Come fa un computer a riconoscere un’immagine? Dal pixel alla risposta

Punti il telefono su una pianta e dopo un istante leggi il suo nome. Sembra magia, ma dietro c’è un lavoro preciso. E il computer, in realtà, non vede nessuna pianta.

Lo fai spesso, e non sei il solo. Il 28 ottobre 2026 il CEO di Google, Sundar Pichai, ha dichiarato che l’azienda ha superato i 50 miliardi di ricerche visive al mese. È un annuncio aziendale e Google non specifica quali servizi rientrano nel conto. Però il messaggio è chiaro: inquadrare qualcosa per sapere cos’è è diventato un gesto comune.

Allora seguiamo insieme una foto, dal pixel fino alla risposta.

Per il computer una foto è solo numeri

Immagina un foglio a quadretti enorme. Ogni quadretto è un pixel, cioè un puntino di colore. Il computer scrive in ogni quadretto tre numeri: quanto rosso, quanto verde e quanto blu ci sono.

Ogni numero va da 0 (nero) a 255 (il massimo di luce). Il corso di Stanford CS231n fa un esempio: la foto di un gatto di 248 per 400 pixel diventa 297.600 numeri. Il compito è trasformare tutti quei numeri in una sola parola: «gatto».

Perché riconoscere un gatto è così difficile

Per te un gatto è un gatto, sdraiato o in piedi, al sole o in penombra. Per il computer no. Se cambia la luce, cambiano tutti i numeri della tabella.

Gli esperti di CS231n elencano i problemi principali. Eccoli, con esempi di tutti i giorni:

• Punto di vista e scala: una tazza vista dall’alto o da lontano sembra un’altra cosa.
• Deformazione: un gatto acciambellato non ha la forma di un gatto che salta.
• Occlusione, cioè oggetti coperti in parte: il cane dietro il divano mostra solo la coda.
• Sfondo confuso: un vaso su una tovaglia a fiori si mimetizza.
• Varietà: una sedia da cucina e una poltrona sono entrambe «sedie».

I filtri: piccole lenti che cercano bordi e colori

Qui entrano in gioco le reti neurali convoluzionali. Il nome spaventa, l’idea è semplice. Pensa a una piccola lente d’ingrandimento, grande pochi pixel, che passi su tutta la foto, riga per riga.

Questa lente si chiama filtro. In ogni punto controlla quanto quella porzione somiglia allo schema che cerca, per esempio una linea obliqua. Il risultato è una mappa che segna dove lo schema compare.

I primi filtri trovano cose semplici: bordi e macchie di colore. Gli strati successivi combinano questi dettagli. Bordi diventano forme, forme diventano parti, come un orecchio o una zampa. Alla fine la rete propone un’etichetta, con un grado di sicurezza.

Se vuoi approfondire la parte tecnica, trovi una panoramica nel nostro articolo di introduzione alla visione artificiale.

L’addestramento: imparare da milioni di esempi

La parte sorprendente è questa: nessuno disegna i filtri a mano. La rete li impara da sola durante l’addestramento. Funziona un po’ come un bambino che sfoglia un libro illustrato e sente il nome di ogni figura.

Serve però un libro gigantesco. Nel 2012 i ricercatori descrivevano ImageNet come una raccolta di oltre 15 milioni di immagini, etichettate in circa 22.000 categorie. La sua gara annuale usava 1.000 categorie e circa 1,2 milioni di foto per l’addestramento.

Proprio in quella gara, nel 2012, arriva la svolta. La rete AlexNet, dell’Università di Toronto, sbaglia nel 15,3% dei casi. Il secondo classificato si ferma al 26,2%. «Sbagliare» qui vuol dire che la risposta giusta non compare tra le cinque ipotesi migliori della rete. L’addestramento era durato cinque o sei giorni su due schede grafiche.

Nel 2020 un gruppo di ricercatori di Google propone un’altra strada, i Vision Transformer. Tagliano la foto in tanti quadratini e li leggono come le parole di una frase, con la stessa tecnica usata per il linguaggio. Quale architettura usino oggi le app che hai sul telefono, però, le aziende non lo dicono in modo esplicito.

Dove sbaglia ancora

Il computer non «capisce» la foto come te. Associa schemi di numeri a etichette. Per questo può commettere errori che a noi sembrano assurdi.

Nel 2014 Ian Goodfellow e due colleghi hanno mostrato un caso famoso. Hanno modificato pochissimo la foto di un panda, in modo quasi invisibile all’occhio umano. La rete l’ha scambiata per un gibbone, e con alta sicurezza. Questi «esempi avversari» sono studiati con attenzione perché mostrano quanto un sistema possa essere fragile.

Poi c’è il problema dei dati. Lo studio «Gender Shades» del 2018, di Joy Buolamwini e Timnit Gebru, ha testato tre sistemi commerciali che stimavano il genere da una foto del volto. L’errore massimo arrivava al 34,7% per le donne con la pelle più scura, contro lo 0,8% per gli uomini con la pelle chiara. Gli autori notavano anche che le raccolte di volti usate per valutare questi sistemi erano composte in gran parte da persone con la pelle chiara. È un dato del 2018: non descrive per forza i sistemi di oggi.

La nostra opinione: un’etichetta con un’alta sicurezza resta una stima. Trattala come un suggerimento, non come una sentenza.

Cosa puoi fare subito

• Non fidarti mai dell’app per mangiare funghi o piante selvatiche. Chiedi sempre a un esperto.
• Aiuta la fotocamera: buona luce, oggetto intero, sfondo semplice. Riduci gli errori che abbiamo visto sopra.
• Prova più angolazioni: se la risposta cambia, il sistema non è sicuro.
• Pensa alla privacy: spesso le foto per una ricerca visiva vengono inviate ai server dell’azienda. Evita di inquadrare altre persone senza il loro consenso.
• Sperimenta con la galleria: cerca «cane» o «spiaggia» e guarda quali foto trova, e quali sbaglia.

Fonti

• CS231n Deep Learning for Computer Vision: Image Classification – Stanford University
• CS231n Deep Learning for Computer Vision: Convolutional Neural Networks – Stanford University
• ImageNet Classification with Deep Convolutional Neural Networks (2012) – NeurIPS Proceedings
• ILSVRC 2012 Results – image-net.org
• About ImageNet – image-net.org
• An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale (2020) – arXiv
• Q3 2026 earnings call: Remarks from our CEO – blog.google
• Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification (2018) – Proceedings of Machine Learning Research
• Explaining and Harnessing Adversarial Examples (2014) – arXiv

Foto di copertina: André Karwath aka Aka, CC BY-SA 2.5, via Wikimedia Commons (rielaborata da RicercAttiva).