Page 45 - IANUS n. 28 - La rilettura dei paradigmi giuridici tradizionali alla luce dell’obiettivo dello sviluppo sostenibile

IANUS n. 28-2023 ISSN 1974-9805

3. Questioni giuridiche scaturenti dall’uso dell’IA per la tutela delle foreste

3.1 Peculiarità dei sistemi di IA e rilevanza della qualità e quantità dei dati
raccolti nel settore agricolo e forestale

Prima dell’avvento dell’IA, i sensori tecnologici utilizzati a fini di
conservazione consistevano in satelliti, stazioni meteorologiche, droni e trappole
fotografiche. Tutti questi sensori tecnologici raccoglievano dati, ma
l’elaborazione dei dati e il processo decisionale veniva effettuato esclusivamente
dagli esseri umani in un tempo abbastanza lungo, ossia il tempo necessario ad
elaborare i dati, analizzarli e deliberare. Al contrario, con i sensori basati
sull’intelligenza artificiale, l’analisi e il processo decisionale viene effettuato da
algoritmi “a scatola nera”; si parla, pertanto, di «conservazione tramite
45
algoritmi». Un esempio di quanto abbiamo detto è dato dall’uso dell’IA per
46
identificare le specie sia vegetali che animali sulla base delle immagini raccolte
dalle trappole fotografiche. Il controllo da parte dell’essere umano è, pertanto,
47
solo eventuale e successivo. L’analisi dei dati viene effettuato dai sistemi di IA, i
quali prendono anche le decisioni da essi ritenute più opportune sulla base delle
analisi effettuate. Pertanto, uno dei principali prerequisiti per lo sviluppo e
l'applicazione dei sistemi di IA in qualsiasi campo è la possibilità di avere accesso
ad un volume enorme di dati e di alta qualità, di avere accesso ad un’infrastruttura
di rete Internet (IoT), e a strumenti di tecnologia avanzata (fotocamere ad alta
risoluzione, tecnologia satellitare, sensori, droni o veicoli aerei senza equipaggio
(UAV)) nonché disporre di spazio computazionale e di archiviazione. Questo
48
non è, tuttavia, sempre possibile in ambito agricolo o forestale a causa di una
limitazione tecnica poiché in questo settore normalmente gli algoritmi utilizzati
sono appropriati solo per piccoli volumi di dati . Da questo discendono ulteriori
49
effetti negativi poiché da una quantità limitata, e non sempre accurata , di dati
50

45 PASQUALE, The Black Box Society: The Secret Algorithms That Control Money and Information,
Harvard University Press, 2016.
46 ADAMS, Geographies of conservation II: Technology, surveillance and conservation by algorithm, in
Progress in Human Geography, 2019, 43(2), 337-350.
47 GUO - XU - MIAO - SHAO - CHAPMAN - CHEN - HE - FANG - ZHANG - SUN - SHI - LI, Automatic
identification of individual primates with deep learning techniques, in Iscience, 2020 23(8), 101412;
NOROUZZADEH - NGUYEN - KOSMALA - SWANSON - PALMER - PACKER - CLUNE, Automatically
identifying, counting, and describing wild animals in camera-trap images with deep learning, 2018,
Proceedings of the National Academy of Sciences, 115(25), E5716-E5725.
48
SHIVAPRAKASH - SWAMI - MYSOREKAR - ARORA - GANGADHARAN - VOHRA - JADEYEGOWDA -
KIESECKER, Potential for Artificial Intelligence (AI) and Machine Learning (ML) Applications in Biodiversity
Conservation, Managing Forests, and Related Services in India, cit.
49 ZHANG - WEI - ZOU - LI - YANG, Agriculture big data: research status, challenges and
countermeasures, in 8th International Conference on Computer and Computing Technologies in Agriculture
(CCTA), Beijing, China, 2014, pp 137 - 143.
50 TAYLOR - BROEDERS, In the name of development: power, profit and the datafication of the global
south, in Geoforum, 2015, 64:229-237.

43