- 2 ore fa
Categoria
📺
TVTrascrizione
00:00:12Benvenuti a questa lezione virtuale, io sono Pietro Franceschi e mi occupo di agricoltura
00:00:17digitale alla Fondazione Edmund Mac vicino a Trento. La lezione a cui assisterete è un po'
00:00:25diversa da quella che probabilmente la maggior parte delle lezioni che avete seguito in questo
00:00:30corso perché si focalizza un po' sull'uso dell'intelligenza artificiale o sulle prospettive
00:00:35e le potenzialità dell'uso dell'intelligenza artificiale in un contesto come la viticoltura.
00:00:41Ho una presentazione che adesso andremo a vedere assieme, è organizzata un po' come segue, ho cercato
00:00:47nella prima parte di chiarire alcune idee su cosa sia l'intelligenza artificiale e su in generale
00:00:53alcune tematiche che sono molto comuni a vari aspetti di questi metodi che adesso si usano
00:00:58in molti contesti che vanno dall'agricoltura ma anche dalla scelta dei film, dei consigli per gli
00:01:03acquisti online e poi nella seconda parte invece vi cercherò di far vedere in maniera un po' più
00:01:08dettagliata quali potrebbero essere le potenzialità di questi tipi di approcci che se vengono applicati
00:01:14in un contesto agricolo o di viticoltura. L'idea è quella di cercare di darvi delle idee generali
00:01:19quindi di non entrare negli aspetti tecnici perché come sempre la tecnica poi se uno si
00:01:23perde nei dettagli perde un po' quelle che sono le capacità , la capacità di vedere il
00:01:28quadro generale, ma di dare un'informazione informata e generale su alcuni temi critici
00:01:33che sono in particolare l'uso dei dati che sono poi gli elementi determinanti di quelli
00:01:37che sono l'uso o le potenzialità di queste tecniche all'interno dell'agricoltura o della
00:01:42viticoltura digitale. Allora vi faccio vedere la presentazione, questo è il titolo,
00:01:52spesso mi capita di andare a delle conferenze, a dei congressi dove si discute di macchine
00:01:58intelligenti, quindi abbiamo degli oggetti che sono intelligenti e l'impressione che io
00:02:04quando si parla di questa cosa è che noi non sappiamo cosa vuol dire essere intelligente,
00:02:07cioè per definire se una macchina è intelligente o no avremmo bisogno in linea di principio di
00:02:11capire cos'è una macchina intelligente e anche se voi domandate a voi stessi che cosa vuol dire
00:02:18essere intelligenti? Questa è una domanda complicata a cui è difficile dare una risposta,
00:02:21allora nel momento in cui io non so dare una risposta a questa domanda ho un problema a capire
00:02:25che cosa sia una macchina intelligente come persona ma se lo guardate dal punto di vista
00:02:30della ricerca scientifica ho anche un problema a costruire una macchina che sia intelligente.
00:02:35Allora che cosa vuol dire essere intelligenti? Come facciamo a costruire una macchina che sia
00:02:40intelligente? E la terza domanda che uno potrebbe banalmente porsi è come posso stabilire io
00:02:45se una macchina è intelligente o no? Tutte queste tre cose che sembrano assolutamente ovvie
00:02:49sono stati oggetto di un sacco di studi nel corso degli anni, in particolare adesso ho messo come
00:02:54esempio vedete come faccio a stabilire se una macchina è intelligente? Allora negli anni 50-60
00:02:59Turing aveva inventato il test di Turing, Turing è quello il famoso matematico inglese che ha aiutato
00:03:07a decifrare il codice enigma della seconda guerra mondiale, quello che molti di voi conoscono
00:03:11perché hanno visto il film in televisione. Quindi Turing aveva proposto il seguente test
00:03:16per sapere se una macchina è intelligente se io interagisco con lei devo non essere in grado
00:03:21di stabilire se sto parlando con una persona o con una macchina. E se ci pensate questo è interessante
00:03:26nel senso che vuol dire che già definisce quelle che dovrebbero essere le caratteristiche di una
00:03:30macchina per poter essere intelligente quindi di ascoltare quello che le dico, di capire quello
00:03:34che le dico, di dirmi delle cose e di interagire con me. Ma se ci pensate ancora in maniera
00:03:39più dettagliata questa definizione di intelligenza è estremamente antropocentrica, cioè ci dice
00:03:45che noi siamo gli unici esseri intelligenti perché se io non sono in grado di distinguere
00:03:50una macchina da una persona l'idea è che la persona è il massimo dell'intelligenza e qui
00:03:54butto una provocazione. Io non sono convinto che per l'intelligenza artificiale in prospettiva
00:04:01l'unica intelligenza buona sarà l'intelligenza umana ma questo è un discorso che un po' diciamo esula da
00:04:06quelle che sono le nostre interesse qui. Quindi l'idea mia sarebbe di dire la seguente cosa,
00:04:12se io dovessi pensare a come definire una macchina intelligente direi che è una macchina che è in grado
00:04:17di raggiungere un obiettivo, vedremo degli esempi, quindi se io le chiedo di fare qualcosa
00:04:21guida autonoma di guidare una macchina, ma che è in grado di raggiungere questo obiettivo anche
00:04:26seguendo delle regole. Perché se io voglio per esempio insegnare una macchina a un'autovettura
00:04:32andare da A a B, voglio che questa autovettura non solo arrivi da A a B nel tempo più veloce
00:04:36possibile, ma anche che rispetti banalmente il codice della strada o non uccida della gente
00:04:41durante il percorso. Quindi per noi è raggiungere un obiettivo e seguire delle regole. In maniera
00:04:46più generale potremmo dire che una macchina intelligente si agisce in modo razionale e
00:04:51questo ci permette di mettere sotto questo cappello di macchine intelligenti delle cose
00:04:56molto varie, sia CiaGPT, tutti noi abbiamo provato almeno una volta a chiacchierare con
00:05:02CiaGPT e ci stupiamo che ci risponda così bene, perché agisce in modo razionale, ma anche
00:05:08dei sistemi molto più vicini a quella che è la pratica agronomica, per esempio i sistemi
00:05:13di visione, i sistemi di guida autonoma, i robot che si muovono nei nostri vigneti o che
00:05:17si muoveranno nei nostri vigneti, questi sono degli oggetti essenzialmente che agiscono in modo
00:05:21razionale. Quindi se dovessi dire cosa vuol dire essere intelligente è essere razionale,
00:05:27razionale vuol dire avere un obiettivo e seguire delle regole. I matematici poi o gli ingegneri
00:05:32sviluppano dei sistemi che permettono di fare questa cosa e che formalizzano questa idea che
00:05:36ci siamo detti così a voce in 5 minuti per fare in modo che le macchine effettivamente
00:05:40siano intelligenti. Macchine intelligenti, noi in questo oggetto di intelligenza artificiale
00:05:48in realtà se ci pensiamo infiliamo dentro un sacco di cose diverse, che è uno dei problemi
00:05:52che abbiamo quando andiamo alle conferenze e ci dicono l'intelligenza artificiale cambierÃ
00:05:57al futuro. Di cosa ci mettiamo dentro per esempio? Ho fatto qui una lista molto poco esaustiva
00:06:03di vari sistemi che fanno intelligenza artificiale. Beh il primo sono questi modelli di testo generativo
00:06:08tipo c'è GPT, io parlo a un computer e questo computer mi risponde meglio di come potrei
00:06:13fare io. Chiedo a una macchina di correggere un testo che non mi piace e questa macchina lo
00:06:18corregge. I sistemi di guida autonoma. Funzionano o non funzionano? In realtà se ci pensate uno
00:06:25degli obiettivi dell'intelligenza artificiale era esattamente avere sistemi di guida autonoma
00:06:29sia su strada che in vigneto pensando ai robot. Un'altra cosa con cui noi abbiamo tipicamente
00:06:35a che fare quando facciamo intelligenza artificiale sono i sistemi di raccomandazione. Io vado su
00:06:39Netflix, guardo la televisione e lui mi dice guarda ti è piaciuto questo film potresti guardare
00:06:42quest'altro, anche questa intelligenza artificiale. I molto importanti sono i sistemi di riconoscimento
00:06:48di immagini, lo vedremo in viticoltura, cioè sono tutti gli oggetti che permettono a un robot,
00:06:52a una macchina, di interagire con l'ambiente, quindi di vedere delle cose e di fare delle azioni.
00:06:56Quindi la prima base è vedere e riconoscere quello che sto vedendo. Se ci pensate questo è
00:07:00veramente importante. E poi ho messo l'ultimo punto che è più vicino alla parte di ricerca che facciamo
00:07:05noi, che è la parte dei sistemi di analisi di Big Data. Cosa vuol dire? Sostanzialmente che noi abbiamo
00:07:09grandi quantità di dati che raccogliamo e poi vogliamo analizzare, trarre da questi dati delle
00:07:14informazioni che poi dobbiamo usare per fare per esempio delle scelte viticole, delle scelte
00:07:18agronomiche, delle scelte di qualche tipo. Tutte queste cose, se ci pensate, stanno sotto il cappello
00:07:24di intelligenza artificiale e ciascuna di queste cose è profondamente diversa. Quindi quando noi diciamo
00:07:29l'intelligenza artificiale cambierà il nostro modo di fare viticoltura, dobbiamo capire di quale di queste
00:07:35cose stiamo parlando. Quindi fare un sistema di riconoscimento di immagini non è equivalente a
00:07:40fare un large language model come c'è GPT con cui chiacchiero. E questo secondo me è importante.
00:07:48Ok, non volevamo andare nel tecnicismo. Il punto che voglio sollevare qui è questo.
00:07:53Indipendentemente dalla natura di questi sistemi di intelligenza artificiale, tutti quelli che ho
00:07:57elencato prima ma anche tutti gli altri, tutti questi sistemi hanno una cosa in comune che è l'essere
00:08:03assettati di dati. Uno, quindi avere bisogno di dati per funzionare e il secondo generalmente,
00:08:11almeno in certe fasi, è di avere bisogno di grande potenza di calcolo. Cioè io devo avere dati,
00:08:16vedremo quanti dopo, e devo avere potenza di calcolo se voglio usarli. Cioè non posso farlo,
00:08:21queste due idee del fatto che mi serve informazione e mi serve calcolo sono le cose comuni di tutti
00:08:28questi sistemi. Cominciamo a pensare in prospettiva al discorso della viticoltura. Dati, quindi devo
00:08:34raccogliere dati in campo e potenza di calcolo, devo avere degli oggetti che sono in grado di
00:08:40processarli. A cosa servono questi dati? I dati servono alle macchine esattamente a quello che servono
00:08:46a noi, servono per allenare queste macchine. Cioè se voglio che un sistema di visione sia in grado di
00:08:51distinguere un insetto da un altro, ho bisogno di un dataset in cui ci siano questi due insetti e ho
00:08:58bisogno di qualcuno che mi abbia detto che questi due insetti sono diversi. Quel dataset diventerÃ
00:09:04un oggetto allenante per una macchina che poi potrà fare il mio lavoro meglio di quello che sto
00:09:08facendo io, meglio in termini di efficienza, di quantità , di velocità . Quindi i nostri dati,
00:09:18pensiamolo così, che i dati che noi diamo alle macchine sono i dati, sono il metodo che noi usiamo
00:09:24per allenare queste macchine. Se pensiamo agli oggetti di intelligenza artificiale come delle
00:09:29persone, adesso faccio un esempio molto estremo, i dati sono la maniera che abbiamo noi di educarle
00:09:35queste persone e di renderle migliori, più formate o in grado di darci qualcosa di vantaggioso. E il punto
00:09:42centrale in questa cosa che viene importante quando si parla di viticoltura, si parla di agricoltura,
00:09:47si parla di quello che vedete, è che, se ci pensate bene, quindi il valore sono i dati.
00:09:53Quindi quello che è importante sono i dati che noi raccogliamo e che diamo in pasto a questi
00:09:57algoritmi. Quindi i dati che vengono dal nostro vigneto, dalla nostra azienda, dai satelliti,
00:10:04dalle cose territoriali, dalle università , dai centri di ricerca. Quindi il valore di tutto questo
00:10:08oggetto sono i dati. La domanda successiva è, ma certo, di quanti dati stiamo parlando?
00:10:16Cioè, mi hai appena detto che per allenare un modello di intelligenza artificiale servono i dati,
00:10:20ma quanti dati mi servono? Allora ho preso un esempio qui. Questo è un esempio di questo
00:10:25algoritmo che si chiama YOLO, che è un oggetto che sostanzialmente serve per fare riconoscimento
00:10:33gli oggetti in fotografie, cosa molto popolare, nel senso che il riconoscimento degli oggetti
00:10:39nelle fotografie è una delle cose, se ci pensate più ovvie, se io voglio fare i sistemi di guida
00:10:43autonoma, robot che si muovono. Quindi questo affare è in grado di ricevere una foto o di
00:10:48trovarci dentro degli oggetti. È stato, usa questa cosa che sono le reti neurali convoluzionali,
00:10:57non ci interessa. Il punto centrale è che questo affare è stato allenato dandogli in
00:11:02pasto 1,5 milioni di immagini annotate. Cosa vuol dire? Che ci sono 1,5, in realtà sono
00:11:11300 mila immagini in cui ci sono 1,5 milioni di oggetti che qualcuno si è preso la briga
00:11:16di dire, di identificare e dire questo è un lampione, questa è una persona, questa è una
00:11:22gallina, questo è un lama, questa è una vigna. Questo processo fatto su tutta questa
00:11:28grande quantità di dati che ha fatto un uomo a un certo punto è servito per allenare
00:11:34un oggetto automatico che adesso è in grado di fare questa cosa molto in maniera così
00:11:39efficiente che io posso metterlo all'interno di un sistema di, non so, di riconoscimento
00:11:43delle macchine in autostrada che vede quante macchine ci sono, che fa quello che farÃ
00:11:47una persona seduta che guarda la stessa cosa. Quindi stiamo parlando di 1,5 milioni di
00:11:52entità per allenare un modello che funziona. Fermiamoci qui, allora la domanda
00:11:56si diceva, ma allora me ne servono così tante per l'agricoltura? Vedremo che è vero
00:12:00solo in parte, c'è un esempio, fermate questa idea, ci ritorniamo verso la fine
00:12:06della lezione per farvi vedere che serve, ma è necessario in una fase, ma non è
00:12:11probabilmente necessario fino alla fine, questa è una delle prospettive di cui
00:12:14dobbiamo tener conto. Allora vi faccio vedere, allora per rendere la cosa ancora più
00:12:19pratica, prendo un esempio che non c'entra niente con la viticoltura di cui possiamo
00:12:24concentrarci, è per esempio il giocare a scacchi, cioè quanto può essere importante
00:12:27avere dei dati e perché i dati possono essere usati per l'area dei modelli. Allora supponiamo
00:12:32di domandarci, io e voi, come possiamo insegnare una macchina a giocare a scacchi?
00:12:37Questa cosa del gioco degli scacchi nell'ambito dell'intelligenza artificiale o comunque
00:12:43dei computer è una cosa che è sempre girata, noi siamo estremamente affascinati come uomini
00:12:47dagli scacchi, perché c'è questa componente che è difficile, poi c'è una componente
00:12:52romantica dei grandi maestri, dello stile, insomma è una cosa che all'uomo sempre piace,
00:12:56ci sono i libri che parlano di scacchi. Allora ci sono due modi se ci pensate in cui
00:12:59voi potreste insegnare a una macchina a giocare a scacchi, la prima è insegnare alla macchina
00:13:04tutte le mosse, quindi dire il piedone si muove in un certo modo, il cavallo si muove in un
00:13:07certo modo, la torre si muove in un certo modo e quindi se io gioco contro una macchina
00:13:11cosa succede? Che io ho la scacchiera, muovo il mio pezzo, la macchina sa le regole in cui
00:13:16si muovono i pezzi, può indicativamente giocare tutte le partite possibili provando a muovere
00:13:22tutti gli altri pezzi e scegliere l'evoluzione, la mossa, la contromossa alla mia mossa che
00:13:28massimizza la probabilità di vittoria. Se ci pensate questa è una roba abbastanza ragionevole,
00:13:32no? Quindi ti ho insegnato le regole, io muovo il pedone, tu fai tutte le tue cose
00:13:36dall'altra parte, Conti vuol dire, la macchina dice, ma se io muovessi il pedone così, tu
00:13:41faresti così, costruisce tutta, per ogni mossa costruisce una partita intera e poi sceglie
00:13:46la partita intera che è più il percorso di sviluppo della partita che ragionevolmente
00:13:51può portare a una vittoria più probabilmente per la macchina, questa è la maniera 1 per
00:13:56insegnare una macchina a giocare. Ma c'è un altro modo che è più interessante dal punto
00:14:01di vista dell'intelligenza artificiale, io potrei dire, va bene, io non ti insegno le regole
00:14:05degli scacchi, adesso sono estremo alla macchina, ma ti do in qualche modo gli schemi di tutte
00:14:11le partite che gli umani hanno giocato fino adesso a scacchi. E tu, ovviamente siccome
00:14:18gli umani quando giocavano conoscevano le regole, implicitamente in quegli schemi ci sono
00:14:23le regole del gioco, ma in quelli schemi non ci sono solo le regole del gioco, ci sono
00:14:28anche gli stili dei giocatori umani, ci sono anche le scelte dei giocatori umani, ci sono
00:14:32anche le paure dei giocatori umani, c'è tutto quello che gli uomini hanno messo in
00:14:36quelle partite che hanno giocato. Se io ho tante partite, effettivamente ne ho, io posso
00:14:41pensare di insegnare a una macchina non solo con le regole, ma anche con le partite giocate,
00:14:46questo farà sì che la macchina è in grado di imitare lo stile di un giocatore, quindi
00:14:50io posso chiedere a una macchina di giocare una partita nello stile di Bobby Fischer.
00:14:56Vedete quanto è differente questa cosa? In un caso la macchina è tra virgolette fredda,
00:15:01nell'altro caso la macchina diventa molto simile all'uomo, quindi io ho dato i dati e i dati
00:15:07sono il distillato della mia umanità , oltre che delle regole, e la macchina impara da questi
00:15:14dati e poi è in grado di riprodurre una cosa che è simile a quella che è già successa.
00:15:18Questa è la grande differenza tra un approccio algoritmico e un approccio data-driven.
00:15:23In realtà , non ci interessa ancora una volta, le macchine che vincono a scacchi contro gli uomini
00:15:30fanno il misto di queste due cose, quindi sono in grado di conoscere le regole, quindi
00:15:34di fare un calcolo probabilistico, ma anche di riconoscere uno schema, come farebbe un gran
00:15:39maestro, e dire questa cosa l'ho già vista, ragionevolmente questa è l'evoluzione di questo
00:15:44percorso. Quindi questo non c'entra, cioè c'entra molto allontanamente, ma è per farvi capire
00:15:49quanto sono importanti i dati e cosa vuol dire avere dati da dare a queste macchine.
00:15:55Ok, spero di essere riuscito a convincervi che il dato è un valore, che paradossalmente
00:16:00il dato è il valore.
00:16:02Entriamo un po' nel dettaglio di questo.
00:16:05Il dato deve essere prima di tutto raccolto, quando parlo di dati parlo di numeri, parlo
00:16:09di foto, parlo di concentrazione di metaboliti, parlo di misure spettrali delle foglie, parlo
00:16:17di analisi chimica del vino, quello che volete insomma.
00:16:20Quindi deve essere raccolto, quindi a fase 1, per avere un dato devo misurare qualcosa,
00:16:26misurare, fotografare, quello che volete.
00:16:29La seconda cosa, quindi avere un dato misurato è basta, se ci pensate è abbastanza ovvio,
00:16:33non è particolarmente utile.
00:16:34Allora, la seconda cosa che devo avere è che un dato deve essere organizzato.
00:16:37Cosa vuol dire organizzato?
00:16:39Organizzato vuol dire che non l'ho scritto sul foglio di carta, di formaggio, ma l'ho
00:16:45messo in un database, quindi in una tabella, che possibilmente non deve essere Excel, noi
00:16:49non ho niente contro Excel, ma quando parliamo di milioni di dati, concorderete con me che
00:16:55usare Excel probabilmente non è la scelta più efficiente.
00:16:58Quindi il dato deve essere organizzato, valore 2, quindi 1 l'ho preso, 2 l'ho messo da qualche
00:17:03parte, e terzo, come vi ho detto prima, non mi basta avere un milione di fotografie, ma
00:17:08qualcuno deve prendersi la briga di dire questa è una gallina, questo è un lampione, questa
00:17:14è una persona, questa è una macchina, quindi devo anche annotarlo, quindi non devo solo
00:17:19organizzarlo, ma devo metterci delle informazioni di contorno.
00:17:22e le informazioni di contorno che ci metto io sono il valore di quel dato.
00:17:31Pensiamolo a viticoltura o all'agricoltura in generale, questo funziona, ciascuno questa
00:17:37cosa potrebbe farla nel segreto della sua stanzetta, chiuso nella cosa, quindi la mia
00:17:40azienda, i miei dati, ma tanti delle sfide che vogliamo affrontare con queste tecniche
00:17:48che non sono solo della mia azienda, ma sono di tutte le aziende, adesso dico d'Italia,
00:17:55del cambiamento climatico, le malattie, le nuove varietà , non è un problema generalmente
00:18:03solo mio, è un problema di tutti, quindi se io voglio aumentare ancora di più il valore
00:18:07della mia informazione, non devo solo annotarla, ma devo anche condividerla.
00:18:11condividerla vuol dire mettere assieme l'informazione della mia azienda, della mia vite con quella
00:18:16della tua, perché se noi siamo vicini di casa il cambiamento climatico non è che succede
00:18:21solo sulla mia, succede anche sul tuo, e come avete immaginato, immagino capito dal discorso
00:18:25che facevo prima, più dati ciò, meglio tutti questi accrocchi funzionano, quindi se io
00:18:30ho i miei e i tuoi li mettiamo assieme, questa cosa generalmente produce una cosa che funziona
00:18:34meglio. In questo caso ci si dice, ho messo qui sotto un commento così rimane scritto
00:18:39che se no uno lo perde, quindi si dice annotato, strutturato, quando oltre al numero ci avete
00:18:44anche le informazioni di contesto in quel numero è stato raccolto, quindi per esempio
00:18:48metto un esempio viticolo, la misura del grado Briggs non è un valore in sé, ma lo è
00:18:56nel momento in cui ho detto guarda l'ho annotata lì in quella condizione, in quella stagione,
00:19:01in quel contesto della maturazione, questo l'ho fatto su n grappoli, l'abbiamo fatto
00:19:06io e il mio vicino di casa, abbiamo messo insieme una cosa, io sapevo che le viti erano coltivate
00:19:10in un certo modo, che erano di certa varietà , se ci pensate, questo dà valore a tutta questa
00:19:15grande quantità di informazione. Ovviamente condividere, e dobbiamo essere anche onesti
00:19:21nel dirlo, ha i suoi pro e i suoi contro, perché? Vediamo in cosa pratica, se io voglio
00:19:28condividere dei dati, devo avere una maniera per condividerli un posto dove metterli, devo
00:19:35standardizzare il nome che do alle cose, perché se io la chiamo uva e quell'altro la
00:19:40chiama vite, queste due robe è chiaro che sono la stessa cosa, ma io so che sono la stessa
00:19:45cosa, ma in un computer è più complicato dirgli che sono la stessa cosa. E poi si parla
00:19:50di gigabyte, appezzamento anno, se io comincio a mettere sensori, immagini satellitari, io
00:19:58comincio ad avere una grossa quantità di dati, quindi dove li metto, chi si occupa di conservarli,
00:20:05come facciamo a garantire che siano, il termine tecnico è interoperabili, cioè che io posso
00:20:10usare i tuoi dati, dobbiamo essere sicuri che noi chiamiamo tutti le cose con lo stesso
00:20:16nome, se ci pensate questa è cosa complicata, già non ci capiamo tra di noi, figuratevi
00:20:20computer che sono molto più precisi di noi, e poi un problema non banale, queste due prime
00:20:27cose sono estremamente alto livello, quindi sono di gestione, organizzazione, programmazione,
00:20:33è che spesse volte ciascuno di noi pensa che i suoi dati siano il suo valore, se io avessi,
00:20:41adesso non succede mai, avessi scoperto che trattando le mie vigne, gestendo le mie vigne
00:20:46in un modo particolare, io riesco a fare un'uva che è molto migliore di quella del
00:20:51mio vicino di casa, quindi posso fare un vino migliore, non è che io questa roba voglio
00:20:54proprio dirla a tutti, perché ovviamente una parte di questa roba è parte del mio business,
00:21:00e quindi decidere cosa mettiamo in comune, come lo mettiamo in comune, è un problema
00:21:07complicato, e poi ovviamente la singola azienda non è che si può pretendere che abbia un
00:21:11system administrator che le gestisce i dati, e una fila di bioinformatici o di ingegneri
00:21:21informatici che le costruiscono, matematici che costruiscono i modelli di intelligenza
00:21:24artificiale, cioè quindi questa roba richiede a un certo punto un approccio di sistema, di
00:21:28sistema che deve prendere, deve coinvolgere il decisore politico che mette le reti per
00:21:33raccogliere i dati o i dati satellitari, deve coinvolgere le associazioni di categoria
00:21:38che possono fare delle scelte più grandi di quelle può fare la singola azienda, quindi
00:21:42se ci pensate questa è una roba che ha una sua complessità , però se non la mettiamo
00:21:46in questi termini qui, manchiamo una parte del potere di questo, cioè tendiamo ad avere
00:21:51un oggetto che è molto locale e che forse ci dà meno soluzioni a tante problematiche
00:21:56generali. Resta il fatto che ovviamente questi sistemi di intelligenza artificiale possono
00:22:00ovviamente essere calati anche in una cosa molto pratica, come vedremo, che è a livello
00:22:04di singola azienda, io posso anche pensare di prendere un prodotto che funziona, aggiustarlo
00:22:09per le mie situazioni, le mie condizioni e poi a questo punto utilizzarlo, ma questo
00:22:12poi lo vedremo negli esempi. Allora facciamo il punto e teniamo una riga su questa cosa
00:22:16qui, che è la parte diciamo molto generale, quindi la prima importante è portare a casa
00:22:20che esistono diversi tipi di AI e noi mettiamo tutta questa roba sotto il cappello dell'intelligenza
00:22:26artificiale e queste cose sono tutte diverse tra di loro. La cosa, l'idea comune, che
00:22:32spero di essere riuscito a comunicare, è che tutta questa roba richiede dati per imparare,
00:22:38dati annotati, organizzati, condivisi e gestiti. Io dico condivisi perché siccome vengo da un
00:22:44ambiente di ricerca, per me la condivisione è un processo, una parte naturale del mio
00:22:50lavoro, l'idea è quello che faccio io deve essere condividibile con gli altri, valutabile
00:22:55dagli altri, giudicabile dagli altri, tutta questa idea della ricerca sostanzialmente, è
00:22:59chiaro che rimane quello che si diceva prima. E poi il terzo punto è che il valore non
00:23:04è il dato in sé, ma è il dato annotato in un certo modo, quindi è quello che io ho
00:23:10l'informazione, il dato strutturato, l'informazione accessoria che ho attaccato a questi numeri.
00:23:16Tornando ad esempio delle partite scacchi, non è, è lo schema della partita scacchi con
00:23:21il giocatore che l'ha fatta quando è stata fatta, questa cosa qui, questo è la grande,
00:23:25il grande valore, spesse volte che c'è nei dati. Va bene, andiamo verso, facciamo un roll
00:23:33down, cominciamo a scendere da questa cosa molto generale verso la viticoltura, no? I
00:23:40dati servono, allora la domanda è, da dove vengono i dati che possono essere scomodi
00:23:44per fare gestione in agricoltura, di qualche forma, per usare l'intelligenza artificiale
00:23:49o i big data in agricoltura. Allora, la prima, una delle fonti, qui ho messo un esempio
00:23:54non esaustiva, come sempre, una lista di possibili fonti di dati. La prima sono, una delle prime
00:24:00possibili che ci pensate sono i satelliti, poi vedremo un focus sui satelliti, l'ho messo
00:24:04in grassetto quelle di cui, le due tipologie su cui spenderò un po' di tempo.
00:24:11I satelliti. I satelliti, perché sono, lo ridiciamo dopo, perché sono vantaggiosi, perché
00:24:18sono una cosa che, che io non devo gestire. Qualcun altro si è preso la briga di mandare
00:24:24un satellite e io posso solo prendere i suoi dati. Se ci pensate bene, adesso che abbiamo
00:24:29cominciato ad entrare nel mood, dove sta il problema delle immagini satellitari che bisogna
00:24:35annotarle. Quindi la foto del satellite è il prerequisito per usarla, ma nel momento
00:24:43in cui voglio usarla, io devo andare dove ci sarà la foto del satellite e dire questo è
00:24:48un vignetto, questo è un vignetto gestito in un certo modo, qui ho dato da bere, se ci
00:24:51pensate, però tutta questa cosa diventa non banale. Quindi la fonte del dato c'è, ma
00:24:56l'uso del dato in un contesto vitivinicolo richiede uno step in più, sono riuscito a rendere
00:25:01l'idea, cioè uno mi dà la foto del satellite, la foto del satellite in sé è bella ma non
00:25:08mi serve a niente, mi serve sapere cosa è piantato, dove è piantato, mi serve sapere
00:25:13chi l'ha gestito e qui torniamo al discorso di sistema. Qualcuno dovrebbe avere una carta
00:25:18che mette sopra l'immagine satellitare che dice che questa area è un vigneto di un certo
00:25:23tipo gestito in un certo modo, quindi la notazione di questo dato è l'elemento di valore, ancora
00:25:29una volta, e non è nell'immagine in sé, è in quello che io faccio di questa immagine,
00:25:34qui torniamo al discorso di sistema, io come azienda, noi come gruppo di aziende, il decisore
00:25:41politico, le province, lo Stato, quello che volete. Secondo fonte di dati, allora il satellite
00:25:48ha questo fatto che è una cosa lontana, sono i sensori e le camere messe in campo, vedremo
00:25:53poi dopo un po' in dettaglio cosa vuol dire, quindi posso mettere dei sensori che misurano
00:25:57che ne so, l'umidità del terreno, la temperatura fogliare, quello che volete. Posso avere delle
00:26:02camere montate su robot o su drone che portano in giro questi sensori, perché il sensore
00:26:08può essere statico, una cosa fissa che manda dell'informazione, può essere una cosa montata
00:26:13su una macchina, su un robot che gira nel campo da solo e che quindi mi riduce una parte
00:26:17della fatica, oppure andiamo in uno step con un livello di complessità più basso, potrebbe
00:26:23essere montato su una macchina operatrice, perché il complessità più basso? Perché
00:26:27se torniamo all'idea dell'intelligenza artificiale, un robot che si muove in un campo deve agire
00:26:32in maniera razionale, quindi deve fare delle cose che gli dico io, possibilmente senza fare
00:26:37disastri e questo è ovviamente un oggetto più complicato che mettere un sensore su una
00:26:42macchina operatrice che io userei comunque. Spero di essere riuscito a rendere l'idea.
00:26:49Altre fonti di dati sono i robot, i droni, le macchine operatrici, questo è una cosa
00:26:55soprattutto le macchine operatrici, questa è poi una cosa che entra anche secondo me
00:26:58nella logica del, per ragionare su questa cosa bisogna considerare che tipo di struttura
00:27:04delle aziende che abbiamo noi, se noi fossimo Nord America, dove ci sono questi grandi superfici,
00:27:12questi grandi latifondi con superfici grandissime di mais, tutto uguale, le macchine operatrici
00:27:19diventano anche un oggetto che io posso usare in maniera automatica per dire quanto
00:27:23mais ho raccolto, che tipo, quanto concime ho sparso per ogni x ettaro e vedete questa
00:27:31cosa viene automaticamente raccolta dalla macchina operatrice e mandata all'interno di un digestore
00:27:35che comincia e mi dice, ah guarda questa zona rende meglio, questa zona rende peggio.
00:27:39Questa cosa in un contesto vitivinicolo e generale in contesto italiano che è parcializzato
00:27:45per ragioni storiche, no, è da dire degli scherzi, è parcializzato per ragioni di grandezza
00:27:49di aziende, lo dico soprattutto per la parte di un trentino dove noi abbiamo le aziende che
00:27:54sono relativamente piccole in zone complicate, diventa molto più difficile.
00:27:58E poi le altre informazioni grosse sono le mappe geotematiche, ovviamente se ci pensate
00:28:04per la gestione vitivinicola o agricola in generale il suolo è un oggetto determinante,
00:28:09nel senso che tipo di suolo ciò cambia le cose in maniera determinante e quindi mi servono
00:28:15delle mappe che qualcuno si è preso la briga di fare del suolo.
00:28:19E allora ancora una volta torniamo al discorso precedente, chi è che deve occuparsi di questa
00:28:24cosa? Certamente non il singolo viticoltore, quindi è una cosa che dovrebbe essere spostata
00:28:29a un livello che è più alto, più generale di quello del singolo viticoltore, come si fa la
00:28:33carta geologica dei suoli, la carta geologica ci vorrebbe una carta dei suoli, una carta
00:28:37dei suoli dovrebbe essere condivisa, insomma adesso entriamo nei meandri delle complessitÃ
00:28:42delle gestionali più che tecniche.
00:28:44E un altro dato importante se ci pensate per fare dei modelli che siano utili è il dato
00:28:48meteo, quindi qualcuno deve prendersi la briga di darmi le previsioni del tempo, quindi
00:28:53non solo il dato meteo qui ed ora, piove, non piove, ma anche pioverà domani, uno degli
00:29:01esempi che faremo è l'irrigazione, devo dar da bere?
00:29:05Sì, no, ma domani piove?
00:29:08Questa è la naturale domanda che ci porremo tutti.
00:29:12Questi dati dove vengono?
00:29:14Chi è che li fornisce?
00:29:15Allora ci sono ovviamente dei dati pubblici, ho fatto la battuta della carta dei suoli,
00:29:21è una cosa complicata, ma idealmente, visto che stiamo facendo una chiacchiera, una carta
00:29:25dei suoli dovrebbe essere un oggetto pubblico, nel senso che il tipo di suolo c'è lì,
00:29:28dovremmo saperlo tutti, se no c'è un problema di chi paga le analisi, poi ci sono ovviamente
00:29:32gli enti di ricerca, le previsioni del tempo uguali, nel senso che lì dipende veramente
00:29:37da ciascun posto è fatto a modo suo, ci sono delle cose che da noi in Trentino vengono
00:29:41gestite dall'ente pubblico, delle cose che in altri posti vengono gestite, quindi è
00:29:45difficile fare una carta di regolazione, pensate, quello che penso io in generale,
00:29:48ma prendetela come la mia personale opinione, è che il dato di alto livello dovrebbe essere
00:29:54condiviso e generale per tutti, ovviamente man mano che andiamo giù sotto, diventa più
00:29:59privata la questione, poi ci sono gli enti di ricerca, le associazioni di categoria, spesso
00:30:04dati di produzione e di gestione sono dati delle associazioni di categoria, un altro
00:30:08fornitore di dati sono i provider di tecnologia, ovviamente questa cosa di cui stiamo parlando
00:30:12noi è un business, mettere sensori, fare modelli previsionali, applicare intelligenza
00:30:18artificiale all'irrigazione piuttosto che ai trattamenti fitosanitari, è un business,
00:30:25a un certo punto sono già nate delle aziende che vendono prodotti che fanno questa cosa
00:30:30e che per fare questa roba recuperano dati, installano sensori, hanno robot che girano
00:30:36nei nostri vigneti, quindi quei dati lì che vengono raccolti nel mio vigneto potrebbero
00:30:41essermi forniti dal provider di tecnologia, spesse volte, lo dico qui ma non è una critica,
00:30:46questo dato non viene fornito ma viene, cioè l'accordo è spesso, io vengo ti installo
00:30:53delle cose però i dati poi alla fine della tua azienda, almeno quelli generali, li posso
00:30:57usare per costruire un modello che poi userò da un'altra parte, quindi questo percorso
00:31:01che io ti do un servizio e tu mi dai i tuoi dati, che è un po' il percorso quando
00:31:05usiamo
00:31:05Google Maps, che mi dice che c'è il traffico perché io accetto che Google sappia se il mio
00:31:11telefonino è fermo, quindi c'è una forma di vantaggio bidirezionale, non vale per me,
00:31:18vale anche per Google, è una roba che devo sapere che poi viene usata per qualcun altro.
00:31:22E poi ovviamente ci sono i singoli viticoltori che possono, vogliono, vorrebbero mettere dei sensori,
00:31:29vedere lo stato del loro campo, vogliono fare uno step un po' più avanti in quello che è l'uso
00:31:34delle tecnologie digitali. Tutti questi, ovviamente lo vedete ancora una volta, stiamo parlando di una cosa
00:31:39che ha un'elevatissima span strutturale, quindi si va dal singolo appezzamento piccolo a un oggetto
00:31:47che dovrebbe essere gestito a scala territoriale e magari sovra territoriale.
00:31:52Quindi tutti quelli che stanno in questa specie di panino hanno le loro possibilità di contribuire
00:31:58la gestione del dato con, lo ridico qui, i caveat che dicevamo prima, che ovviamente mettere assieme
00:32:04tutta questa roba, tutta questa gente, diventa complicato perché devi mettere,
00:32:08devi convincere uno che deve salvare i dati così, devi convincere l'azienda che deve dargli i suoi dati,
00:32:13devi dire al viticoltore che i tuoi dati, anche se sono tuoi, verranno usati per il bene.
00:32:17Insomma tutta questa cosa che stiamo dicendo che è un problema di organizzazione sia tecnologica
00:32:22ma soprattutto di organizzazione umana, diventa un problema di gestione,
00:32:27cioè c'è un problema di gestione umano, organizzativo, un problema di gestione tecnologico
00:32:31e poi c'è un problema di uso di queste informazioni.
00:32:35Vi dicevo che facciamo il focus su due tipologie di dati, i satelliti e i sensori.
00:32:41Cominciando dai satelliti, ho cercato di fare una raccolta, come sempre queste sono tutte liste poco esaustive
00:32:47ma l'idea è che vi diano più o meno quello che è il quadro generale, poi ciascuno poi trova
00:32:52la sua strada
00:32:53anche perché ho cercato di disegnare una lezione che non è per il viticoltore, è per chiunque,
00:33:00spero che questa cosa serva per tutti, chiunque la guarda, paradossalmente anche se non si è mai occupato di viticoltura.
00:33:07Quindi questo è l'esempio dei satelliti, vedete sulla destra due foto satellitari di un posto in Trentino,
00:33:12prese con due satelliti open source, free, che voi potete scaricare, a risoluzioni diverse.
00:33:18Quella sopra mi parla è a 10 metri, quella sotto è a 2.
00:33:22Allora quello che è evidente è l'aumento di risoluzione, quindi quello che si vede è che
00:33:27un satellite sotto è più giovane di quello sopra.
00:33:30Se voi guardate adesso con dettaglio la risoluzione dello schermo è sempre quella che è,
00:33:35vedrete che nella foto sotto si cominciano a distinguere i filari, no?
00:33:38Allora quindi i satelliti hanno delle potenzialità .
00:33:41Allora vediamo quali sono nella versione del plus, i loro lati positivi.
00:33:46Il primo è che i satelliti per definizione non intralciano la vita quotidiana,
00:33:50nel senso che se ci pensate io ho un sensore o un robot che gira nel mio vigneto,
00:33:55devo essere sicuro rispetto a quel discorso che si muove in maniera razionale,
00:34:00che non intralcia le attività di vigneto perché sennò ho una roba meravigliosa
00:34:04che va bene per far vedere che c'è un robot però è una roba che mi va fastidio.
00:34:07Il satellite questa cosa non la fa, nel senso che lui gira autonomamente.
00:34:12L'altra cosa è che non ha un costo di gestione e manutenzione,
00:34:15nel senso che io come singolo non devo occuparmi di gestire o mantenere il satellite.
00:34:22Se è una cosa che è considerata interessante qualcuno si occuperà a livello più alto.
00:34:27Il terzo punto è vero o non è vero, noi facciamo ricerca quindi ci occupiamo di dati liberi,
00:34:31ci sono anche i satelliti a pagamento.
00:34:33Non so se avete visto quelle foto quando fanno vedere adesso delle volte a telegiornale
00:34:36quelle della Maxstar o della Maxstar altissima risoluzione,
00:34:39quelli sono un prodotto commerciale che uno paga per avere.
00:34:43Quindi il punto 3 è Nii.
00:34:46L'altra cosa è che noi non lo vediamo ma generalmente i satelliti forniscono un dato multispettrale,
00:34:51cosa vuol dire che non fanno solo la fotografia quindi non è solo quella foto lì
00:34:55ma è una foto presa in tutto lo spettro elettromagnetico come se avessi molte foto a colori diversi
00:35:00e questo può essere utile per andare un po' a scavare nel dettaglio
00:35:03quindi non fare dell'estetica ma fare anche della, definiamo la fisiologia in una certa misura da remoto
00:35:10quindi questo è molto molto vantaggioso, molto molto, se ci pensate appealing per gli scienziati
00:35:15io sono un fisico quindi figurati questa cosa qui per me sono, ah che bello, facciamo anche questa cosa.
00:35:20Guardiamo i lati negativi, no?
00:35:22La cultura discontinua, i satelliti hanno questo problema che stanno sopra
00:35:26quindi se per caso quando passa i satelliti ci sono le nuvole il vigneto non si vede
00:35:30quindi io ho un problema che può darsi che vorrei vedere ma non vedo
00:35:36e l'altro problema che è collegato al primo è che la frequenza di passaggio
00:35:41non è che io ho un satellite fisso che guarda il mio vigneto
00:35:43io ho un satellite che passa ogni giorno, ogni settimana, ogni due settimane, dipende dal satellite
00:35:51allora se già passa ogni giorno, cominciamo a fare una simulazione rapida mentale
00:35:57passa ogni giorno, fine
00:36:01un giorno ci sono le nuvole
00:36:03se io volessi usare il satellite per monitorare per esempio allo stato idrico
00:36:07mi comincio a rendere conto che il tempo che ci metto
00:36:09cioè che la frequenza con cui passa il satellite non è sufficiente
00:36:13per vedere un fenomeno che succede su scala delle ore
00:36:16perché non passa
00:36:18l'altro problema è che ovviamente il sogno è
00:36:20ah che bello, aumentiamo la risoluzione perché in un caso del vigneto
00:36:23prendiamo l'esempio vigneto a guio
00:36:25io con una foto satellitare 2 metri
00:36:27quello che vedo per ciascun pixel è una riga del mio vigneto
00:36:31e tutta l'erba che c'è intorno
00:36:32quindi io vorrei avere una roba che ha una risoluzione spaziale
00:36:35che è comparabile con quella dell'oggetto che voglio misurare
00:36:37magari ci arriveremo
00:36:38il problema è che saranno dei dati enormi da questo punto di vista
00:36:41se ci pensate
00:36:42cioè quindi ciascun satellite mi produrrà un dataset che è grandissimo
00:36:45e io non è che posso guardarlo a mano
00:36:48e quest'altra cosa che l'ho commentata nel quarto è
00:36:51la risoluzione allo stato attuale non è ancora sufficiente per arrivare a un monitoraggio fine
00:36:55fine vuol dire
00:37:01se tra di voi c'è qualcuno che è un appassionato di fotografia
00:37:03è come fare le fotografie con il telefonino o con una macchina fotografica professionale
00:37:10cioè ci sono certe cose che certi dettagli si vedono solo se si va vicini
00:37:14con un certo tipo di tecnologia
00:37:15ma è che può pensare che tutto si vedrà a una risoluzione infinita da una distanza grandissima
00:37:21ecco quindi a un certo punto le cose locali si vedono meglio se le guardo da vicino
00:37:25ovviamente questo ha dei problemi che adesso andiamo a vedere
00:37:29ah no prima vi dico una cosa
00:37:31questa cosa dei satelliti
00:37:32quindi la risoluzione è un parametro determinante
00:37:36perché se io voglio vedere una realtà ho bisogno di avere una risoluzione spaziale
00:37:40che è comparabile con quella delle cose che voglio guardare
00:37:43se voglio distinguere le facce di due persone mi serve una macchina fotografica
00:37:48che non faccia diventare la faccia di ciascuno un pixel
00:37:50perché sennò non le distingo
00:37:51quindi questa è sostanzialmente l'idea
00:37:54e qui ho fatto un esempio delle risoluzioni spaziali di prodotti satellitari
00:37:58che sono presenti e accessibili
00:38:00vedete ci va dai mille metri
00:38:05adesso siamo intorno al mille metri
00:38:07decine di metri
00:38:09Plan de Scope è una cosa misto pubblico privato
00:38:12che è intorno ai tre metri
00:38:14c'è un programma in Italia
00:38:16siccome parliamo di cose italiane
00:38:17in fase di sviluppo che è all'interno del PNRR
00:38:20che dovrebbe avere questa
00:38:22questa come si chiama
00:38:24costellazione di satelliti che si chiama Iride
00:38:26che è in fase di progettazione e di lancio proprio in questi anni
00:38:30quindi dovrebbe arrivare a essere disponibile intorno al 2026
00:38:34dove si dovrebbe arrivare ad avere una copertura su suono nazionali
00:38:37con risoluzioni di un metro inferiore a un metro
00:38:39con passaggi giornalieri
00:38:40quindi questa è una cosa interessante in prospettiva
00:38:42per il ricercatore che c'è in me
00:38:45ma anche in prospettiva poi per le aziende
00:38:47che potrebbero pensare di utilizzare queste cose
00:38:49allora veniamo alla seconda classe di raccoglitori di dati
00:38:53oltre ai satelliti
00:38:54quindi parliamo dall'estremamente lontano all'estremamente vicino
00:38:57le reti di sensori
00:39:00ingegneri
00:39:01gli ingegneri hanno sviluppato
00:39:02ingegneri fisici continuano a sviluppare sensori
00:39:04che misurano un sacco di cose interessanti
00:39:06ho messo sulla destra un esempio molto carino
00:39:08di una cosa che stanno facendo in Alto Adige
00:39:10questo leaf clip
00:39:10dove vedete è un sensore
00:39:11che posso installare su una foglia singola
00:39:13per cercare di capire la traspirazione di questa foglia
00:39:17per dirvi quanto è il dettaglio di questo
00:39:19mentre quella sotto è una foto di una cosa che abbiamo
00:39:22all'istituto noi che fa vedere sostanzialmente telecamere
00:39:25che permettono di studiare le fasi fenologiche della vita
00:39:28vediamo i lati positivi dei sensori
00:39:30che permettono il monitoraggio essenzialmente in tempo reale
00:39:32quindi ogni quarto d'ora
00:39:33dieci minuti
00:39:34mezz'ora
00:39:35posso avere una lettura
00:39:36quindi vedo fenomeni che si
00:39:39che si svolgono rapidamente
00:39:40hanno una risoluzione spaziale adeguata
00:39:42che io scelgo
00:39:43dipende dove li metto
00:39:44e misurano direttamente una proprietÃ
00:39:46quant'acqua c'è sostanzialmente
00:39:48metto un sensore nel terreno
00:39:49mi dice quant'acqua c'è nel terreno
00:39:50e questa cosa che vi dicevo prima
00:39:52si possono mettere attaccati a una macchina operatrice
00:39:54quindi sostanzialmente posso avere
00:39:56una macchina operatrice che si muove
00:39:58e che porta in giro i miei sensori
00:39:59dove sono i lati negativi ovviamente
00:40:01il primo è
00:40:02adesso ci pensate così a un certo punto
00:40:07lo dico anche dopo
00:40:08se io ho un sensore per foglia
00:40:10non è che io voglio studiare una foglia
00:40:13la domanda banale dal punto di vista scientifico
00:40:15sarebbe ma su che foglia lo metto
00:40:17perché ovviamente io non è che voglio avere
00:40:19una misura di foglia
00:40:21voglio avere una misura di vigneto
00:40:22allora me ne servono tanti
00:40:24e allora ok
00:40:26richiedono la manutenzione
00:40:27nel senso che il sensore poi ovviamente si rompe
00:40:29e se ne ho tanti poi si rompono
00:40:31e quali si rompe?
00:40:32chi si occupa della manutenzione?
00:40:33chi si occupa di accorgersi che uno è rotto?
00:40:36chi va a cambiarlo?
00:40:36il secondo è che possono impattare
00:40:39sulla gestione agronomica
00:40:40se io metto un sensore su una foglia
00:40:41devo essere poi sicuro
00:40:43che quella non è la foglia
00:40:44che avevo deciso di sacrificare
00:40:45oppure che quella foglia
00:40:46non sia male
00:40:46oppure che se taglio delle cose
00:40:48non ho i fili elettrici
00:40:49che passano all'interno del vigneto
00:40:52questo ve l'ho detto prima
00:40:53che chi mi fornisce il sensore
00:40:55non necessariamente mi dà i suoi dati
00:40:56perché il gioco
00:40:59diciamo così
00:40:59spesse volte è quello di dire
00:41:00ah ma il dato
00:41:02me lo tengo io
00:41:03perché devo fare un modello
00:41:03che poi posso dare a qualcun altro
00:41:07e questo è legato alle cose precedenti
00:41:09se io voglio fare un monitoraggio
00:41:10su scala territoriale
00:41:11per fare programmazione
00:41:13in una regione
00:41:15non è pensabile
00:41:17di spalmare una regione intera
00:41:20con reti di sensori
00:41:21a un metro
00:41:22adesso sto spingendola all'estremo
00:41:26a un metro di 2 metri
00:41:2810 metri di distanza l'uno dall'altro
00:41:29quindi sono utili
00:41:31quindi in realtÃ
00:41:31probabilmente la buona soluzione
00:41:33adesso lo dico
00:41:34ma non lo commento
00:41:35è avere un po' tutto
00:41:36quindi avere i sensori
00:41:37in certi casi
00:41:38messi in posti strategici
00:41:40i satelliti che misurano tutto
00:41:41e queste due cose
00:41:42che si parlano assieme
00:41:43e questi famosi algoritmi
00:41:44di intelligenza artificiale
00:41:45che macinano
00:41:46tutta questa roba assieme
00:41:47idealmente
00:41:49tre casi di studio
00:41:51adesso andiamo ancora più nel dettaglio
00:41:52vi faccio vedere
00:41:54come si possono usare queste cose
00:41:56in tre ambiti
00:41:57che sono ovviamente
00:42:00esempi
00:42:00delle cose che stiamo facendo noi
00:42:02ma penso che siano di varietÃ
00:42:03abbastanza generale
00:42:05prima la programmazione territoriale
00:42:06quindi come posso usare
00:42:07questi dati
00:42:09per pensare di fare
00:42:10una programmazione razionale
00:42:12di un territorio
00:42:12il secondo è legato all'acqua
00:42:15l'acqua è uno dei temi
00:42:16almeno nella mia regione
00:42:18è particolarmente sentito
00:42:19assintoticamente
00:42:20sarà sentito molto
00:42:21ovviamente in caso di viticoltura
00:42:22c'è sempre questo famoso problema
00:42:23del dardabè
00:42:25la vite si riga
00:42:26o non si riga
00:42:27insomma
00:42:28l'acqua
00:42:29e poi c'è il terzo elemento
00:42:32che è abbastanza rilevante
00:42:33e sarà rilevante
00:42:34il problema del contrasto
00:42:35alle fitopatie
00:42:36e farò degli esempi
00:42:37sulla volvescenza dorata
00:42:38potete
00:42:40generalizzare questo
00:42:41a tutto quello che succede
00:42:42adesso
00:42:43alle fitopatie
00:42:44che arriveranno
00:42:45fra dieci anni
00:42:45perché fra dieci anni
00:42:46arriverà qualcosa di diverso
00:42:47che ovviamente
00:42:48creerà problemi diversi
00:42:49allora
00:42:49pianificazione territoriale
00:42:53io posso pensare di usare
00:42:55quello che stiamo cercando
00:42:57di fare noi
00:42:58in termini di ricerca
00:42:59il dato satellitare
00:43:00per cercare di capire
00:43:02la dinamica
00:43:03di un certo tipo
00:43:04di un territorio
00:43:05quindi questo è un esempio
00:43:06quindi io posso cercare
00:43:07di guardare
00:43:08lo sviluppo
00:43:09le caratteristiche
00:43:11di un territorio agricolo
00:43:12su scala ampia
00:43:13ampia vuol dire regionale
00:43:15se ho una risoluzione
00:43:17abbastanza alta
00:43:17e individuare aree
00:43:19che sono per esempio
00:43:21soggette a criticitÃ
00:43:23qui ho messo
00:43:24esempi estremi
00:43:25gelate
00:43:25quindi potrei
00:43:26ho dei satelliti
00:43:27che mi danno una misura
00:43:28di temperatura superficiale
00:43:29ho dei satelliti
00:43:31che mi danno degli indici
00:43:32che mi dicono
00:43:33se le piante
00:43:35hanno cominciato
00:43:35ad attivarsi
00:43:36dal punto di vista
00:43:38se la stagione è iniziata
00:43:40quindi sovrapponendo
00:43:41sostanzialmente
00:43:42adesso
00:43:42la racconto facile
00:43:44ma ovviamente non è mai facile
00:43:45queste due informazioni
00:43:46potrei pensare
00:43:47di creare mappe
00:43:48di gelate
00:43:49di aree che sono più
00:43:50o meno soggette
00:43:51a gelate tardive
00:43:52c'è cambiamento climatico
00:43:55c'ho le gelate tardive
00:43:56io posso cercare
00:43:57di capire
00:43:57che varietÃ
00:43:58che tipo di gestione
00:44:01devo mettere in place
00:44:02banalmente
00:44:03dove devo mettere
00:44:04i sistemi
00:44:05è più probabile
00:44:06che devo mettere i sistemi
00:44:06di protezione
00:44:08delle gelate tardive
00:44:09su un ragionamento
00:44:10di scala territoriale
00:44:11questo ovviamente
00:44:12adesso lo guardo così
00:44:13si può anche spendere
00:44:15sul spostamento
00:44:16come gestire
00:44:17il cambiamento climatico
00:44:19quindi vedere
00:44:20lo stato delle colture
00:44:21le zone
00:44:22che sono più resilienti
00:44:23al cambiamento climatico
00:44:24se voi cominciate a mettere
00:44:25assieme questo
00:44:26con la carta dei suoli
00:44:27e se avessi
00:44:29anche le informazioni
00:44:29di cosa è
00:44:31piantato dove
00:44:32questo potrebbe anche
00:44:33permettermi in prospettiva
00:44:34di scegliere
00:44:35cosa sia più opportuno
00:44:37in prospettiva
00:44:38spostare
00:44:38spostare
00:44:39dove sia opportuno
00:44:40mettere qualcosa di diverso
00:44:42da quello che dobbiamo mettere
00:44:42adesso
00:44:43quindi questa idea è
00:44:43la guardo
00:44:44non guardo la singola azienda
00:44:45guardo un intero territorio
00:44:47e uso queste informazioni
00:44:48per capire
00:44:49un'evoluzione di questo territorio
00:44:51a scala territoriale
00:44:51una cosa che stiamo lavorando
00:44:52noi adesso
00:44:53di cui non parlo
00:44:53è anche pensare
00:44:55di capire
00:44:55se io possa
00:44:56vedere lo stress idrico
00:44:58a partire
00:44:59dalla misura di remoto
00:45:00quindi capire
00:45:01se io posso
00:45:02stimare
00:45:02se c'è bisogno
00:45:03se certe colture
00:45:05sono in stress idrico
00:45:06guardandole
00:45:06da una misura
00:45:07puramente satellitare
00:45:09secondo esempio
00:45:10uso razionale
00:45:11della sorsa idrica
00:45:14vi dicevo
00:45:15questa è una cosa
00:45:16abbastanza
00:45:18abbastanza importante
00:45:19nel senso che
00:45:20è un
00:45:21hot topic
00:45:22in generale
00:45:23in agricoltura
00:45:24la viticoltura ha
00:45:25come si diceva prima
00:45:26una sua specificitÃ
00:45:27su questo
00:45:27ci sono altri tipi di colture
00:45:29dove
00:45:29l'irrigazione
00:45:31è determinante
00:45:31per far crescere
00:45:32la dimensione dei frutti
00:45:33da noi
00:45:34in Trentino
00:45:35è per esempio
00:45:35molto importante
00:45:35il caso della mela
00:45:36quindi le mele crescono bene
00:45:38sono bene irrigate
00:45:39se non crescono meno bene
00:45:40se crescono meno bene
00:45:42dal punto di vista economico
00:45:43è un danno
00:45:44non irrilevante
00:45:45allora qui l'idea
00:45:46qual è
00:45:47di una possibile
00:45:48attività di ricerca
00:45:49o di applicazione
00:45:51di tecniche
00:45:51di modellazione
00:45:53di big data
00:45:53è avere
00:45:54un database
00:45:55in cui io
00:45:56metto delle informazioni
00:45:57quali informazioni metto?
00:45:59metto
00:45:59le informazioni sul suolo
00:46:01metto le informazioni
00:46:02metereologiche
00:46:05metto
00:46:05quanto ho irrigato
00:46:08metto
00:46:08che tipo di coltura
00:46:09ho
00:46:10su ciascun
00:46:11in ciascun
00:46:13terreno
00:46:13ovviamente
00:46:14perché le colture diverse
00:46:15hanno
00:46:15come si diceva adesso
00:46:16esigenze idriche diverse
00:46:17e poi metto anche l'acqua disponibile
00:46:19quindi
00:46:22date tutte queste informazioni
00:46:24io metto in un database
00:46:25e faccio analizzare questo database
00:46:27da un modello computazionale
00:46:28che mi dice sostanzialmente
00:46:29quanto devo irrigare
00:46:31quindi
00:46:32il dato medio
00:46:33e quel discorso si faceva prima
00:46:34sia il dato medio
00:46:34che mi dice che domani piove
00:46:36e so che questo tipo di terreno
00:46:37ha bisogno di una certa quantità d'acqua
00:46:39e ho un certo tipo di coltura
00:46:41e questa cosa può essere
00:46:42automatizzata
00:46:43e verrà automatizzata
00:46:45idealmente
00:46:45anche possibilmente
00:46:46infilandoci
00:46:46un dato satellitare
00:46:48quindi vedete in questo caso
00:46:49un sistema di
00:46:52raccolta di big data
00:46:53messo assieme a un modello computazionale
00:46:55di un certo livello
00:46:57mi permette
00:46:58di avere un consiglio
00:47:00gestionale
00:47:00molto pratico
00:47:01che poi io uso
00:47:02per dare impasto
00:47:03per gestire un territorio
00:47:04in maniera più efficiente
00:47:05quindi questo è
00:47:06diciamo il
00:47:07il motto di questa cosa
00:47:09è irrigare dove serve
00:47:10quando serve
00:47:11e possibilmente anche quanto serve
00:47:13quindi risparmiare acqua
00:47:15risparmiare
00:47:17efficientare l'acqua
00:47:17adesso faccio un commento su questo
00:47:19nel caso della viticoltura
00:47:20quando serve
00:47:21dare da bere quando c'è bisogno
00:47:22e magari irrigare anche solo le parti che serve
00:47:24questa cosa ha dei
00:47:27dei risvolti particolarmente interessanti
00:47:29in viticoltura
00:47:29la prima della viticoltura era
00:47:30l'irrigazione
00:47:31il ruolo di irrigazione in viticoltura
00:47:33io ovviamente
00:47:34prendetela con la cosa
00:47:35io non sono un agronomo
00:47:37quindi
00:47:38il mio è un discorso molto generale
00:47:40che magari perde
00:47:41dei dettagli specifici
00:47:44quello che si è visto
00:47:45dal punto di vista di ricerca
00:47:46è che
00:47:47il controllo dell'apporto idrico
00:47:49durante la maturazione
00:47:50è in grado di modificare
00:47:52le caratteristiche compositive
00:47:53dell'uva
00:47:55quindi sostanzialmente l'idea è che io
00:47:58se gestisco l'irrigazione
00:48:00in maniera
00:48:00come se fosse un parametro agronomico
00:48:02posso arrivare a un punto in cui
00:48:04io posso cambiare le caratteristiche
00:48:06qui ho citato un lavoro scientifico recente
00:48:09su questa cosa
00:48:09posso cambiare sostanzialmente in parte
00:48:11le caratteristiche compositive dell'uva
00:48:13che uscirà dal mio campo
00:48:14quindi a questo punto
00:48:15la gestione dell'irrigazione
00:48:16non è più solo un oggetto di
00:48:18efficientamento di spesa in termini di acqua
00:48:20che è rilevante
00:48:21nella viticoltura
00:48:22fino a un certo punto
00:48:25dipende poi ancora una volta
00:48:26da dove
00:48:27di che regione stiamo parlando
00:48:29di che condizioni stiamo parlando
00:48:30quindi non entrerei in questa cosa qui
00:48:32però il messaggio che voglio darvi qui
00:48:34è che in una certa maniera
00:48:37io potrei pensare di modulare
00:48:41un profilo compositivo delle uve
00:48:44lavorando sull'irrigazione
00:48:45con l'approccio che dicevo prima
00:48:47quindi decidendo quanta acqua dare
00:48:50questo è il paradosso che conviene
00:48:52in questo caso
00:48:53converebbe avere una situazione
00:48:55in cui l'acqua io la do solo
00:48:56a scelta
00:48:57non che ci piove sopra
00:48:58però ecco per farvi capire
00:48:59questo credo che sia un esempio
00:49:00di vini rossi
00:49:00e fa vedere chiaramente
00:49:02che quando voi cambiate
00:49:03il regime di irrigazione
00:49:06cambiate in maniera significativa
00:49:08quello che è il profilo
00:49:09compositivo dell'uva
00:49:10e questo poi si riflette sul vino
00:49:12e uno è una cosa che può
00:49:14pensare di gestire
00:49:14dal punto di vista agronomico
00:49:18l'ultimo esempio sono le fitopatie
00:49:23questa è una cosa su cui
00:49:24c'è un sacco di ricerca adesso
00:49:25c'è un sacco di interesse
00:49:26quindi la flaviscenza dorata
00:49:27è un problema
00:49:30ho messo due righe
00:49:32per quelli che non sono agronomiche
00:49:33per me stesso
00:49:34quindi è una
00:49:37è una malattia
00:49:38tra virgolette batterica
00:49:39in realtà non è un batterio
00:49:41che viene però
00:49:44trasferita da una pianta all'altra
00:49:45da degli insetti vettori
00:49:47quindi ci sono due problemi
00:49:48la malattia
00:49:49vedere se la pianta è malata
00:49:51e il 2
00:49:52vedere se ci sono gli insetti
00:49:53che portano in giro il problema
00:49:54quindi questi sono i due grossi problemi
00:49:55quindi per la parte di
00:49:58guardare se una macchina è malata
00:50:00se una pianta è malata
00:50:01attualmente l'approccio è
00:50:02io vado
00:50:03l'agronomo esperto
00:50:05va e riconosce
00:50:06un certo comportamento
00:50:07un certo fenotipo della pianta
00:50:10dice questa pianta è malata
00:50:11si prendono le foglie
00:50:12si fanno le analisi di laboratorio
00:50:13si conclude che c'è
00:50:14che adesso la pianta viene estirpata
00:50:15insomma c'è tutto un protocollo
00:50:16molto complicato
00:50:18quello che ovviamente
00:50:19è estremamente interessante a fare
00:50:20è cercare di capire
00:50:20se io posso ottenere
00:50:22capire se una pianta è malata
00:50:23da un'immagine
00:50:24da un'immagine
00:50:25da uno spettrale
00:50:26quindi facendo
00:50:27raccolendo uno spettro
00:50:28da quello che vedete sotto
00:50:29sono degli spettri raccolti
00:50:30su foglie sane e foglie malate
00:50:31dire guarda
00:50:32ci sono delle firme
00:50:33spettali specifiche
00:50:34che mi possono permettere
00:50:35di sapere se una foglia
00:50:37è malata o sana
00:50:38ovviamente se ci pensate
00:50:40dal punto di vista ricerca
00:50:41il processo è ancora più
00:50:43interessante
00:50:44perché la domanda successiva
00:50:45è ok
00:50:45se io sono in grado
00:50:46di vederlo
00:50:47e da quanto distante riesco a vederlo
00:50:48quindi devo andare
00:50:49devo avere
00:50:51un
00:50:53diciamo uno scanner spettrale
00:50:55che vada vicino
00:50:56quindi devo andare
00:50:57a guardare la foglia singola
00:50:58o potrei pensare
00:50:59di piantare questa cosa
00:51:00su un drone
00:51:01e il drone si muove
00:51:02sopra il mio vigneto
00:51:04o la mia macchina operatrice
00:51:05oppure ancora più
00:51:06il sogno sarebbe
00:51:07posso farlo
00:51:07da una misura satellitare
00:51:10ovviamente
00:51:11questa
00:51:12la satellite
00:51:12ha il problema asintotico
00:51:14della risoluzione
00:51:14quindi ovviamente
00:51:15se il mio pixel
00:51:16torno a dire
00:51:16quello dicevo prima
00:51:17c'è un pixel
00:51:18che è molto più grande
00:51:20della mia pianta
00:51:22io questa cosa
00:51:23non posso farla
00:51:24e qui
00:51:25ho fatto un esempio
00:51:26c'è un sacco di lavoro
00:51:27su questo
00:51:27è questa idea
00:51:28che io poter capire
00:51:29quindi le domande qui
00:51:30sono molteplici
00:51:31quindi è
00:51:33diciamo
00:51:34lo spettro di una foglia sana
00:51:35è diverso
00:51:35a quello di una foglia malata
00:51:36se ci pensate è sì
00:51:38perché quella malata
00:51:38la vedo che è diversa
00:51:40la domanda chiave
00:51:41qui da capire
00:51:42è quanto è specifica
00:51:43questa roba
00:51:44cioè
00:51:45è come la febbre
00:51:46no?
00:51:48sono in grado di vedere
00:51:49le foglie con la
00:51:50flavescenza dorata
00:51:51o sono in grado
00:51:52vedere le foglie gialle
00:51:53perché ovviamente
00:51:54avere le foglie gialle
00:51:55non è gialle
00:51:57tra virgolette
00:51:58non è l'unico
00:51:59cioè
00:52:00non è che tutte le foglie gialle
00:52:01hanno la flavescenza dorata
00:52:02quindi è una cosa delicata
00:52:03però era per dirvi
00:52:04che anche questo
00:52:05in prospettiva
00:52:06è un'area
00:52:08potenzialmente interessante
00:52:09potenzialmente utile
00:52:10dal punto di vista
00:52:11della viticoltura
00:52:15questi sono alcuni esempi
00:52:17di possibili applicazioni
00:52:18di un approccio
00:52:19spettrale
00:52:20all'analisi
00:52:21della flavescenza dorata
00:52:22il primo è
00:52:24il monitoraggio territoriale
00:52:26quindi è dire
00:52:27io ho un affare
00:52:28che mi dice sul territorio
00:52:29a grande scala
00:52:30cosa succede
00:52:33l'altra cosa è
00:52:34se io so dov'è
00:52:35oltre a farmi un modello
00:52:36di come si diffonde
00:52:37posso anche
00:52:40selezionare delle aree
00:52:41che devono essere supposte
00:52:42a trattamenti specifici
00:52:43riducendo impatti
00:52:45e poi l'altra cosa
00:52:46dal punto di vista
00:52:47molto più generale
00:52:47sarebbe individuare fattori
00:52:49che possono predisporre
00:52:50aree più predisposte
00:52:52in cui posso fare
00:52:52delle scelte diverse
00:52:53a seconda delle situazioni
00:52:58vi dicevo la flavescenza
00:52:59ha questi due aspetti
00:53:00uno è la malattia
00:53:01inteso come malattia
00:53:02il secondo è l'insetto
00:53:03che la porta in giro
00:53:04quindi il secondo tema
00:53:06da affrontare
00:53:06è quello del monitoraggio
00:53:07degli insetti
00:53:08che portano in giro
00:53:09la flavescenza
00:53:11quindi non entrano
00:53:12nei dettagli
00:53:12e prendete i dettagli
00:53:14con la dovuta cautela
00:53:16ecco
00:53:17lo guardo dal punto di vista
00:53:18diciamo
00:53:18del data analyst
00:53:21quindi
00:53:21cosa
00:53:22su cosa è stato fatto
00:53:23su cosa stiamo lavorando noi
00:53:25ci sono anche delle aziende private
00:53:26che lo fanno
00:53:27è avere dei sistemi
00:53:28di machine vision
00:53:29quindi
00:53:30dei sistemi
00:53:31di intelligenza artificiale
00:53:32che sono in grado
00:53:33di individuare
00:53:33la presenza
00:53:34dell'insetto vettore
00:53:35su delle trappole
00:53:36su delle sticky trap
00:53:37che voi mettete in vigneto
00:53:38quindi ho una trappola
00:53:39attaccata al vigneto
00:53:40l'insetto vettore
00:53:41ci finisce sopra
00:53:42perché è attirato dal giallo
00:53:43ovviamente sulla trappola
00:53:44finisce di tutto
00:53:45lo vedete lì c'è una foto
00:53:46di una trappola
00:53:46in cui c'è di tutto
00:53:47quello che fa l'entomologo
00:53:49l'esperto entomologo
00:53:50è mettersi lì
00:53:50e guardare quale di questi insetti
00:53:54spiaccicati
00:53:55sono effettivamente
00:53:56uno scafoideo
00:53:57perché ovviamente
00:53:58l'entomologo sa
00:53:59come è fatto lo scafoideo
00:54:00è in grado di farlo
00:54:01pensate questo è un lavoro
00:54:02estremamente complesso
00:54:03perché ovviamente
00:54:04io devo mettere le trappole
00:54:05lasciare le trappole
00:54:06per un periodo
00:54:06mandare qualcuno
00:54:07raccogliere
00:54:08questa persona deve guardarli
00:54:09ma uno potrebbe dire
00:54:10se io alleno
00:54:12ancora una volta
00:54:13con un dataset
00:54:13sufficientemente ampio
00:54:15e qui vedremo il commento
00:54:16un sistema di intelligenza artificiale
00:54:18per trovare gli scafoidei
00:54:20lui li troverà da solo
00:54:22quindi io posso idealmente
00:54:23pensare di avere delle trappole
00:54:25o di raccogliere le trappole
00:54:27e di fargliele guardare
00:54:28o addirittura di avere delle trappole
00:54:30smart che saranno in grado di
00:54:33individuare gli insetti
00:54:35real time
00:54:36in una certa misura
00:54:37se ci pensate
00:54:38quindi guardarli in tempo reale
00:54:39mentre succedono le cose
00:54:40questa è una cosa che abbiamo fatto
00:54:41e funziona ragionevolmente bene
00:54:43questa cosa ha delle implicazioni
00:54:45interessanti che commento qui
00:54:47ci permette di sistematizzare
00:54:49il monitoraggio
00:54:50faccio un commento
00:54:51questa roba funziona
00:54:52perché c'è l'entomologo
00:54:54che ha fatto il lavoro
00:54:55ritorniamo al problema
00:54:56dell'image vision
00:54:57avevo l'entomologo
00:54:58e l'entomologo
00:54:58mi ha detto quali erano gli insetti
00:55:00non ha detto a me
00:55:00l'ha detto ai dati
00:55:01ha notato i dati
00:55:03che ha dato in pasto
00:55:04a un sistema
00:55:05di intelligenza artificiale
00:55:06quindi posso sistematizzare
00:55:07l'attività di monitoraggio
00:55:08posso digitalizzare i dati
00:55:11su scala territoriale
00:55:12poi posso fare due cose
00:55:13che sono praticamente interessanti
00:55:14la prima è coinvolgere i viticoltori
00:55:17perché se io ho un sistema automatico
00:55:19se io metto la trappola
00:55:20nel mio vigneto
00:55:22io posso pensare
00:55:23all'interno del mio vigneto
00:55:24di avere un'applicazione
00:55:26adesso da cellulare
00:55:28idealmente
00:55:28o una trappola smart
00:55:29che guarda la trappola
00:55:31individua gli insetti dannosi
00:55:34dà un feedback direttamente a me
00:55:35quindi c'è un problema di coinvolgimento
00:55:36del singolo viticoltore
00:55:37e il coinvolgimento produce
00:55:40consapevolezza
00:55:41produce formazione
00:55:42insomma ci sono tutta una serie
00:55:43di processi
00:55:44che se voi ci pensate
00:55:45vanno legati al coinvolgimento
00:55:47umano
00:55:48ma una cosa molto carina
00:55:50la guardo dal punto di vista
00:55:51del ricercatore
00:55:51è che se io questi dati
00:55:52li ho organizzati
00:55:53diventano la base
00:55:54di uno studio
00:55:55per studi retrospettivi
00:55:57quindi supponiamo
00:55:57che noi fra x anni
00:56:00scopriamo
00:56:01scopriamo che
00:56:01c'è un altro tipo di insetto
00:56:04che fa un altro problema
00:56:05e ci domandiamo
00:56:05questo insetto c'era giÃ
00:56:07prima
00:56:09e questa domanda
00:56:10noi non sappiamo dare una risposta
00:56:11con quello che abbiamo adesso
00:56:12ma se io avessi
00:56:15raccolto
00:56:16quindi
00:56:17avessi raccolto
00:56:18queste trappole
00:56:19nel corso del tempo
00:56:20le avessi conservate
00:56:21in maniera organizzata
00:56:22in un database
00:56:23io potrei chiedere
00:56:24a un sistema
00:56:25di intelligenza artificiale
00:56:26che è allenato
00:56:27su un altro insetto
00:56:28di tornare indietro
00:56:30e di dirmi
00:56:30ah guarda
00:56:31quella roba
00:56:32c'era anche 5 anni fa
00:56:34lì
00:56:34e questo
00:56:35dal punto di vista
00:56:37della comprensione
00:56:38dei fenomeni
00:56:39dello studio
00:56:40delle dinamiche
00:56:40delle infezioni
00:56:41è estremamente importante
00:56:42quindi questa cosa qui
00:56:44ha un suo fascino
00:56:45secondo me
00:56:46anche una volta
00:56:46la guardo dal punto di vista
00:56:47di quello che fa
00:56:48l'analisi dati
00:56:48magari colgo solo una parte
00:56:51probabilmente è giusto
00:56:52che sia una parte
00:56:53del problema
00:56:54l'ultime due slide
00:57:01allora uno potrebbe dirmi
00:57:02hai passato
00:57:0410 minuti
00:57:05a inizio lezione
00:57:06a dire che ti servono
00:57:07un sacco di dati
00:57:08e adesso mi stai dicendo
00:57:09che tu riesci a mettere
00:57:10su un sistema
00:57:10che riconosce gli insetti
00:57:13in campo
00:57:14ma se mi hai detto
00:57:15che servono
00:57:151,5 milioni
00:57:17di immagini
00:57:17adesso non erano
00:57:18di queste ordini
00:57:19di grandezza
00:57:21di visione
00:57:22mi stai dicendo
00:57:23che serviranno
00:57:241,5 milioni
00:57:25di immagini
00:57:26di intrappole
00:57:27cromotropiche
00:57:28o di immagini
00:57:28di insetti
00:57:29che qualcuno a mano
00:57:30si è messo da notare
00:57:32ovviamente questo è un problema
00:57:33se ci pensate
00:57:33determinante
00:57:34per l'applicazione di queste cose
00:57:35cioè se tu mi stai dicendo
00:57:36che ti servono
00:57:37questa quantità di dati
00:57:39questa quantità di dati
00:57:39organizzati
00:57:40noi non ce l'abbiamo
00:57:41e probabilmente
00:57:42non ce l'avremo
00:57:43allora a questa cosa
00:57:44ci viene in aiuto
00:57:46una cosa che è
00:57:47estremamente interessante
00:57:48culturalmente interessante
00:57:49che è questa idea
00:57:50del transfer learning
00:57:53l'idea qual è?
00:57:55che se io ho già allenato
00:57:57un sistema di intelligenza artificiale
00:58:01di machine vision
00:58:01in questo caso
00:58:02su un dataset molto grande
00:58:05per adattarlo a un problema specifico
00:58:08mi servono meno immagini
00:58:11pensatela così
00:58:12se io ho già imparato a distinguere gli insetti
00:58:15cioè qualcuno mi ha già detto
00:58:16questo è un insetto
00:58:18questa è una bottiglia di vino
00:58:19e quindi io
00:58:20non confondo un insetto
00:58:21con la bottiglia di vino
00:58:24discernere tra lo scafoideu
00:58:27e una mosca
00:58:29è più facile
00:58:30perché io so giÃ
00:58:31cos'è un insetto
00:58:32ho già un'idea
00:58:33di quelle che sono
00:58:34le caratteristiche
00:58:35di cos'è un insetto
00:58:36non so se ho riuscito a rendere l'idea
00:58:38cioè
00:58:38se io so distinguere un insetto
00:58:40vuol dire che ho delle categorie
00:58:43ho una capacità di discernere
00:58:46dei caratteri comuni dell'insetto
00:58:47quindi io
00:58:48quando vedo uno scafoideus
00:58:49so già che è un insetto
00:58:51e quindi quello che devo fare
00:58:52è semplicemente splittare
00:58:53l'essere in un insetto
00:58:55in due cose diverse
00:58:56o n cose diverse
00:58:57questa roba si chiama
00:58:58tecnicamente transfer learning
00:59:00quindi io
00:59:01per insegnare
00:59:02l'idea è sostanzialmente
00:59:04che per insegnare
00:59:04a un modello già allenato
00:59:07a essere più specifico
00:59:09mi servono meno immagini
00:59:10quante ce ne sono servite
00:59:11per fare questa cosa
00:59:12che vi ho fatto vedere adesso
00:59:13qualche centinaio
00:59:15quindi diventa una cosa
00:59:16che è
00:59:18gestibile
00:59:19e secondo me
00:59:20è un'idea interessante
00:59:21è un'idea culturalmente interessante
00:59:23se pensate
00:59:23questa è la macchina
00:59:25che è già allenata
00:59:25e per imparare
00:59:27una cosa nuova
00:59:27le basta relativamente poco
00:59:30e detto in altri termini
00:59:32è se una macchina
00:59:33ha imparato
00:59:34da una grande
00:59:35da un grande set di immagini
00:59:37cosa sono le cose possibili
00:59:42ha già ridotto
00:59:43di molto
00:59:45cioè
00:59:45se io ho imparato
00:59:46cosa esiste
00:59:47cos'è un insetto
00:59:48per imparare che cos'è
00:59:49tra gli insetti
00:59:50uno scafoideo
00:59:50mi basta relativamente meno
00:59:51è un po' come se lo facessimo noi
00:59:54cioè come
00:59:54è l'esperto
00:59:55che diventa più esperto
00:59:57non so se ci
00:59:58sceglie di rendere idea
00:59:58quindi c'è questo processo
00:59:59di scavo all'interno
01:00:01che secondo me è
01:00:02culturalmente molto interessante
01:00:03l'ho messo qui
01:00:04perché è importante
01:00:05perché questo sarà importante
01:00:06anche per delle altre cose
01:00:07quando avremo i linguaggi
01:00:08tipo già il CPT
01:00:09a casa nostra
01:00:10li educheremo
01:00:11ciascuno ci avrà il suo
01:00:12che può educare
01:00:13per le sue cose ecco
01:00:14quindi ho voluto metterlo qui
01:00:15non perché è
01:00:16sì perché è importante
01:00:17per l'anticoltura
01:00:18per l'enologia
01:00:19ma perché è importante
01:00:20in generale secondo me
01:00:21per la cultura
01:00:22per le cose di tutti insomma
01:00:24ecco
01:00:25allora finisco
01:00:26e poi
01:00:27possiamo
01:00:29salutarci
01:00:31quindi gran parte
01:00:32di questa rivoluzione digitale
01:00:34ruota attorno al concetto
01:00:35di raccolta di dati
01:00:36quindi questo è fondamentale
01:00:39e i dati
01:00:40sono
01:00:41la maniera
01:00:42con cui noi
01:00:42educhiamo le macchine
01:00:44questa roba è vera
01:00:45anche per il CPT
01:00:46che ha imparato
01:00:47da quello che c'è sul web
01:00:50che è quello che gli abbiamo dato
01:00:51in pasto noi
01:00:51cioè il testo
01:00:53organizzato
01:00:53che abbiamo costruito noi
01:00:55la storia dell'umanitÃ
01:00:57magari questo
01:00:57la prossima volta
01:00:59faremo una
01:01:00chiacchiera
01:01:02quello che possiamo aspettarci sicuramente
01:01:04è che la digitalizzazione
01:01:05impatta
01:01:06e impatterà sempre di più
01:01:08perché questi sistemi
01:01:09diventeranno più bravi
01:01:10perché allenati meglio
01:01:11ma ricordiamoci sempre
01:01:13che in questa fase di transizione
01:01:15e probabilmente anche dopo
01:01:17è necessario coinvolgere le persone
01:01:19che lavorano su queste cose
01:01:21e non
01:01:24affiancare gli ingegneri
01:01:25ai viticoltori
01:01:27gli enologi
01:01:29gli agronomi
01:01:31perché quelli dettano
01:01:32le direzioni
01:01:34e in questo senso
01:01:37chi è nel business
01:01:40determinerà quali sono le cose di successo
01:01:43perché saranno delle cose che devono impattare
01:01:46quello che stiamo facendo
01:01:48quindi
01:01:49bisogna trovare dei linguaggi
01:01:51dei momenti
01:01:53delle occasioni
01:01:54in cui di queste cose parliamo
01:01:55assieme
01:01:56chi fa
01:01:57i modelli
01:01:58l'ingegnere che sviluppa il modello
01:02:00quello che costruisce il sensore
01:02:02o che
01:02:02recupera i dati
01:02:03l'agronomo
01:02:04il viticoltore
01:02:05questo crea
01:02:06prospettiva
01:02:08cultura
01:02:09e probabilmente crea anche
01:02:12le condizioni per uno sviluppo sano
01:02:15e utile
01:02:16di una certa area
01:02:19all'interno di questo
01:02:22del contesto
01:02:24dell'intelligenza artificiale
01:02:25nel contesto
01:02:25di viticoltura
01:02:26quindi dobbiamo
01:02:27superare
01:02:28barriere linguistiche
01:02:29dobbiamo
01:02:30risolvere un problema
01:02:31di mismatch
01:02:32tra i
01:02:33provider
01:02:34di tecnologia
01:02:35e di
01:02:36intelligenza artificiale
01:02:37e le persone
01:02:38che lavorano
01:02:39effettivamente
01:02:40nelle aziende
01:02:41che si occupano
01:02:42sul campo
01:02:44sempre detta così
01:02:45di queste cose
01:02:47grazie
01:02:48vi ringrazio
01:02:48spero che non sia stato noioso
01:02:50mi rendo conto
01:02:51che è una cosa abbastanza
01:02:52diversa da quello
01:02:53probabilmente
01:02:54molto diversa
01:02:54da quello che avete sentito
01:02:55all'interno di questi moduli
01:02:58spero che sia stato utile
01:02:59per questo
01:03:00e per altro
01:03:02vi ringrazio
01:03:03e i miei contatti sono lì
01:03:04quindi fatevi
01:03:05vi serve
01:03:05si risponde sempre
01:03:08buon proseguimento del corso