In Primo Piano•10 Giugno 2026

AI, IoT e Smart City: guida alle nuove tecnologie e rischi

Media not available
Media not available

Ad aprire i lavori della sessione pomeridiana dell’evento Anaci Bergamo Incontra è intervenuta Patrizia Scandurra, docente al Dipartimento di Ingegneria Gestionale, dell’Informazione e della Produzione dell’Università di Bergamo. Il tema del suo intervento: le differenze fra Ai classica, predittiva, generativa, applicazioni Iot per smart city e digital twin.

Attenti alle trappole

«L’Intelligenza artificiale è entrata ormai nella nostra vita quotidiana, non è fantascienza», ha esordito la professoressa. «Dagli assistenti virtuali ai social network, dal commesso Amazon che suggerisce gli acquisti al DJ di Spotify che costruisce le liste musicali, fino all’assistente di Google Maps che suggerisce percorsi alternativi per evitare il traffico, sono tante le applicazioni».

Anche il motore di ricerca più popolare al mondo, ovvero Google Search, si è evoluto: mentre in passato dovevamo esprimere delle chiavi di ricerca per individuare i contenuti, e toccava poi agli utenti cliccare e collezionare i dati restituiti dalla ricerca, oggi da una chiave di ricerca, ancora prima di attivare il tasto Ai Mode, Gemini restituisce a colpo d’occhio una piccola anticipazione, rielaborando i contenuti trovati in rete. Ma attenzione: non sempre si tratta di risposte attendibili.

«L’Ai non è una semplice tecnologia, è una scienza e neanche tanto nuova. L’Ai classica è nata intorno agli anni Cinquanta con l’avvento dei primi computer e a fondarne le basi è stato proprio il padre dell’informatica Alan Turing, che elaboro la prima definizione formale di algoritmo e di modelli formali di calcolabilità. Da lì sono nati i primi modelli di neuroni artificiali per emulare il processo biologico che avviene nella mente umana».

Patrizia Scandurra, docente al Dipartimento di Ingegneria Gestionale, dell’Informazione e della Produzione dell’Università di Bergamo
Patrizia Scandurra, docente al Dipartimento di Ingegneria Gestionale, dell’Informazione e della Produzione dell’Università di Bergamo

La storia

«Il termine Intelligenza artificiale fu coniato nel 1956 in un college americano: al tempo si trattava di un’intelligenza classica, ovvero la macchina decideva sulla base di regole stabilite dall’essere umano.

L’idea era che le funzioni cognitive della mente potessero essere modellate attraverso algoritmi. Dobbiamo aspettare gli anni Novanta, con le tecniche di apprendimento automatico, tipo machine e deep learning, per arrivare a macchine che iniziano a imparare direttamente dai dati», ha proseguito Scandurra. «Quindi non più regole scritte dall’essere umano, ma grandi quantità di dati che elaborati in maniera statistica creano pattern da cui la macchina è in grado di fare previsioni, di classificare. Nasce così l’Ai predittiva». Nel 2022 con l’uscita di ChatGpt si verifica un ulteriore salto di specie.

«Il motore interno di questa applicazione è un esempio di Ai generativa, cioè reti neurali profonde preaddestrate che, sulla base di questa conoscenza, sono in grado di produrre contenuti inediti. Chat, assistenti, app che ne facilitano l’utilizzo, hanno reso questa tecnologia popolare e accessibile a tutti, mentre l’Ai predittiva è ancora in mano a pochi, perché necessita di dataset specifici, ripuliti, etichettati. Tuttavia, l’Ai generativa non gira in locale, servono delle risorse di calcolo enormi, che solo pochissime aziende riescono a garantire, quindi tendenzialmente ci rivolgiamo ad applicazioni in cloud mediante Api o servizi su richiesta e a pagamento».

Motore analitico

L’Ai classica, dove la macchina apprende in base alle regole stabilite dall’uomo, è paragonabile a una scatola bianca: è trasparente e facilmente verificabile, ma funziona solo in contesti prestabiliti. Se si presentano situazioni inaspettate, la macchina non saprebbe cosa fare, quindi fa fatica ad adattarsi a dati nuovi, rumorosi, situazioni non previste durante la fase di design. L’Ai predittiva è invece un motore analitico: serve per classificare, fare delle previsioni, sulla base di dati che ha appreso, determinare anomalie, identificare priorità e guasti.
«Il suo limite però dipende dalla qualità dei dati da cui apprende», ha chiarito la professoressa. «Dobbiamo spiegare esattamente alla macchina come distinguere i dati buoni da quelli non buoni. È paragonabile a una scatola nera poiché in questi modelli di apprendimento non è possibile vedere dentro il ragionamento che viene sviluppato. Nell’Ai generativa questa opacità è parecchio più accentuata. L’Ai generativa viene preaddestrata e sulla base di dati da cui ha imparato è in grado di generare risultati nuovi. È ancora meno previdibile dell’Ai predittiva, uno dei limiti è proprio capire se l’output che ha emesso è corretto perchè appunto è anche soggetta ad allucinazioni».

La programmazione

Un’altra linea evolutiva riguarda chi si occupa di sviluppare software.
«Quando avevamo i calcolatori nuovi, dovevamo scrivere il codice nel linguaggio macchina, la famosa codifica binaria», ha illustrato la relatrice. «Poi c’è stato un tentativo di alzare il livello di astrazione,
quindi il programmatore ha iniziato a sviluppare istruzioni per la macchina attraverso i linguaggi di programmazione. Il livello di astrazione e il potere espressivo di questi linguaggi di programmazione è aumentato nel tempo, facilitando sempre più la vita del programmatore. Ora inizia una nuova era: siamo riusciti a elevare ancora di più questo potere di astrazione passando da un paradigma imperativo, dove l’uomo da le istruzioni alla macchina, a un modello di intenti. Quando programmiamo sfruttando l’Ai generativa, ci esprimiamo con un linguaggio naturale direttamente attraverso prompt. La macchina interpreta e produce, sviluppa il codice al posto del programmatore. Questo non significa che non
continuiamo a sviluppare i programmi come prima, perchè la macchina parla sempre nel suo linguaggio binario, ma abbiamo degli strumenti molto potenti che ci assistono nel lavoro. Ma vanno usati con consapevolezza», ha avvertito Scandurra.

Dove incide

Tra i settori che hanno registrato un impatto maggiore dall’utilizzo dell’Ai generativa e predittiva ci sono la comunicazione, la diagnostica e l’ambito sanitario, il settore industriale è quello agricolo, i trasporti.

«Anche il settore del real estate sarà impattato dalle nuove tecnologie», ha affermato la professoressa. «Marketing iper personalizzato con la possibilità di creare annunci mirati in base alla profilazione dell’utente, all’andamento del mercato, alle zone a cui gli annunci si riferiscono, la possibilità anche di fare pricing, valutazioni lampo, monitoraggi di particolari quartieri della città. E cosa dire dello staging virtuale con la possibilità tramite l’Ai generativa di arredare digitalmente locali completamente vuoti per migliorare la percezione del potenziale acquirente? O ancora la possibilità di creare dei chatbot conversazionali, che si adattano al linguaggio dell’utente e sono in grado di rispondere alle sue esigenze di ricerca», ha elencato la relatrice, passando poi alle applicazioni più avanzate, a partire dall’IoT.

«Il software sta sposando sempre più un modello chiamato IoT Edge Cloud. Non gira localmente su una sola macchina, ma è distribuito. c’è il layer formato dai dispositivi IoT, quindi sensori, smart meter, attuatori, l’applicazione che gira sul dispositivo locale e poi il software di controllo che gira in Edge. Tipicamente i microcomputer sono dei gateway che risiedono vicino ai dispositivi, controllano e possono già eseguire elaborazione in loco. Le analisi più complesse vengono invece eseguite in cloud. È già possibile integrale funzionalità di Intelligenza artificiale sia in Edge che in cloud», ha spiegato la professoressa. «In cloud possiamo esprimere la massima potenza perchè abbiamo tutte le risorse di calcolo che ci servono e, dai dati che riceviamo in uplink dai vari dispositivi, possiamo effettuare diverse analisi. Però possiamo anche pilotare da remoto i dispositivi, quindi c’è anche traffico in downlink, cioè da un’app può partire un comando di apertura e chiusura valvole, il monitoraggio da remoto, l’ottimizzazione dei consumi e anche la possibilità, raccogliendo questi dati, di fare previsioni e manutenzione predittiva».

Digitale e progettazione

L’obiettivo del Bim è quello di ottimizzare la gestione degli edifici, che oggi si possono anche modellare digitalmente.

«Il Bim è un componente di quello che chiamiamo gemello digitale. Il gemello digitale di un sistema è una copia cyber-fisica, che riceve i dati dai sensori in tempo reale e che permette di fare delle analisi attraverso cruscotti digitali per osservare, stilare grafici, plot e visualizzare l’andamento dell’edificio», ha spiegato la professoressa. «Con queste analitiche possiamo fare manutenzione predittiva, simulazioni, diagnosi veloci, individuare il punto esatto dell’impianto dove si è verificato il guasto, fare simulazioni per pianificare gli investimenti. Possiamo anche simulare nel tempo una soluzione piuttosto che un’altra e vedere sul gemello digitale dell’edificio qual è quella che ci fa risparmiare di più, e se il risparmio ripaga l’investimento sotto forma di payback».
Strumenti abbastanza avanzati, d’accordo, ma qualcosa in giro già si vede, come i building management systems delle grandi aziende e le piattaforme di citta intelligenti.
«La smart city è una piattaforma software cyber-fisica che raccoglie dati provenienti da diversi ambiti e settori urbani con l’obiettivo di rappresentarli in modo unificato, strutturarli e costruire dei servizi a valore aggiunto per i cittadini. Molti settori sono già gestiti da aziende che hanno le loro piattaforme verticali e sono invitate a inviare dati nel formato urban dataset secondo una codifica standard».
Oltre alla piattaforma che integra e colleziona questi dati e li analizza, esiste poi una terza componente: le control room, ovvero delle dashboard che permettono di visualizzare, analizzare i dati raccolti e combinarli per fare previsioni, manutenzione e ottimizzare i vari processi.

Riqualificazione

Che cosa aspettarsi nell’ambito delle smart city andando a integrare le funzioni di Ai generativa?
«Si potrebbero interpretare i flussi video in tempo reale per identificare incendi e incidenti, o nel tempo
l’Ai generativa potrebbe essere utilizzata per identificare aree della citta soggette a problemi di degenerazione urbana e suggerire prescrizioni su come intervenire, si potrebbe utilizzarla come planning negli interventi di riqualificazione».

Tutto bello, però attenzione, perchè ci sono dei rischi, intrinseci proprio allo strumento: i cosiddetti bias algoritmici, ovvero quegli errori che l’Ai commette senza sapere che sono errori.
«I bias sono dovuto principalmente al fatto che nei dati da cui la macchina ha preso le informazioni sono rimasti stereotipi e pregiudizi umani per cui si vengono a creare delle interpretazioni distorte della realtà, che portano a situazioni discriminatorie, errori, output del tutto incoerenti. A questo si aggiungono rischi legati alla sicurezza dei dati, alla perdita del controllo e dell’autonomia, fino ai deep fake».

Gli errori

Dopo aver ripercorso il quadro normativo in vigore e le implicazioni in termini di sicurezza derivanti dall’utilizzo dei sistemi di Intelligenza artificiale, che aprono al tema più ampio della sovranità digitale, la docente ha elencato gli errori ad alto rischio più comuni commessi dagli utenti: copiare e incollare documenti completi, verbali, estratti, dettagli anagrafici delle persone; inserire i nominativi reali con importi, dettagli, informazioni su morosità, contenziosi; prendere l’output generato dai chatbot e non verificarlo.

«Se il nostro prompt contiene già più dettagli di quelli che esporremo in una bacheca di un condominio, allora fermiamoci subito. L’obiettivo e creare un modello precompilato, che poi si completa fuori dalla chat. Per i più esperti è possibile anche creare un prompt più strutturato, applicando in pratica quelli che sono i principi della legge Gdpr: la minimizzazione dei dati, la loro esattezza, la limitazione della conservazione».

La relatrice ha poi invitato gli studi professionali ad acquisire un metodo di utilizzo.

«Minimizzare i dati che forniamo all’Ai, anonimizzarli il più possibile, dare delle istruzioni più precise e strutturate, verificare sempre l’output. Per uno studio professionale sarebbe il caso di adottare delle vere e proprie policy: scegliere quali tool usare, quali account utilizzare, preferibilmente con un’autenticazione a due fattori, definire dei template di prompt da riusare in diverse situazioni e definire una sorta di checklist minima sul modus operandi. Se fosse previsto, sarebbe utile anche definire un accordo con tutti i fornitori ed eventualmente prevedere procedure in caso di data breach o incidenti. Sapere cosa fare al momento giusto è sempre utile».

di Veronica Monaco

Convegno Anaci Bergamo intelligenza artificiale