Un gruppo di ricercatori del Korea Advanced Institute of Science and Technology (KAIST) ha sviluppato una nuova tecnologia di intelligenza artificiale progettata per individuare automaticamente le baraccopoli urbane utilizzando immagini satellitari. Il progetto è il risultato di una collaborazione interdisciplinare tra il Dipartimento di Informatica e il Dipartimento di Gestione della Tecnologia del KAIST, guidati rispettivamente dalla professoressa Mi-Young Cha e dal professor Ji-Hee Kim, con il contributo del professor Jae-Seok Yang del Dipartimento di Geografia della Chonnam National University.
La ricerca ha ricevuto il riconoscimento di Best Paper Award nella categoria “Social Impact AI” alla conferenza internazionale AAAI Conference on Artificial Intelligence 2026, uno degli appuntamenti più importanti a livello mondiale nel campo dell’intelligenza artificiale. Il premio assume un particolare rilievo considerando che solo due articoli sono stati selezionati per questa categoria tra i 639 lavori presentati alla conferenza. Il riconoscimento sottolinea l’importanza della ricerca nel campo dell’AI applicata ai problemi sociali e allo sviluppo urbano nei paesi con risorse limitate.
Il rilevamento delle baraccopoli attraverso immagini satellitari rappresenta una sfida complessa per i sistemi di analisi automatica. Le baraccopoli, o insediamenti informali, si caratterizzano per una grande variabilità nella forma urbana, nella densità degli edifici e nei materiali utilizzati per le costruzioni. Queste differenze diventano ancora più evidenti quando si confrontano città situate in regioni diverse del mondo. Per questo motivo i modelli di intelligenza artificiale addestrati su un determinato contesto urbano tendono spesso a perdere precisione quando vengono applicati a nuove città o a nuove regioni geografiche.
Il problema è aggravato dal fatto che molti paesi in via di sviluppo non dispongono di dataset accurati che identifichino in modo preciso le aree di insediamento informale. L’assenza di dati affidabili rende difficile addestrare sistemi di intelligenza artificiale capaci di riconoscere automaticamente questi contesti urbani. Nei metodi tradizionali di machine learning, infatti, l’addestramento dei modelli richiede grandi quantità di dati annotati manualmente, una risorsa spesso costosa e difficile da ottenere nelle aree più vulnerabili del pianeta.
Per affrontare questa difficoltà, il team di ricerca ha sviluppato una nuova architettura basata sul concetto di Mixture of Experts (MoE), una tecnica di apprendimento automatico in cui diversi modelli specializzati lavorano insieme per analizzare i dati. In questo approccio, ogni modello è addestrato a riconoscere caratteristiche specifiche associate a determinate regioni o tipologie urbane. Quando il sistema riceve immagini provenienti da una nuova città, un meccanismo di selezione interno determina automaticamente quale modello o combinazione di modelli sia più adatto per analizzare quel contesto.
Questo tipo di architettura consente all’intelligenza artificiale di adattarsi meglio alle differenze tra città e regioni geografiche, migliorando la capacità di identificare gli insediamenti informali anche in contesti in cui i dati disponibili sono limitati. Tuttavia, il vero elemento innovativo della ricerca riguarda l’integrazione di una tecnica nota come Test-Time Adaptation (TTA).
La Test-Time Adaptation è una metodologia che permette ai modelli di intelligenza artificiale di adattarsi ai dati durante la fase di utilizzo, senza richiedere ulteriori interventi umani. In pratica, quando il sistema analizza immagini satellitari di una città mai vista prima, confronta le previsioni generate dai diversi modelli esperti e identifica le aree in cui le predizioni risultano più coerenti tra loro. Le informazioni condivise tra i modelli vengono utilizzate per rafforzare le previsioni più affidabili e ridurre gli errori.
Questo processo di verifica incrociata tra modelli consente al sistema di mantenere prestazioni elevate anche in assenza di dati di addestramento specifici per la nuova area geografica. L’approccio è particolarmente utile per l’analisi di contesti urbani nei paesi in via di sviluppo, dove spesso non esistono mappe aggiornate o dataset dettagliati sulle condizioni degli insediamenti urbani.
Per verificare l’efficacia della tecnologia, i ricercatori hanno applicato il sistema a immagini satellitari di alcune grandi città africane, tra cui Kampala in Uganda e Maputo in Mozambico. I risultati hanno dimostrato che il modello sviluppato dal team è in grado di identificare le baraccopoli con una precisione superiore rispetto alle tecnologie precedenti. La combinazione tra architettura MoE e adattamento dinamico durante la fase di inferenza ha permesso di ridurre significativamente gli errori di classificazione nelle aree urbane caratterizzate da grande variabilità strutturale.
L’utilizzo di immagini satellitari per l’analisi delle città rappresenta un settore di ricerca in forte crescita, in particolare grazie alla diffusione di piattaforme di osservazione della Terra che producono enormi quantità di dati geospaziali ad alta risoluzione. L’integrazione tra queste immagini e i sistemi di intelligenza artificiale consente di analizzare la crescita urbana, monitorare i cambiamenti territoriali e individuare rapidamente situazioni di vulnerabilità sociale o ambientale.
Nel caso specifico del rilevamento delle baraccopoli, queste tecnologie possono avere un impatto significativo sulla pianificazione urbana e sulle politiche pubbliche. Le informazioni generate dall’intelligenza artificiale possono infatti supportare governi e organizzazioni internazionali nell’identificazione delle aree che necessitano di interventi prioritari. Questo tipo di analisi può contribuire alla progettazione di infrastrutture urbane, alla pianificazione dei servizi pubblici e alla gestione dei rischi legati a disastri naturali o epidemie.
Tra le possibili applicazioni future della tecnologia sviluppata dal team di KAIST vi sono l’elaborazione di strategie per l’espansione delle infrastrutture nei paesi in via di sviluppo, l’identificazione preliminare delle aree più vulnerabili a eventi estremi e la selezione delle zone prioritarie per progetti di miglioramento delle condizioni abitative. Inoltre, il sistema potrebbe essere utilizzato per monitorare i progressi verso il raggiungimento degli United Nations Sustainable Development Goals, in particolare quelli legati allo sviluppo urbano sostenibile e alla riduzione delle disuguaglianze.
Secondo la professoressa Mi-Young Cha del KAIST, la ricerca dimostra come l’intelligenza artificiale possa essere utilizzata non solo per l’analisi dei dati, ma anche per affrontare problemi sociali concreti in contesti in cui le informazioni disponibili sono limitate. Il professor Ji-Hee Kim ha inoltre sottolineato che sistemi di questo tipo potrebbero affiancare e in parte sostituire le costose indagini sul campo, permettendo alle istituzioni di destinare in modo più efficiente le risorse alle aree che ne hanno maggiormente bisogno.