Come abbiamo insegnato a un’AI a riconoscere i cartelli stradali rotti?
Tutto è iniziato con una richiesta semplice — almeno in apparenza.
Un’amministrazione comunale ci ha contattato perché voleva riconoscere automaticamente i cartelli stradali danneggiati usando un sistema di intelligenza artificiale. L’idea era buona, ma il modello aveva un problema piuttosto comune: mancavano i dati giusti. Il dataset disponibile conteneva migliaia di immagini di cartelli perfettamente integri… e pochissime di cartelli rotti. In pratica, l’AI sapeva cosa fosse un cartello, ma non riusciva a capire quando fosse danneggiato. Servivano più esempi reali, e servivano in fretta.
L’intuizione: usare CivicaPA per coinvolgere i cittadini
Invece di cercare immagini su internet o ricorrere a set sintetici, abbiamo deciso di coinvolgere direttamente i cittadini.
Abbiamo usato CivicaPA, la nostra piattaforma per la gestione delle segnalazioni urbane, e l’abbiamo adattata per creare un flusso intelligente di raccolta dati.
Il processo funziona così:
- Il cittadino invia una segnalazione con la foto di un cartello danneggiato (tramite app o web).
- Un operatore comunale verifica la segnalazione: conferma o scarta il caso.
- Se la verifica è positiva, le immagini vengono automaticamente inviate al sistema di training dell’AI.
- L’AI, nel frattempo, analizza anche le nuove segnalazioni e le ordina in base alla probabilità che mostrino un cartello rotto.
In pratica, si è creato un ciclo di apprendimento continuo: i cittadini aiutano a generare nuovi dati, gli operatori li validano, e l’AI migliora nel tempo grazie ai feedback reali.
Dietro le quinte: flusso dati e intelligenza “ricorsiva”
La parte più interessante è che ogni decisione umana diventa un nuovo dato di training.
Abbiamo integrato un modulo chiamato “Save for AI”, che archivia automaticamente le immagini confermate come utili per il modello.
Questo ha permesso di bilanciare il dataset in modo naturale, senza costose campagne fotografiche o labeling manuale di massa.
Dopo qualche settimana di ciclo attivo, i risultati sono diventati visibili:
- il modello ha guadagnato quasi 10 punti percentuali in accuracy,
- il tempo medio di verifica delle segnalazioni è dimezzato,
- e gli operatori comunali si sono trovati finalmente una lista di segnalazioni già ordinate per priorità, invece di una coda infinita e casuale.
Lezioni apprese (e un po’ di filosofia)
Questo progetto ci ha insegnato che la collaborazione uomo–macchina funziona meglio quando è progettata come un flusso, non come un esperimento isolato.
L’intelligenza artificiale, da sola, non avrebbe mai potuto migliorare senza il contributo umano. Ma anche gli umani, senza un ranking intelligente, avrebbero perso tempo su centinaia di foto inutili.
L’AI, in questo caso, non sostituisce nessuno: ottimizza il lavoro di tutti.
I cittadini diventano parte del processo, gli operatori migliorano l’algoritmo con le loro decisioni, e il sistema nel complesso diventa ogni giorno più preciso.
E adesso?
Il prossimo passo sarà estendere il sistema anche ad altri tipi di segnalazioni — buche stradali, segnaletica orizzontale, arredo urbano danneggiato — per creare una mappa dinamica dello stato della città, aggiornata e “comprensiva” di ciò che l’AI apprende giorno dopo giorno.
In fondo, non è solo un progetto tecnico: è un piccolo esempio di come la tecnologia, se usata bene, può migliorare la collaborazione tra cittadini, istituzioni e intelligenza artificiale.