La Computer Vision è una branca dell’Intelligenza Artificiale che studia e programma algoritmi, attraverso tecniche che consentono ai computer di replicare i processi e le funzioni tipiche dell’apparato visivo umano, rilevando e interpretando informazioni da immagini digitali, video o altri input visivi. La peculiarità di tali tecniche è la capacità di estrapolare ed interpretare dati utili dagli oggetti analizzati, andando oltre al semplice riconoscimento, intraprendendo azioni o effettuando segnalazioni sulla base delle analisi effettuate. Si tratta dunque di sistemi intelligenti, capaci di attribuire diversi significati in base al contesto applicativo.
Secondo il report “Mckinsey State of AI 2022” la percentuale di aziende che hanno adottato l’AI all’interno dei propri modelli di business è rimasta pressoché invariata negli ultimi cinque anni. Tuttavia, l’uso delle funzionalità di Intelligenza Artificiale impiegate dalle organizzazioni – fra tutte il Natural Language Processing e la Computer Vision – è raddoppiato nel 2022 e gli investimenti sono in costante crescita, andando a sottolineare un certo grado di maturità di questa tecnologia, che permette di ottenere una serie di effetti a cascata che si ripercuotono trasversalmente sul business, come ad esempio una contrazione dei costi, un aumento dei profitti ed una generale ottimizzazione delle risorse a disposizione.
Fra le funzionalità principali citate nel report, emergono l’automazione dei processi robotici (RPA), la Computer Vision ed il Natural Language Processing (NPL) che vengono adottate principalmente nell’ottimizzazione dei servizi operativi ma anche per raccogliere dati dal Customer Service o per la segmentazione dei consumatori.
Quando si parla di riconoscimento degli oggetti risulta utile scomporre il processo in tre fasi principali, ognuna delle quali è basata su tecniche avanzate di deep learning, che consente l’elaborazione di grandi moli di dati per ricavarne informazioni di valore. La prima fase è l’acquisizione delle immagini o delle sequenze video, che possono essere raccolti in tempo reale oppure forniti alle macchine tramite il caricamento dei file, etichettati e pre-identificati. La seconda fase consiste nell’effettiva elaborazione di queste informazioni, fino ad arrivare alla terza ed ultima fase che consiste nella loro interpretazione. Grazie ai modelli di analisi e alle tecniche impiegate, le macchine possono identificare, comprendere e classificare le immagini o le sequenze video, producendo un determinato tipo di output.
Attraverso una minuziosa programmazione, gli ambiti applicativi di questo tipo di tecnologia spaziano dal retail alla produzione industriale, passando dalla metadatazione fino al monitoraggio ambientale. Nel retail, ad esempio, è possibile utilizzare avanzati modelli di deep learning per il riconoscimento della merce sugli scaffali, acquisendo informazioni di sell-out che incrociano i dati di tali prodotti con il genere o l’età delle persone che effettuano il prelevamento, automatizzando, al contempo, anche il replenishment del magazzino. Il tutto garantendo la privacy dei consumatori. Nella produzione industriale, invece, è possibile identificare difetti, anomalie, oppure la non conformità di alcuni componenti, consentendo di aumentare l’accuratezza e di ottenere analisi in tempo reale dei macchinari e dei prodotti. È possibile anche catalogare contenuti, identificando delle entità al loro interno o individuando relazioni fra di essi. Per quanto riguarda, infine, il monitoraggio ambientale, la computer vision può essere impiegata per il rilevamento e la segnalazione di irregolarità. Questo sia dal punto di vista paesaggistico, ma anche per le forniture idriche, per la manutenzione delle reti ferroviarie e più in generale per l’ispezione di impianti e infrastrutture. Nella distribuzione idrica può essere utilizzata per il monitoraggio delle pompe, andando ad indicare la capacità di trasporto dell’acqua o segnalando eventuali ostruzioni oppure oggetti che ne limitano la piena funzionalità.
I notevoli progressi che la Computer Vision sta registrando dipendono sia dallo sviluppo crescente delle tecniche di Deep Learning ma anche alla flessibilità applicativa di questo strumento, che permette una valorizzazione dei dati in settori molto diversi fra loro.
