Research lines
HAIRI integrates computer vision, machine learning and structural engineering into coherent workflows for infrastructure management.
AI-based visual inspection
We develop vision-based pipelines to detect and classify guardrails, bearings and surface defects in concrete and prestressed concrete elements, using UAV imagery, street-level data and on-site inspections.
Engineering-Constrained ML (ECML)
We design machine learning workflows constrained by engineering knowledge: models and prompts are structured so that predictions and descriptions remain consistent with codes, guidelines and physical behaviour.
Risk, safety & resilience
Our methods are embedded into risk-based frameworks, supporting network-level prioritisation of maintenance and retrofit interventions for bridges and roads.
Human-in-the-loop AI
We explicitly model the role of the engineer in checking, correcting and validating AI outputs, focusing on interpretability, failure modes and decision support rather than automation alone.
Human-driven AI for Resilient Infrastructure
Intelligenza artificiale a supporto dell'ingegnere, non in sua sostituzione
La filosofia Human-driven AI for Resilient Infrastructure nasce con un obiettivo chiaro:
supportare l'ingegnere nella valutazione delle infrastrutture esistenti, senza mai sostituirne il giudizio tecnico.
Questo approccio propone una nuova visione dell'intelligenza artificiale in ingegneria civile, in cui computer vision e modelli linguistici vengono integrati in modo strutturato all'interno di flussi di analisi reali, mantenendo l'essere umano al centro del processo decisionale.
Procedure come APPOGGI rappresentano una prima applicazione concreta di questa filosofia.
Un cambio di paradigma rispetto all'AI tradizionale
Gran parte delle applicazioni di intelligenza artificiale nel settore delle infrastrutture si limita a:
- riconoscere oggetti o difetti nelle immagini;
- classificare automaticamente il danno;
- restituire un output "chiuso", spesso poco interpretabile.
La filosofia Human-driven AI adotta invece un paradigma diverso:
- l'AI non decide, ma assiste;
- l'ingegnere osserva, interpreta e decide.
L'intelligenza artificiale diventa così uno strumento di supporto cognitivo, non un sostituto del processo ingegneristico.
La sinergia tra Computer Vision e Modelli Linguistici
Alla base di questo approccio vi è una sinergia controllata tra due famiglie di modelli:
🔹 Computer Vision (CV)
- riconoscimento automatico di elementi strutturali;
- identificazione di tipologie costruttive e componenti;
- rilevamento preliminare di fenomeni di degrado visibile;
- analisi basata su immagini di ispezione reali, spesso eterogenee e non ideali.
🔹 Modelli Linguistici (LLM)
- interpretazione contestuale dei risultati della visione artificiale;
- supporto alla descrizione tecnica delle anomalie;
- collegamento tra osservazioni visive, terminologia ingegneristica e criteri ispettivi;
- generazione di spiegazioni comprensibili, tracciabili e verificabili.
👉 I modelli linguistici non sostituiscono l'ingegnere, ma rendono esplicito il ragionamento che normalmente avviene in modo implicito durante un'analisi ispettiva.
Human-in-the-Loop: la decisione resta umana
Un principio fondante della Human-driven AI for Resilient Infrastructure è il Human-in-the-Loop:
- l'AI propone,
- l'ingegnere valuta,
- l'ingegnere decide.
Ogni risultato fornito dal sistema:
- è verificabile,
- è contestualizzato,
- non è mai imposto come decisione automatica.
Questo approccio è particolarmente cruciale nel contesto delle infrastrutture esistenti, dove:
- l'incertezza è elevata;
- i dati sono spesso incompleti;
- la responsabilità tecnica non può essere delegata a un algoritmo.
Engineering-Constrained Machine Learning (ECML)
La filosofia proposta si inserisce nel paradigma dell'Engineering-Constrained Machine Learning (ECML):
- i modelli di AI operano all'interno di vincoli ingegneristici;
- le conoscenze normative, ispettive e costruttive guidano l'interpretazione dei risultati;
- l'output finale è coerente con le pratiche consolidate dell'ingegneria strutturale.
L'intelligenza artificiale non viene quindi utilizzata come "scatola nera", ma come strumento tecnico avanzato, integrato e controllato dall'ingegnere.
Un approccio tra i primi nel suo genere
Quando questa filosofia è stata concepita e le prime procedure operative sono state sviluppate, l'uso combinato di:
- computer vision specializzata,
- modelli linguistici di grandi dimensioni,
- dominio ingegneristico specifico delle infrastrutture civili,
era ancora largamente inesplorato in letteratura.
Negli ultimi anni stanno emergendo diversi studi e pre-print su approcci multimodali, ma l'impostazione Human-driven si distingue per:
- il forte orientamento ingegneristico;
- l'attenzione alla pratica ispettiva reale;
- il mantenimento esplicito del controllo umano;
- l'integrazione con procedure di valutazione e classificazione del rischio.
Dalla ricerca alla pratica
La Human-driven AI for Resilient Infrastructure non è solo un esercizio di ricerca, ma un approccio pensato per evolvere verso applicazioni operative, a supporto di:
- enti gestori;
- tecnici ispettori;
- attività di prioritizzazione degli interventi;
- gestione consapevole del patrimonio infrastrutturale esistente.
L'obiettivo finale non è "automatizzare l'ingegnere", ma metterlo nelle condizioni di lavorare meglio, più velocemente e in modo più consapevole, rafforzando la resilienza delle infrastrutture.