Una fotografia di una foglia, di un frutto o di un terreno può diventare il punto di partenza per imparare a osservare, classificare, organizzare dati e, soprattutto, verificare quanto ci restituisce l’intelligenza artificiale. È il percorso proposto da Michele Fiore nel webinar Dalle immagini ai dati. L’IA per l’agricoltura di precisione, nuovo appuntamento di PariPasso, il progetto di Rizzoli Education dedicato all’inclusione scolastica, curato dalla Fondazione Mondo Digitale.
Docente di informatica, ingegnere e animatore digitale, Fiore ha utilizzato l’agricoltura di precisione come terreno concreto per mostrare un metodo che può essere trasferito anche ad altre discipline. Il punto di partenza è semplice: con l’IA non basta chiedere e ottenere una risposta. Il processo educativo segue tre passaggi: osservare, analizzare, decidere. E l’ultimo resta affidato alla persona. «Alla fine è sempre l’uomo che deve dire l’ultima parola su ciò che l’intelligenza artificiale ha restituito», ha ricordato Fiore durante l’incontro.
Imparare addestrando una macchina
Uno dei passaggi più interessanti del webinar è stato dedicato a Teachable Machine, lo strumento di Google che permette di creare semplici modelli di machine learning senza conoscere linguaggi di programmazione.
Gli studenti possono, ad esempio, costruire categorie come “foglia sana”, “foglia alterata” e “foglia ingiallita”, caricare fotografie, addestrare il modello, provarlo con nuove immagini e analizzarne gli errori. Se il risultato non funziona, si torna indietro, si controllano le categorie e si migliora l’addestramento.
È proprio qui che il laboratorio diventa particolarmente interessante dal punto di vista didattico: i ragazzi scoprono che un sistema di IA dipende dagli esempi che riceve e dalla qualità dei dati con cui viene addestrato. E diventano, nelle parole di Fiore, “programmatori senza avere le conoscenze del programmatore”.
Mela, banana e pomodoro: che cosa vede davvero l’IA?
Il laboratorio è poi entrato nel vivo con tre semplici fotografie: una mela, una banana e un pomodoro. Le stesse immagini sono state sottoposte a diversi sistemi di IA con una consegna molto precisa: descrivere soltanto ciò che è realmente visibile — colore, forma, superficie, particolarità — e dichiarare esplicitamente ciò che non è determinabile. Una distinzione apparentemente semplice che apre un esercizio importante di pensiero critico. Da una fotografia possiamo osservare il colore o un’alterazione superficiale; non possiamo stabilire la qualità interna di un frutto, la presenza di residui chimici o il suo contenuto esatto di nutrienti. Confrontando inoltre le risposte prodotte da strumenti diversi, gli studenti scoprono che gli output possono cambiare. A quel punto il compito più importante non è ottenere la risposta della macchina, ma spiegare le differenze, verificare e motivare le proprie conclusioni. «La revisione è la parte fondamentale di tutto il processo didattico», sottolinea Fiore.
Cambia la fotografia, cambia la risposta
Anche l’immagine di partenza deve essere interrogata criticamente. Luce, distanza, angolazione, ombre e sfondo possono modificare ciò che il sistema riconosce e aumentare la probabilità di errore. Un’attività facilmente replicabile in classe consiste, ad esempio, nel fotografare lo stesso oggetto per più giorni o in condizioni differenti e confrontare le risposte dell’IA. Il risultato può diventare un diario fotografico, una tabella, un grafico o il punto di partenza per un confronto in classe. È una lezione che va molto oltre l’agricoltura: controllare l’input aiuta a comprendere l’output e una risposta formulata in modo convincente non è necessariamente corretta.
Un laboratorio anche per chi non insegna agraria
L’agricoltura di precisione offre il contesto del webinar, ma il metodo proposto è intenzionalmente interdisciplinare. Italiano può lavorare sulla descrizione e sull’argomentazione, matematica sull’organizzazione e la rappresentazione dei dati, scienze sull’osservazione, tecnologia sul funzionamento degli strumenti, educazione civica sulla sostenibilità e sull’uso consapevole dell’IA. «L’intelligenza artificiale in un’UDA strutturata può essere utilizzata per italiano, per storia, per tantissime discipline: è trasversale», ha spiegato Fiore. Nel webinar viene presentata anche una UDA di 15 ore per un istituto agrario, che mette insieme produzioni vegetali, informatica, matematica, chimica agraria e italiano, fino alla realizzazione di un dossier e di un compito autentico. Ma Fiore propone anche una versione più agile, articolata in tre lezioni, adattabile alla scuola secondaria di primo grado. Il percorso può quindi essere utile non solo ai docenti degli istituti agrari e tecnici, ma anche agli insegnanti di scienze, matematica, tecnologia, informatica, italiano ed educazione civica, ai docenti di sostegno e a chi è interessato a progettare attività interdisciplinari sull’IA.
Partecipare tutti alla stessa esperienza
Il canale visivo offre anche opportunità sul piano dell’inclusione. Partire da elementi concreti e facilmente osservabili permette di graduare la complessità delle attività e di proporre la stessa esperienza attraverso modalità differenti. L’obiettivo, ha spiegato Fiore, è “consentire a tutti di partecipare alla stessa esperienza con modalità adeguate ai propri bisogni”. Il messaggio che attraversa tutto il webinar è semplice: l’IA può riconoscere caratteristiche, organizzare informazioni e suggerire anomalie, ma la capacità decisiva rimane quella di interpretare criticamente i dati, verificarli e contestualizzarli. Per chi non ha potuto seguire la diretta, la registrazione permette di recuperare l’intero laboratorio, i prompt utilizzati, gli esempi con Teachable Machine e la proposta di UDA.
E anche se non insegni agraria, vale la pena seguirlo: la fotografia è soltanto il punto di partenza; il vero laboratorio riguarda il modo in cui impariamo a osservare, interrogare e verificare l’intelligenza artificiale.
Il prossimo appuntamento ISCRIVITI
