Una fotografia può diventare un laboratorio per comprendere come funziona l’intelligenza artificiale. A partire dall’agricoltura di precisione, il corso mostra come utilizzare immagini di foglie, frutti, piante e terreni per progettare attività in cui gli studenti osservano, classificano, organizzano dati, addestrano semplici modelli di machine learning e verificano criticamente i risultati prodotti dall’IA.
Con Michele Fiore, docente di informatica, ingegnere e animatore digitale, i partecipanti sperimentano il confronto tra modelli multimodali come ChatGPT e Gemini e strumenti come Teachable Machine, che permette di costruire classificatori visivi senza conoscere linguaggi di programmazione. Il contesto agrario offre applicazioni concrete legate al monitoraggio delle colture e alla sostenibilità, ma il metodo è trasferibile a discipline e ordini di scuola diversi: dal lavoro scientifico sull’osservazione alla matematica per l’organizzazione dei dati, dall’italiano per descrivere e argomentare alla tecnologia e all’educazione civica per riflettere sull’affidabilità e sull’impatto degli strumenti.
Obiettivi di apprendimento
Al termine del percorso i docenti saranno in grado di comprendere i principi essenziali della visione artificiale e del machine learning; progettare semplici attività di classificazione delle immagini con Teachable Machine; costruire prompt che distinguano le caratteristiche realmente osservabili dalle informazioni non verificabili; confrontare gli output prodotti da sistemi diversi; riconoscere l’influenza di luce, angolazione, distanza e sfondo sui risultati; guidare gli studenti nella verifica e nella revisione critica degli output; progettare attività interdisciplinari adattabili anche a diversi livelli di apprendimento.
Contenuti
Il corso parte dal ciclo osservare, analizzare, decidere, chiarendo la differenza tra ciò che una fotografia consente realmente di rilevare e ciò che richiede ulteriori dati o verifiche. Con Teachable Machine viene mostrato come costruire un semplice classificatore: definire le categorie, raccogliere ed etichettare le immagini, addestrare il modello, provarlo con nuovi dati e analizzare gli errori. L’attività consente agli studenti di comprendere in modo concreto che la qualità di un modello dipende anche dalla qualità e dalla varietà degli esempi utilizzati per addestrarlo. Un secondo laboratorio utilizza immagini di mela, banana e pomodoro per confrontare le risposte di diversi sistemi di IA. Attraverso prompt progressivamente più strutturati, i partecipanti imparano a separare dati osservabili e dati non determinabili, organizzare le informazioni in tabelle e verificare differenze e incongruenze negli output. Una particolare attenzione è dedicata alla qualità dell’immagine: modificare luce, inquadratura, distanza o sfondo consente di osservare come cambia la risposta dell’IA e di trasformare l’errore in un’occasione di apprendimento.
Dalla sperimentazione all’UDA
Il corso propone una UDA interdisciplinare di 15 ore per gli istituti agrari, che coinvolge produzioni vegetali, informatica, matematica, chimica agraria e italiano. Gli studenti realizzano un registro fotografico, verificano le descrizioni generate dall’IA, organizzano i dati, costruiscono grafici, distinguono le informazioni osservabili da quelle che richiedono analisi specifiche e producono una relazione tecnica finale. Viene inoltre presentato un adattamento più breve per la scuola secondaria di primo grado, articolabile in tre momenti: osservazione e raccolta dei dati, confronto con l’intelligenza artificiale, elaborazione e restituzione. La valutazione si concentra sul processo svolto dallo studente: correttezza dell’osservazione, organizzazione dei dati, qualità del confronto con l’IA, capacità di riconoscere errori e limiti e chiarezza nell’argomentazione finale.
Un metodo trasversale e inclusivo
Le immagini rappresentano un punto di partenza concreto e accessibile, che permette di graduare la complessità delle attività e coinvolgere studenti con differenti bisogni e modalità di apprendimento. Il principio è condividere la stessa esperienza, prevedendo strumenti e livelli di difficoltà adeguati a ciascuno. Il percorso restituisce così un metodo applicabile anche oltre il settore agrario: immagine, analisi con l’IA, organizzazione dei dati, verifica umana e apprendimento. Il valore dello strumento nasce dalla qualità delle domande, dalla capacità di interpretarne le risposte e dal giudizio di chi lo utilizza.
Relatore: Michele Fiore
Progetto: PariPasso, Rizzoli Education in collaborazione con Fondazione Mondo Digitale
Destinatari: docenti della scuola secondaria di primo e secondo grado, con particolare interesse per discipline agrarie, scienze, matematica, tecnologia, informatica, italiano ed educazione civica; docenti di sostegno e animatori digitali.
Durata: 1 ora
Data della diretta: 23 ottobre 2026
