A cura di Giovanni Masi
Il 16 ottobre 2025, alla “Pontificia Università Antonianum“, ho tenuto un seminario nel corso “Intelligenza Artificiale e ingegneria della sostenibilità” del master di secondo livello in “Intelligenza Artificiale ed Etica”. Ho proposto un percorso che parte dal quotidiano ed entra nei meccanismi dei modelli fino alla misurazione degli impatti. L’obiettivo è capire quando una soluzione di AI conviene davvero, quando è sostenibile sul piano tecnico, economico e organizzativo e come mantenerla affidabile nel tempo con metriche chiare e responsabilità definite.
L’AI che usiamo senza accorgercene
Ho aperto con una domanda semplice: quanti di voi oggi hanno usato l’Intelligenza Artificiale senza nemmeno accorgersene? Dallo sblocco vocale del telefono al filtro antispam fino alle notizie personalizzate, l’AI è già parte del quotidiano.
La differenza con il software a regole è netta: il software tradizionale replica istruzioni scritte a mano, mentre nell’AI addestriamo modelli che apprendono schemi dai dati e li applicano a casi nuovi. Questo passaggio, dal programmare regole al far apprendere relazioni, abilita adattamento e generalizzazione e spiega perché l’AI funziona bene quando i problemi hanno molta variabilità.
Dalle origini a oggi: da Turing e Dartmouth al deep learning
Ho ripercorso le radici, a partire dal Test di Turing e dalla conferenza di Dartmouth dove nasce il termine “Intelligenza Artificiale”. Ho ricordato le stagioni di entusiasmo e i successivi “inverni” dovuti a limiti di calcolo e scarsità di dati.
L’arrivo di grandi dataset, l’uso delle GPU e nuove architetture ha riacceso lo sviluppo fino al salto del deep learning, con risultati concreti in visione, linguaggio e sistemi di raccomandazione. Questo percorso storico mostra che i progressi dipendono da condizioni materiali precise: disponibilità di dati, potenza di calcolo e buona progettazione.
Da qui sono passato al cuore pratico: come i modelli apprendono davvero dai dati.
Il cuore pratico: machine learning e apprendimento dai dati
Ho presentato il Machine Learning come motore dell’AI moderna. Un modello stima una funzione che collega input e output e migliora iterativamente confrontando previsioni e valori reali. In modo operativo ho distinto apprendimento supervisionato quando abbiamo esempi etichettati, non supervisionato quando cerchiamo strutture latenti e metodi per sequenze decisionali quando serve ottimizzare una politica nel tempo. La scelta del problema e della metrica viene prima degli algoritmi perché sono le metriche a dirigere l’ottimizzazione.
Neuroni artificiali, perceptron e il problema della linearità
Per entrare nella meccanica ho mostrato il Perceptron con pesi, bias e funzione di attivazione. Ho evidenziato il limite della sola separabilità lineare e perché funzioni come ReLU, sigmoid e tanh permettano decisioni non lineari quando composte in più strati. Il caso XOR diventa il passaggio naturale verso reti più profonde che rappresentano relazioni complesse e non riducibili a un solo piano di separazione.
Dalle reti semplici alle reti profonde: input, strati nascosti e output
Ho ricostruito la pipeline completa di una rete neurale, dalla preparazione dei dati alla normalizzazione fino allo strato di uscita. Ho chiarito il ruolo di parametri e iperparametri e perché incidano su capacità, costo e stabilità. La profondità e la larghezza degli strati controllano il potere di rappresentazione, mentre tecniche come batch normalization e inizializzazioni robuste migliorano la stabilità dell’addestramento e riducono i problemi di gradiente.
Addestramento: forward, backpropagation e discesa del gradiente
La propagazione in avanti produce una previsione e la funzione di perdita misura lo scarto con il valore reale. L’errore ritorna indietro con la backpropagation aggiornando i pesi lungo il gradiente. Uso la metafora della discesa nella nebbia per il learning rate: se è troppo grande fa oscillare, se è troppo piccolo rallenta la convergenza. Ottimizzatori come SGD e Adam gestiscono passi adattivi e la scelta della perdita, ad esempio MSE o cross-entropy, guida la geometria dell’aggiornamento.
Una volta chiarita la dinamica dell’ottimizzazione, la domanda è: come evitiamo errori di valutazione sui dati reali?
Generalizzazione: evitare overfitting e underfitting con dati e metodo
Ho insistito sulla separazione corretta tra training, validation e test perché un modello valido deve funzionare su dati mai visti. Ho trattato qualità, bilanciamento e codifica delle variabili con attenzione a data leakage e bias. Ho adottato tecniche come dropout, data augmentation ed early stopping per contenere l’overfitting quando i dati sono pochi. Ho suggerito verifiche periodiche e monitoraggio in esercizio perché la distribuzione dei dati può cambiare nel tempo e ridurre la qualità se non si aggiorna il modello.
Architetture per problemi reali: MLP, CNN, RNN e detection in tempo reale
Per orientare le scelte ho collegato architetture a famiglie di problemi. MLP per dati tabellari dove contano selezione delle feature e gestione dei valori mancanti. CNN per immagini con filtri convoluzionali che estraggono pattern locali, pooling che riduce la dimensione e blocchi residuali che aiutano l’addestramento profondo. Ho accennato alla detection in tempo reale con approcci tipo YOLO, dove una rete unica propone e classifica in un colpo solo. Per i dati sequenziali ho introdotto RNN, LSTM e GRU che trattengono dipendenze nel tempo e migliorano la previsione su serie temporali e testi.
Oltre la classificazione: autoencoder, GAN e Transformer
Ho spiegato che gli autoencoder comprimono e ricostruiscono dati, utili per denoising, riduzione della dimensionalità e rilevazione di anomalie. Nelle GAN il gioco tra generatore e discriminatore porta a contenuti convincenti che rispettano la distribuzione dei dati reali. I Transformer, con self-attention, modellano relazioni a lungo raggio in modo efficiente e hanno rivoluzionato linguaggio e visione abilitando la stagione dei modelli linguistici di grandi dimensioni.
LLM: capacità, limiti e specializzazione
Ho chiarito che gli LLM producono testo coerente grazie a correlazioni statistiche e non a comprensione semantica nel senso umano. Ho discusso rischi di allucinazioni e bias, costi computazionali e necessità di specializzazione tramite fine-tuning e Retrieval Augmented Generation per ancorare le risposte a fonti affidabili e aggiornate. Per chi vuole un approfondimento pratico proprio su allucinazioni e bias rimando alla mia intervista su Il Fatto Digitale. La finestra di contesto determina quante informazioni il modello può considerare e la qualità delle fonti pesa più del modello quando si risponde a domande specifiche.
Prompt engineering come competenza di base
Ho mostrato come il prompt influenzi la qualità del risultato e ho proposto un metodo essenziale basato su ruolo, compito, vincoli, contesto ed esempi mirati quando servono. Ho messo a confronto richieste generiche e richieste specifiche per evidenziare differenze di precisione e pertinenza. Per lo studio e la ricerca segnalo NotebookLM, utile per organizzare fonti, riassunti e verifiche mirate.
Impatti su lavoro, società e creatività
L’AI trasforma il lavoro spostando il valore verso compiti di giudizio, relazione e controllo della qualità. Nel servizio clienti l’AI smista le richieste semplici e lascia all’operatore i casi complessi migliorando tempi di risposta e soddisfazione. Nella creatività l’AI generativa accelera bozze, varianti e ricerche ma non sostituisce intuizione e gusto. Serve formazione continua e chiarezza di ruoli tra automazione e supervisione.
Chiarita la tecnica, il punto è misurare il valore dove conta: energia, sanità, città.
Sostenibilità: dove l’AI porta benefici misurabili
Ho collegato i concetti a impatti misurabili su ambiente, sanità e città dove ridurre gli sprechi e usare meglio le risorse diventa un fatto verificabile. Negli edifici pubblici la previsione dei carichi energetici consente una regolazione proattiva di riscaldamento e raffrescamento con indicatori chiari come consumo medio per metro quadrato, scostamento dalla temperatura obiettivo, costo per kWh risparmiato e tempo di ritorno dell’investimento.
Sulla manifattura e sull’industria ho approfondito criteri ed esempi di efficienza in un mio contributo su RiEnergia.
In sanità territoriale la prioritizzazione delle visite domiciliari integra referti note cliniche e parametri vitali per assegnare le urgenze in modo trasparente. Il risultato è una riduzione delle riammissioni entro 30–90 giorni e del tempo medio di presa in carico meno chilometri per visita e una distribuzione più equilibrata dei carichi tra gli operatori.
Efficienza, impatto energetico e scelte architetturali
Per ridurre costi di calcolo e consumi ho proposto criteri semplici da verificare: selezionare le variabili che servono davvero e usare modelli compatti quando l’impatto sulla qualità resta entro una soglia misurata nei test. Tecniche di compressione del modello come pruning e quantizzazione rientrano in questa logica, così come la distillazione e l’inferenza in mixed precision quando si scalano i servizi. La scelta tra on-device e cloud dipende da latenza, privacy, costi, disponibilità di energia e continuità operativa e conviene prevedere un piano di rollback per cambiare impostazione senza blocchi.
Su Agenda Digitale ho analizzato perché spesso con l’AI aumentano i costi per le aziende e che fare e ho proposto come adottare l’AI per l’industria in modo sostenibile e trasparente.
Per dati e considerazioni sul costo ambientale dei modelli rimando al mio articolo “Quanto costa davvero l’Intelligenza Artificiale al pianeta” su Agenda Digitale.
Etica operativa e governance che dura nel tempo
Ho tradotto i principi etici in prassi verificabili: tracciabilità della provenienza dei dati, gestione di licenze e tempi di conservazione, versione di modelli e prompt con registro delle modifiche, metriche definite prima della messa in produzione con soglie e piani di miglioramento, test periodici sui bias, supervisione umana nei passaggi a impatto e audit programmati lungo il ciclo di vita con responsabilità chiare. Per un quadro operativo in ambito industriale rinvio anche alle proposte già citate su Agenda Digitale.
Conclusione dalla “Pontificia Università Antonianum”: responsabilità e metodo
L’Intelligenza Artificiale non è magia ma tecnologia potente che richiede comprensione dei meccanismi, disciplina nelle metriche e responsabilità nei processi. Il futuro dipenderà da come studenti, professionisti e decisori adatteranno queste pratiche ai propri casi con una governance che tenga nel tempo e con obiettivi di sostenibilità dichiarati e misurabili.
Ing. Giovanni Masi