(Lezione 07.01 · 20 minuti · Nessun sensore · Progetto finale)

Un caso vero, la foglia d'ulivo.

OliveSense riconosce le malattie dell'ulivo in campagna, senza rete, in meno di mezzo secondo. Qui segui il progetto dalla domanda alla decisione, con le scelte che ha richiesto e quello che manca ancora.

Cosa impari

Come il luogo d'uso decide le scelte di un progetto di Edge AI
Perché dividere un problema in più modelli piccoli
Come una diagnosi diventa una decisione utile
Cosa vuol dire, in un progetto vero, dire cosa manca

Ti serve sapere

Se non ti ricordi una di queste cose, il link ti porta al capitolo che la spiega.

Come vuoi seguirla

Preparo la scena…

01 Il problema
Ulivi, poca rete e un quaderno da compilare la sera.

In Puglia l'olivicoltura è fatta di tante aziende piccole. Chi coltiva ha spesso un telefono di fascia media e in campagna non ha copertura. Le malattie si riconoscono tardi, la Xylella impone regole regionali precise e il quaderno di campagna si compila a mano, la sera. OliveSense nasce da qui, ed è un progetto dell'autore di questo corso.

In pratica. Parti sempre da chi userà il modello e da dove. Qui il telefono medio e la campagna senza rete hanno deciso quasi tutto il resto.
02 La domanda
Tredici condizioni, ognuna con i suoi sintomi.

La domanda non è sana o malata. Prima di scattare foto, il lavoro è stato documentare tredici condizioni dell'ulivo, con sintomi e soglie, dall'occhio di pavone alla rogna, dal cotonello alla Xylella. Senza questa lista non si sa cosa etichettare. E un modello non può essere più preciso delle sue classi^01.03.

In pratica. Scrivi le classi come una guida per una persona. Se una persona non sa distinguerle leggendo la guida, il modello non potrà farlo.
03 I dati
Le foto le scatta chi conosce gli ulivi.

Le foto sono state scattate negli uliveti, una per una. Foglie sane e foglie con le macchie, un tronco con la rogna, il cotonello sui germogli. Per raccoglierle ed etichettarle dal telefono c'è Edgy Studio, un'app costruita apposta. Il dataset^01.05 è la parte più lunga del progetto, e non è ancora finita.

In pratica. Raccogli i dati con lo stesso tipo di telefono e nelle stesse condizioni in cui il modello verrà usato. Le foto scaricate da internet sembrano utili e spesso insegnano la cosa sbagliata.
04 Quattro modelli
Quattro modelli piccoli in fila, invece di uno grande.

Sul telefono girano quattro modelli in fila, da quattro o cinque megabyte l'uno. Il primo controlla che la foto sia buona. Il secondo capisce quale parte dell'albero sta guardando. Il terzo cerca un'anomalia^01.04. L'ultimo dice di quale malattia si tratta. In tutto la risposta arriva in meno di mezzo secondo, senza connessione.

In pratica. Dividere un problema in passi piccoli rende ogni modello più semplice da addestrare e da controllare. Se la diagnosi sbaglia, sai in quale passo cercare.
05 La decisione
La diagnosi da sola non basta.

Sapere che c'è l'occhio di pavone non dice cosa fare. Il sistema incrocia la diagnosi con il meteo, con gli indici del satellite Sentinel-2 sulla parcella e con i trattamenti già fatti. Poi confronta quanto è diffusa la malattia con una soglia economica e propone un intervento, con la dose e il momento giusto.

In pratica. Un modello risponde a una domanda stretta. Il valore per chi lo usa nasce quando la risposta entra in una decisione e in un'azione concreta.
06 Telefono e cloud
Il telefono decide da solo quando è sicuro.

Se la confidenza^02.01 è alta, il telefono conferma da solo. Se è bassa, e la rete c'è, passa il caso a un modello più grande nel cloud^01.01. Così quasi tutte le foto restano in tasca, e il traffico dati e i costi restano bassi. È la divisione del lavoro dell'Edge AI^01.01, applicata a un caso vero.

In pratica. Scegli la soglia oltre cui chiedere aiuto al cloud guardando i casi sbagliati, non la media. Il cloud serve per i casi difficili.
07 Cosa manca
Un anno di foto, e una prova in campagna.

Oggi il progetto è un prototipo che funziona, pronto per una prova controllata. Manca ancora un anno intero di foto, perché ogni condizione va vista in tutte le stagioni e con ogni tempo. Il passo dopo è una prova con alcune aziende agricole e un istituto di ricerca. Così si vedrà il modello sugli alberi veri.

In pratica. Dire con onestà cosa manca vale più di qualunque promessa. Un modello provato su una stagione sola non sa ancora com'è l'autunno.

01 / 07

(Approfondisci)

Qualche numero in più.

(01)

Perché una fila di modelli

Ogni modello della fila fa un lavoro stretto. Il controllo della foto scarta subito gli scatti mossi o bui, prima di spendere calcoli e prima di dare una diagnosi a una foto inutilizzabile. Il riconoscimento della parte dell'albero dice ai passi successivi cosa stanno guardando, perché una foglia, un ramo e un tronco si ammalano in modi diversi.

Il passo delle anomalie serve a riconoscere quello che non somiglia al sano, anche quando non è una delle tredici condizioni. Solo alla fine arriva il classificatore delle malattie, che lavora su foto già buone e già inquadrate. Ognuno dei quattro si può migliorare da solo, senza toccare gli altri.

13condizioni dell'ulivo documentate
4modelli in fila sul telefono
4-5 MBil peso di ognuno
< 0,5 sper la risposta, senza rete

(02)

Il quaderno di campagna

Chi usa prodotti fitosanitari deve registrare ogni trattamento. Un regolamento europeo del 2023 chiede che dal 2026 questi registri siano tenuti in formato elettronico. In Italia i dati passano dal SIAN, il sistema informativo agricolo nazionale.

OliveSense compila il quaderno da solo, a partire dalla diagnosi e dall'intervento scelto, in un formato che il SIAN accetta. Per chi coltiva è spesso il motivo più concreto per usare l'app, prima ancora della diagnosi.

(03)

Com'è fatto

L'app è scritta in Flutter e funziona senza rete. I modelli sono in formato TensorFlow Lite e girano sul telefono. I dati stanno in una base dati locale, Isar, e si sincronizzano con Supabase quando la connessione torna. C'è anche una versione web gratuita, fatta con Next.js, che non chiede un account e non raccoglie dati.

Le mappe delle parcelle usano Leaflet, e gli indici della vegetazione arrivano dalle immagini Sentinel-2 del programma europeo Copernicus. Per il futuro c'è anche un nodo con sensori da lasciare in campo.

(Prova sul telefono)

Il caso vero, applicato al tuo

Rileggi le scelte di OliveSense pensando al tuo progetto. Rispondi in una o due righe per ogni punto. La scheda resta salvata nel tuo browser e ti servirà nella prossima lezione.

(Verifica)

4 domande per chiudere la lezione.

Quando rispondi a tutte, la lezione risulta fatta e sulla mappa la sua pietra diventa gialla. Conta rispondere, non il punteggio.

(01)

Perché OliveSense deve funzionare senza rete?
(02)

Perché quattro modelli in fila invece di uno solo?
(03)

Quando OliveSense chiede aiuto al modello nel cloud?
(04)

Perché serve un anno intero di foto?

Parole nuove, e dove sono spiegate

Modelli in filacapitolo 4

Fonti e letture

Per chiudere la lezione rispondi alla verifica

← L'AI responsabile Torna alla mappa

(Prossima lezione · 07.02) Il tuo progetto