza su grandi asset di dati, per risolvere task differenti e tipicamente più specifici.
L’Intelligenza Artificiale Generativa nel campo della Computer Vision ha aperto nuove possibilità per la creazione e l’analisi di contenuti visivi. Sfruttando le tecniche di Generative AI, gli algoritmi di visione artificiale possono apprendere e formulare previsioni da un’ampia gamma di dati, migliorando la precisione e la robustezza dell’analisi visiva.
I principali benefici della Generative AI per la Computer Vision riguardano:
Secondo la Ricerca dell’Osservatorio Artificial Intelligence, le soluzioni di Image, Audio, Video Analysis & Generation Systems – in cui rientra la Computer Vision supportata da Generative AI – rappresentino il 16% del mercato dell’AI, il cui valore è pari a 1,8 miliardi di euro. Un segnale concreto di come la capacità di “vedere” e interpretare il mondo visivo stia acquisendo un ruolo chiave nelle applicazioni di Intelligenza Artificiale.
Lo sviluppo di soluzioni di Computer Vision, nonostante i notevoli progressi, comporta ancora sfide significative e rischi che meritano un’attenta considerazione. Non si tratta di semplici ostacoli tecnici: sono questioni fondamentali che possono determinare l’affidabilità e l’eticità di questi sistemi.
In questo ambito, le sfide principali riguardano la classificazione e la segmentazione delle immagini:
I sistemi di Computer Vision possono anche amplificare pregiudizi presenti nei dati di addestramento. Ad esempio, algoritmi addestrati principalmente su immagini di persone con determinate caratteristiche etniche potrebbero avere prestazioni significativamente inferiori quando applicati a gruppi sottorappresentati, portando a discriminazioni algoritmiche con impatti reali su individui e comunità.
La privacy rappresenta un’altra area di preoccupazione crescente. Le tecnologie di riconoscimento facciale, in particolare, sollevano interrogativi sulla sorveglianza di massa e sul potenziale uso improprio da parte di governi o aziende private. L’identificazione automatica di individui in spazi pubblici, senza esplicito consenso, sfida i principi fondamentali della privacy in molte società democratiche.
Le principali criticità tecniche da considerare sono:
Affrontare questi rischi richiede un approccio multidisciplinare che combini innovazione tecnica, considerazioni etiche e quadri normativi adeguati, per garantire che la Computer Vision porti benefici alla società senza compromettere valori fondamentali.
Contenuti suggeriti dell’Osservatorio Artificial Intelligence
