L'Intelligenza Artificiale e il suo impatto nei sistemi di mobilità e trasporto

17-03-2025, Firenze

Introduzione

L'Intelligenza Artificiale (IA) sta profondamente trasformando il mondo dei sistemi smart e quindi anche le soluzioni di mobilità e trasporti. Sta diventando un solido supporto tecnologico per un ampio panorama di scenari: la gestione del traffico, l’ottimizzazione del trasporto pubblico, la generazione di modelli predittivi applicabili ad una grande varietà di casi d’uso nella mobilità sia pubblica che privata. A questo proposito, l'IA offre approcci che sfruttano meccanismi di apprendimento spesso inseriti in agenti che altro non sono che programmi che producono computazione in modo automatico.

Le sfide e i problemi che l'IA può aiutare a risolvere nel mondo dei trasporti sono sia a livello di gestione operativa (monitoraggio, early warning) che per la pianificazione tattico/strategica (per esempio per l’ottimizzazione delle infrastrutture e dei servizi).

I sistemi di trasporto e le infrastrutture sono sistemi complessi. L’uso di soluzioni di IA può aiutare a coordinare le entità, rendendo l’intero sistema più efficiente. Tipicamente, le soluzioni basate su IA hanno necessità di grandi quantità di dati per poter addestrare e produrre modelli precisi per simulazioni, analisi e predizioni. Questo contesto si adatta alla realtà attuale dove si ha spesso un’ampia disponibilità di dati. Attraverso i processi di apprendimento, i sistemi di IA diventano capaci di produrre predizioni, di identificare configurazioni, etc., e quindi sono strumenti di base per i livelli decisionali. In ultima analisi possono fornire suggerimenti al decisore, tramite modelli di ottimizzazione basati su IA.

Ad alto livello, l'IA può essere suddivisa in due grandi categorie:

1. IA "simbolica": si basa sull’uso di regole e simboli per rappresentare la conoscenza. La parte simbolica include le regole logiche e di deduzione, che sono formalizzate attraverso modelli matematico-logici, con le ontologie e i modelli di inferenza logica, per arrivare alle knowledge base, KB.

2. IA "computazionale": si basa su procedimenti matematici e statistici per apprendere dai dati (training, apprendimento), senza fare affidamento su una conoscenza codificata da formule (simbolica). In questa categoria sono comprese varie tecniche e soluzioni, come le reti neurali, i sistemi fuzzy e gli algoritmi genetici.

Evoluzione storica sull'Intelligenza Artificiale

Il termine "intelligenza artificiale" è comparso nel 1956, coniato da John McCarthy. Nel 1959, Arthur Samuel ha reso popolare il termine “Machine Learning” per identificare soluzioni in grado di apprendere dai dati. Negli anni '60 sono comparsi i primi programmi per simulare aspetti del ragionamento umano, grazie a sistemi basati su regole e simboli. Questi approcci, che portarono alla creazione di linguaggi di programmazione specializzati (come il LISP, prolog), permisero di codificare elementi di conoscenza ed esperienza tipiche del pensiero umano in modo formale/simbolico, dando vita ai primi sistemi esperti, basati su regole. Parallelamente, venivano studiate le reti neurali, NN, con l'obiettivo di creare sistemi in grado di imparare. Le NN nascono negli anni '40 con i primi modelli di neuroni (McCulloch-Pitts), e solo dopo un decennio sono arrivati i primi modelli realmente utilizzabili, come il Perceptron di Rosenblatt (1958). Durante gli anni 70 l’evoluzione dell’IA è stata molto lenta, anche per le limitate capacità computazionali. Gli anni '80 e '90 hanno visto una rivitalizzazione della ricerca nel settore con le tecniche di apprendimento tramite “back propagation”, che permette di correggere i parametri del modello in base all’errore misurato rispetto al valore atteso (ground truth). In questo periodo si inizia a sperimentare la combinazione di diversi tipi di IA per creare sistemi ibridi. Negli ultimi anni, con le NN dette Transformer, sta radicalmente cambiando il modo in cui si elaborano concetti e pattern, e questo ha rappresentato una rivoluzione nei sistemi di IA in tutti domini applicativi. I Transformer analizzano le informazioni sfruttando il meccanismo di attenzione per processare sequenze di dati (testo, serie temporali, ecc.). Questo li rende più veloci ed efficienti e permette loro di cogliere relazioni complesse nei dati. Questo aspetto ha aperto nuove possibilità in campi come la linguistica, la finanza e la biomedicina, per cominciare. I Transformer sono alla base dei modelli generativi di testo come GPT di OpenAI e altri Large Language Models, LLM, classificati in seguito.

L’uso di tecniche dell’IA in soluzioni specifiche presenta varie difficoltà, come la necessità di produrre ed elaborare grandi quantità di dati, la validazione rigorosa dei modelli, l’attenzione agli aspetti etici. A questo riguardo risultano di primaria importanza la protezione dei dati sensibili, e la produzione di risultati per i processi decisionali che siano non polarizzati e interpretabili (Explainable AI, XAI), in modo da non risultare prodotti da modelli a scatola chiusa.

Classificazione dei sistemi basati su Intelligenza Artificiale

Le IA possono essere classificate secondo il loro livello di capacità cognitiva, o in base a come interagiscono. Dal punto di vista del grado di complessità e varietà dei compiti che un sistema basato su IA è in grado di svolgere, si hanno tre livelli:

• Intelligenza Artificiale Ristretta o Debole; alcuni esempi sono: i chatbot, gli assistenti vocali e i sistemi di raccomandazione, che fornendo risposte e soluzioni coerenti all’interno del loro dominio di competenza, non possiedono una comprensione dei problemi. Questi sistemi si basano su algoritmi e modelli matematici limitati alla gestione di azioni predeterminate.
• Intelligenza Artificiale Generale o Forte: sistemi che possano affrontare un’ampia varietà di compiti, apprendere e adattarsi a vari contesti diversi, integrando conoscenze e arrivando alla comprensione dei problemi. Tali sistemi sono un traguardo ambizioso per il futuro.
• Superintelligenza Artificiale: sistemi che dovrebbero superare in ogni aspetto le capacità cognitive umane, essere in grado di innovare, prendere decisioni complesse, e poter tenere in considerazione obiettivi di alto livello come l’etica, l’ambizione, etc., tipici delle motivazioni umane.

Un altro criterio di analisi riguarda il modo in cui i sistemi di IA interagiscono con il mondo e gestiscono le informazioni a loro disposizione. Questa classificazione evidenzia le differenze tra sistemi che reagiscono a stimoli immediati e quelli che sono in grado di apprendere ed evolversi nel tempo:

• Macchine reattive: rispondono agli input immediati senza la capacità di memorizzare esperienze passate o apprendere da esse; operano in modo predefinito, offrendo prestazioni ottime dove la rapidità di risposta è fondamentale e senza adattarsi al contesto.
• IA con memoria limitata: sono in grado di utilizzare dati storici in tempo reale. Un esempio è rappresentato dai veicoli a guida autonoma, che usano informazioni di contesto per navigare, come i modelli predittivi.
• IA con Capacità di comprendere emozioni e intenzioni: capaci di interpretare emozioni e intenzioni, consentendo interazioni più naturali e contestualizzate con gli utenti. I LLM molto diffusi sono in grado di riconoscere le intenzioni e anche le parole che descrivono le emozioni, ma non di comprendere il loro significato.
• IA Autocosciente: potrebbe avere una comprensione intrinseca dei problemi e delle soluzioni, integrando capacità di giudizio e riflessione proprie di un essere senziente.

Le applicazioni attuali si possono classificare come soluzioni di IA debole e a memoria limitata, ed operano prevalentemente sulla base di algoritmi che analizzano grandi quantità di dati per estrarre pattern e correlazioni, senza avere una comprensione del contesto.  La distinzione tra “generare” e “comprendere” risulta cruciale per valutare l’impatto e le potenzialità future dell’IA.

Concetti alla base dell’Intelligenza Artificiale

Machine Learning (ML)

Il ML è un ramo dell'IA che si occupa di sviluppare algoritmi in grado di apprendere dai dati, identificando pattern e correlazioni a supporto dei processi decisionali. Il termine è stato coniato e reso popolare nel 1959 da Arthur Samuel. Con la crescita della potenza computazionale e della disponibilità di dati, il ML ha guadagnato una diffusione più ampia. Esempi in ambito mobilità e trasporti:

• Ottimizzazione delle rotte e del traffico: analizzare i dati provenienti da sensori, telecamere e dispositivi GPS ecc., per individuare situazioni critiche e suggerire soluzioni in tempo reale (percorsi alternativi, routing multi-modale), riducendo i tempi di percorrenza e migliorando la fluidità del traffico.
• Manutenzione predittiva: l’apprendimento da dati raccolti da veicoli e infrastrutture consente di prevedere anomalie e guasti, consentendo interventi di manutenzione preventiva per la riduzione dei costi operativi e l’aumento della sicurezza.
• Gestione della domanda: può prevedere i flussi di passeggeri (ad esempio tramite la generazione di matrici origine-destinazione, ODM, anche in predizione), per la pianificazione delle risorse e generazione dell’offerta in base alla domanda.

Reti Neurali, NN

Le NN sono modelli computazionali che emulano il funzionamento del cervello umano. Nate negli anni '40, hanno visto un'evoluzione significativa solo con il Perceptron di Rosenblatt (1958). Le NN sono alla base del moderno Deep Learning, DL. Sono costituite da modelli di neuroni organizzati in strati, che elaborano e trasmettono informazioni attraverso connessioni pesate. Esempi in ambito mobilità e trasporti:

• Elaborazione di grandi quantità di dati: processare ed analizzare grandi volumi di dati provenienti da sensori, GPS e altri dispositivi intelligenti, permettendo la produzione di modelli per una gestione più efficace e tempestiva delle informazioni relative al traffico, come modelli predittivi e di early warning.
• Sistemi di controllo avanzati per la guida autonoma e gestione delle flotte; in questi ambiti le reti neurali supportano il processo decisionale, facilitando la risposta immediata e adattiva a situazioni e variabili complesse, migliorando la sicurezza e l’efficienza dei sistemi di trasporto.

Deep Learning (DL)

Il DL rappresenta un sottoinsieme del ML basato su NN composte da numerosi strati, detti layers. Nato negli anni 2000 con lo sviluppo delle reti convoluzionali (CNN) e ricorrenti (RNN), e più recentemente con i Transformer. Il DL ha avuto una forte crescita grazie allo sviluppo di GPU potenti e a dataset di grandi dimensioni. Si hanno applicazioni in visione artificiale, elaborazione del linguaggio (Natural Language Processing, NLP) e altro. Esempi in ambito mobilità e trasporti:

• Analisi dei dati storici e in tempo reale: il DL facilita l’elaborazione e l’interpretazione di dati da sensori, immagini e video, per il riconoscimento di pattern e per i modelli predittivi. Il DL è fondamentale per i veicoli a guida autonoma. I modelli predittivi hanno abilitato un numero elevato di soluzioni di mobilità e trasporti come le soluzioni di smart parking, infomobilità dinamica, guida autonoma, car sharing, car pooling, etc.
• Ottimizzazione dei processi: il DL consente di identificare anomalie e pattern nascosti nei dati di trasporto, migliorando la capacità predittiva dei sistemi di gestione delle flotte e della manutenzione predittiva, e per lo sviluppo di analisi what-if e simulazioni per i sistemi di supporto alle decisioni, la riduzione dell’impatto ambientale, dei costi, dei tempi di trasporto, etc. I modelli di ottimizzazione hanno abilitato un numero elevato di soluzioni di mobilità e trasporti come le soluzioni di instradamento e navigazione, lo smart waste con l’ottimizzazione dei percorsi, mobility as a service, etc.

Neuro-Symbolic AI

La Neuro-Symbolic AI rappresenta un paradigma emergente che combina l’approccio simbolico con quello computazionale, superando le limitazioni di entrambi e offrendo un quadro più completo per la risoluzione di problemi complessi. Genericamente si può affermare che i modelli NN possono produrre nuova conoscenza che può essere codificata in modelli simbolici, come i modelli simbolici possono evitare ai modelli NN di produrre soluzioni non semanticamente corrette. I progressi nella ricerca e lo sviluppo di framework avanzati stanno portando questa tecnologia verso applicazioni pratiche sempre più rilevanti, specialmente nei settori della mobilità intelligente e della gestione dei trasporti urbani.

Esempi in ambito mobilità e trasporti: ottimizzazione del traffico urbano, guida autonoma, simulazione e Digital Twin (descritti in seguito). I modelli neuro-simbolici sono fondamentali per lo sviluppo di gemelli digitali (Digital Twins), permettendo simulazioni più accurate di scenari urbani e di trasporto in tempo reale (si veda Snap4City). I modelli neuro-simbolici stanno migliorando le soluzioni delle generazioni precedenti di IA, superando per prestazioni, sostenibilità ed efficienza le soluzioni di ML e DL. In qualche modo potrebbero essere la strada per poter travasare conoscenza acquisita in modo non supervisionato in conoscenza codificata in modo simbolico.

Principali tipologie di algoritmi apprendimento in AI/ML/DL

L’IA permette di produrre algoritmi adatti a risolvere diverse tipologie di problemi, sfruttando diverse tecniche di apprendimento.

• Supervised Learning: il modello viene addestrato su dati etichettati: input associati a output corretti (ground truth). Il modello apprende così a mappare gli input agli output attesi attraverso esempi. Si realizzano in questo modo soluzioni per il riconoscimento e la predizione
• Unsupervised Learning: il modello analizza dati non etichettati, per estrarre pattern, strutture nascoste e correlazioni. Viene usato per compiti di classificazione / clustering (utili per raggruppare dati simili, facilitando ad esempio l’analisi dei comportamenti dei flussi di traffico o l’identificazione di aree a rischio di congestione) o la riduzione della dimensionalità senza conoscere a priori le categorie dei dati.

• Reinforcement Learning, RL: sistemi che apprendono tramite processi di “trial and error” e “reward and punishment”, permettendo ad agenti di produrre suggerimenti e decisioni in modo adattivo, modificando il proprio comportamento in risposta al feedback dell’ambiente. Questo tipo di algoritmi può essere particolarmente efficace nelle soluzioni di ottimizzazione: infrastrutture, gestione semaforica, etc.
• Transfer Learning e fine tuning: tecniche che partendo da un modello pre-addestrato permettono di portare la soluzione in un contesto più o meno diverso.

• Federated Learning: per addestrare modelli su dati distribuiti, garantendo la privacy degli utenti e riducendo la necessità di centralizzare le informazioni.

Altri termini ed Esempi

Data Analytic, DA: termine generico che si riferisce al processo di collezionamento, trasformazione e analisi dei dati allo scopo di produrre informazioni utili a supporto di processi decisionali. Questa disciplina combina metodologie statistiche, algoritmi di ML e visualizzazione dei dati per fornire insight approfonditi. L'analisi dei dati è un campo che supporta l'IA attraverso l'estrazione di informazioni significative dai dataset, mediante tecniche come la Business Intelligence (BI) e il Data Mining che sono ormai integrate a tutti gli effetti nei processi aziendali.

Feature Engineering: processo di selezione, trasformazione e creazione di variabili (“feature”) utili all’addestramento dei modelli di ML e DL.

Adversarial training: tecnica introdotta dal 2013 per rendere i modelli NN più robusti contro attacchi e manipolazioni che possono arrivare dai dati in ingresso durante l’uso operativo di soluzioni IA, come predizioni, etc. Vi sono applicazioni nell’ambito dei sistemi a guida autonoma, early warning, etc.

Explainable AI, XAI: tecniche per rendere i modelli di IA più trasparenti e interpretabili, fondamentali per aumentare la fiducia e l’adozione di queste tecnologie in settori critici come quello della mobilità e dei sistemi di supporto alle decisioni. L’utilizzo delle tecnologie di XAI diventa di assoluta importanza quando l’IA deve essere utilizzata per produrre suggerimenti che possono impattare in modo rilevante sulla vita delle persone, e pertanto quando si ha l’obbligo la necessitaà di avere trasparenza del funzionamento.  A questo riguardo l’AI-Act dell’unione europea richiede il suo utilizzo per sistemi critici.

Generative AI: modelli capaci di creare contenuti nuovi a partire da dati esistenti, come testi, immagini, suoni, video e simulazioni. Dal 2010, con le Generative Adversarial Networks (GAN) e successivamente con i Transformer, l’IA generativa è diventata una delle tecnologie più rivoluzionarie, alla base dei modelli di linguaggio come GPT di OpenAI (GPT, Generative Pre-trained Transformer) e dei numerosi Large Language Models, LLM, che si stanno tuttora diffondendo. Esempi di LLM generici sono: Llama di META, DeepSeek, etc. Esempi in ambito mobilità e trasporti sono Simulazione di scenari complessi, Pianificazione tattico/strategica, a supporto delle decisioni (come Snap4City).

Generative AI conversazionali: soluzioni di Generative AI capaci di conversare in linguaggio naturale con gli esseri umani anche in lingua multiple tenendo conto del contesto, per produrre risposte che tengono conto dell’evoluzione del discorso stesso. Rappresentano l’evoluzione del concetto di chatbot, permettendo il dialogo in modo adattivo. Rientrano in questa categoria di applicazioni: ChatGPT (OpenAI), Claude (Anthropic), Gemini (ex Google Bard) (Google DeepMind), DeepSeek, Perplexity AI, Chatsonic di Writesonic. Alcuni di questi possono generare immagini come: ChatGPT (tramite DALL-E), Midjourney, etc.; altri sono orientati a supportare la programmazione di codice e nel debug dello stesso come: GitHub Copilot (basato su OpenAI Codex), Amazon Q (Amazon), etc.

Retrieval Augmented Generation, RAG: tecnica che combina la capacità di recupero (retrieval) di informazioni contestualmente rilevanti con quella generativa dei modelli di linguaggio, e pertanto anche dei LLM. Vi sono applicazioni in vari ambiti come: assistenza e supporto agli utenti, generazione di report, etc. Sono applicazioni per la produzione di contenuti o di risposte contestualizzate ai documenti forniti anche in forma temporanea: Jasper AI, Chatsonic di Writesonic (ibrido tra chatbot e content creation).

Digital Twin

Le soluzioni di Digital Twin prevedono l’utilizzo di svariate tecniche descritte in precedenza (DL, RL, Generative AI, big data, transfer learning, neuro-symbolic AI, etc.) per la creazione di una replica digitale di un sistema fisico (un veicolo, un'infrastruttura o un'intera rete di trasporti), per la realizzazione di sistemi di supporto alle decisioni, sia per la gestione operativa sia per la pianificazione tattica e strategica. I DT si rivelano pertanto strumenti utili per monitorare e ottimizzare il comportamento del sistema reale, anche in real time, traendo vantaggio da modelli e soluzioni neuro-simboliche. Questo paradigma è di grande utilità in contesti di simulazione e sperimentazione, ottimizzazione e analisi "what-if", per valutare l’impatto di interventi senza causare danni o interruzioni al sistema reale (come Snap4City).

Applicazioni dell’IA al mondo della mobilità

Guardando agli sviluppi futuri, l’IA porta a innovare il modo in cui le città e le comunità si muovono e interagiscono tra loro per:

• Sistemi di trasporto multimodale integrati: orchestrare dinamicamente i diversi mezzi di trasporto (autobus, metropolitane, servizi di bike sharing, car sharing) verso soluzioni di mobilità personalizzate per rispondere in modo adattivo alle esigenze degli utenti.
• Veicoli autonomi di nuova generazione: più sicuri ed efficienti, in grado di interagire fra loro in maniera coordinata e di integrarsi con le infrastrutture urbane intelligenti.
• Sistemi di ottimizzazione del traffico: L’uso di digital twin permetterà di creare “città intelligenti” in cui il traffico, la gestione delle emergenze e la manutenzione delle infrastrutture siano ottimizzati in tempo reale, contribuendo a una significativa riduzione delle emissioni e al miglioramento della qualità della vita urbana.
• Interfacce utente evolute e interattive: Grazie ad assistenti virtuali basati su AI generativa e agli strumenti di linguaggio naturale, sarà possibile sviluppare interfacce che facilitino l’accesso e l’utilizzo dei sistemi di trasporto da parte di tutti i cittadini, inclusi coloro che hanno meno familiarità con le tecnologie digitali.
• Piattaforme di simulazione e pianificazione urbana: I digital twin permetteranno di testare e validare nuove strategie di mobilità prima della loro implementazione nel mondo reale, riducendo rischi e costi e promuovendo soluzioni sempre più efficienti e sostenibili.

L’integrazione di queste tecnologie promette non solo di rendere più efficienti e sicuri i sistemi di trasporto, ma anche di creare un ambiente urbano in cui la mobilità diventi realmente smart, sostenibile e centrata sui cittadini. Le sinergie tra IA, infrastrutture digitali e dispositivi IoT aprono la strada a nuovi paradigmi in cui la pianificazione urbana e la gestione della mobilità siano fortemente supportate da dati e algoritmi, consentendo interventi mirati e tempestivi che rispondano alle sfide contemporanee e future.

In questo quadro evolutivo, si aggiungono gli aspetti normativi quali GDPR, AI-Act che ovviamente impongono regole e procedure per lo sviluppo e l’utilizzo di soluzioni di IA. Le regolamentazioni hanno particolare importanza quando i dati che vengono utilizzati dalle soluzioni di IA riguardano il comportamento delle persone.