Ho creato un'IA per recuperare la plastica nera che i riciclatori buttano via. Il classificatore era la parte facile.
Il nerofumo assorbe lungo l'intero vicino infrarosso, perciò una vaschetta nera in polipropilene che scorre su un nastro trasportatore nero rappresenta un vuoto a segnale zero per qualsiasi selezionatrice ottica NIR sul mercato, dalla classe di macchine TOMRA Autosort, Machinex e Pellenc che gestisce le linee di riciclaggio di tutto il mondo. La selezionatrice non è minimamente in grado di vedere l'oggetto, che finisce quindi tra gli scarti e poi in discarica. A seconda del flusso, dal 3 al 15 percento dei rifiuti è costituito da plastica nera persa esattamente in questo modo, e in un impianto da 50.000 tonnellate all'anno con il 5 percento di materiale nero ciò equivale a circa 2.500 tonnellate all'anno di materiale recuperabile: un'opportunità nell'ordine di 2,2-2,7 milioni di euro all'anno (ricerca WP45, 2026). Ho trascorso gran parte di questo sviluppo presumendo che il problema interessante fosse rendere visibile quella plastica. Lo è stato, per circa una settimana. Poi si è presentato il vero problema, e non riguardava affatto il modello.
La demo che ho creato si chiama Assay ed è disponibile su https://veriprajna.com/demos/materials-recovery-ai. Vorrei precisare cosa ci sia di reale prima di dire qualsiasi altra cosa, poiché ogni demo in questo campo è tentata di sfumare i confini. Gli spettri sono sintetici, generati da un emulatore basato su modelli fisici al posto di un sensore Specim FX50, e l'espulsore pneumatico è uno stub registrato nei log. Ciò che è reale sono il classificatore, i gate, il controllo delle policy e i numeri di valutazione. Ho realizzato deliberatamente la parte sintetica, perché il caso che determina se una balla venga venduta è quello ambiguo, contaminato, con presenza di PVC nel flusso, che un'acquisizione pulita di laboratorio non ti presenta quasi mai.
La settimana che ho trascorso cercando di vincere la gara sbagliata
Ho avviato questo progetto come credo farebbe la maggior parte delle persone, trattandolo come una gara di accuratezza. L'inquadramento che tutti applicano al recupero della plastica nera è un numero: portare il classificatore dallo zero della cecità al NIR fino al valore sbandierato di laboratorio di quasi il 99 percento, e si sarà risolto il punto cieco del riciclaggio. Così ho implementato prima la fisica di rilevamento. Il nerofumo attenua il segnale nel medio infrarosso, ma non lo cancella, e questo dislivello rappresenta l'intera opportunità. Nella banda MWIR, da 2,7 a 5,3 micrometri, ogni polimero lascia ancora un'impronta diagnostica: il doppietto carbonio-idrogeno alifatico per PP e PE, l'anello aromatico per PS, lo stiramento del nitrile per ABS, la caratteristica adiacente al cloro per PVC. Ho scritto a mano una piccola rete neurale convoluzionale 1D in numpy, tre strati di convoluzione seguiti da pooling, due strati densi e un softmax su PP, PE, PS, ABS e PVC, con forward e backprop reali, ottimizzatore Adam e una fase di calibrazione della temperatura; viene eseguita come semplice codice numerico in un hot path di circa 5 millisecondi. Nessun modello linguistico di grandi dimensioni decide nulla qui. È aritmetica leggibile.
Ed è funzionata, a un livello onesto. Su un flusso di prova separato più gravoso di 1.700 oggetti, deliberatamente più sporco di quello su cui ho addestrato il modello, raggiunge un'accuratezza bilanciata di 0,894, posizionandosi subito accanto al benchmark sul campo sottoposto a peer review dell'83,4 percento per la classificazione MWIR su rifiuti reali (Resources, Conservation & Recycling, gennaio 2026), con sotto di essa una regola interpretabile del rapporto di picco a 0,668, così che la rete non si dia i voti da sola. È un buon numero su una distribuzione difficile. Non è il 99 percento del laboratorio, e ho deciso presto che non avrei mai finto che lo fosse.
Ecco cosa mi ha bloccato. Mi sono trovato davanti a quel 0,894 e mi sono chiesto cosa se ne farebbe un impianto, e la risposta è stata: nulla. Un impianto di recupero materiali non acquista mai il numero di accuratezza. L'unica cosa che paga è una balla conforme alle specifiche.
Il comando che ha riorganizzato l'intero progetto
Il momento di svolta dello sviluppo è stato un interruttore che ho aggiunto quasi come un ripensamento. Le specifiche APR Model Bale Spec per il polipropilene riciclato di Grado A sono concrete e intransigenti: almeno il 97 percento di PP e non più dello 0,5 percento di PVC. Una balla non a norma significa un carico respinto, una tariffa di reindirizzamento in discarica e un riciclatore a valle che ora si fida meno di te. Ho quindi collegato un unico comando sul cruscotto, un gate di confidenza che si può attivare o disattivare, e ho eseguito lo stesso identico modello sullo stesso flusso in entrambe le modalità per vedere quanto valesse il solo gate.
Con il gate attivo, gli oggetti a bassa confidenza — i laminati multistrato e i frammenti contaminati i cui spettri non corrispondono a nessun singolo polimero — vengono trattenuti per il controllo qualità manuale a una soglia softmax di 0,86 invece di essere assegnati a caso alla balla, e qualsiasi oggetto sospetto di contenere PVC al di sopra di una soglia volutamente bassa viene scartato categoricamente all'istante. Sul seed 11 della demo quella balla con gate misura il 99,2 percento di PP con zero tracce di PVC sfuggite, e il certificato recita PASS, APR Grade A.
Poi ho disattivato lo stesso comando, in modo che il classificatore scelga semplicemente la sua ipotesi migliore su ogni oggetto, un naive argmax senza trattenere nulla. Stesso flusso. Stessi pesi. La balla ora riporta il 94,2 percento di PP con l'1,94 percento di PVC, e il certificato passa a respinto, oltre il limite dello 0,5 percento di PVC che definisce il grado.
Avevo sviluppato un classificatore. Ciò che stavo osservando era la prova che il classificatore non è mai stato ciò che rendeva vendibile una balla. Lo erano l'astensione, lo scarto categorico del PVC e il controllo deterministico delle policy. Il modello non è cambiato tra quelle due schermate. È cambiata l'infrastruttura di garanzia attorno ad esso, e questa è stata la differenza tra una balla di Grado A certificabile e un carico di macinato contaminato.
Perché ho reso il PVC una decisione asimmetrica
Ho trattato il PVC diversamente da tutto il resto intenzionalmente, e vale la pena essere chiari sul ragionamento. Un falso negativo per il PVC in una balla di PP non è un errore secondario: è un contaminante a base di cloro in grado di degradare un'intera fusione a valle. Pertanto il gate non soppesa il PVC simmetricamente rispetto alle altre classi. Qualsiasi oggetto segnalato dalla rete anche solo come debolmente sospetto di essere PVC viene scartato categoricamente come rischio cloro, il che significa accettare di gettare via del PP autentico pur di garantire che il PVC non si inserisca nella balla. Questo è un costo, e volevo che la demo lo mostrasse apertamente anziché nasconderlo. Su una valutazione di 60 balle con gate calibrato, il sistema instrada circa il 12,6 percento degli oggetti al controllo qualità manuale e intercetta circa il 99,8 percento del PVC, con una sola fuga di PVC su tutte le 60 balle, recuperando al contempo circa il 71,2 percento del flusso di PP. Destina più materiale a un operatore umano rispetto a un sistema ingenuo e ne recupera meno di quanto farebbe un sistema perfetto, dichiarandolo senza mezzi termini. Un sistema di recupero che esagera la propria purezza ha già fallito nell'unico compito per cui esiste.
La trappola di tutta questa idea è che astenersi sembra una debolezza. Quando mostro agli ingegneri il cumulo del controllo qualità manuale, la reazione istintiva è chiedere perché non sposti la soglia per recuperare di più. Perché ciò che viene deciso su una linea di selezione non è quanto sia accurata l'ipotesi media. È se una bomba al cloro entri o meno in una balla di Grado A, e non si vuole un modello stocastico a prendere questa decisione. Si vuole una regola che il modello non possa scavalcare.
Il numero che ho scelto di mettere sul tabellone
Ho fatto una scelta sul numero del tabellone che mi è costato qualcosa mantenere. 0,894 è il numero reale su un flusso di test sporco e separato. Quasi il 99 percento è il numero che vende, quello derivante da una scansione pulita di laboratorio con Specim, e avrei potuto citarlo lasciando che la gente traesse conclusioni affrettate. Ho invece integrato il pannello di benchmark nella demo, posizionando il nostro 0,894 proprio accanto alla baseline interpretabile di 0,668 e alla cifra dell'83,4 percento convalidata da studi sul campo (peer-reviewed), affinché chiunque possa constatare esattamente dove ci troviamo e verificare che non stiamo rivendicando il limite ideale di laboratorio.
Il pannello riporta il numero che conta davvero, e non si tratta dell'accuratezza. Su 40 balle casuali di flusso gravoso, la balla con gate rispetta il Grado A APR circa l'85 percento delle volte, mentre quella senza gate lo raggiunge solo circa il 22,5 percento delle volte. Si leggano attentamente questi due elementi di prova, perché rappresentano misurazioni differenti e le mantengo separate di proposito: il confronto 99,2 contro 94,2 riguarda una singola balla specifica sul seed 11 della demo, mentre 85 contro 22,5 è il dato aggregato su 40 balle casuali. La singola balla è la versione tangibile, il dato aggregato è la versione onesta, e la narrazione regge solo perché entrambi puntano nella medesima direzione. Un modello a 0,894 si traduce in una balla che supera la prova nella maggior parte dei casi o in una balla che fallisce quasi sempre, a seconda esclusivamente del fatto che il gate sia inserito nel circuito.
Cosa ho smesso di proporre come upsell
Ho strutturato la parte computazionale in modo che argomentasse contro la mia stessa fattura, e ciò mi ha sorpreso più di quanto avrebbe dovuto. I calcoli sulla latenza sono semplici: lo spostamento del getto d'aria è pari alla velocità del nastro moltiplicata per la latenza tra rilevamento e azionamento, e l'architettura è idonea solo quando tale getto copre non più di circa quattro passi degli ugelli espulsori, un'ampiezza sufficientemente ridotta da preservare la purezza. Ai 3,0 metri al secondo dell'impianto, una GPU edge ottimizzata (un Jetson AGX Orin con TensorRT a 14 millisecondi) produce un getto d'aria di 42 millimetri che copre circa 3,4 passi dell'ugello, perfettamente entro la finestra utile. Il motore di calcolo raccomanda pertanto la GPU e afferma chiaramente che un FPGA non è giustificato a questa velocità del nastro, consentendo di risparmiare circa 32.000 euro e 20 settimane di lavoro ingegneristico. Spingendo il nastro oltre circa 3,6 metri al secondo, il getto della GPU supera la linea dei quattro ugelli, e solo a quel punto il sistema passa a consigliare un FPGA. Viene raccomandato l'hardware più economico ogniqualvolta la fisica lo consenta, benché l'FPGA rappresenti un costo superiore. Non volevo una demo che spingesse ogni acquirente verso la soluzione più onerosa, perciò ho reso il suggerimento più economico il comportamento predefinito, illustrando le motivazioni sullo schermo.
La parte che sopravvive a un modello migliore
Non ho costruito una selezionatrice, e desidero essere cauto su questo aspetto, perché è facile interpretare queste affermazioni come la volontà di sostituire TOMRA, Steinert o Machinex. Si tratterebbe di un'interpretazione errata. Assay si colloca a valle della selezione primaria NIR come stazione su nastro secondario indipendente dal fornitore, esaminando i residui ad alto contenuto di plastica nera che quella selezione ha già scartato, senza interferire con la macchina a monte. Il valore aggiunto offerto non è un numero che perde rilevanza con il miglioramento dei modelli. Ogni balla è accompagnata da un certificato firmato, provvisto di hash sha256, che ne dichiara la composizione misurata, ogni clausola APR convalidata con esito positivo o negativo, l'hash del modello, i conteggi di astensione e di scarto, e il tonnellaggio recuperato. Tale ricevuta è il documento che un impianto può archiviare.
Questo assume oggi un'importanza maggiore rispetto a cinque anni fa, per una specifica ragione normativa. Man mano che il regolamento PPWR dell'UE (Regolamento 2025/40), la legge SB 54 della California e il framework RecyClass si affermano, gli imballaggi contenenti nerofumo vengono considerati riciclabili solo ove nell'impianto esista effettivamente una selezione abilitata all'MWIR (ricerca WP45, 2026). Non si tratta di una rivendicazione di conformità legale relativa a questa demo: il certificato costituisce una prova di purezza archiviabile, non un marchio di omologazione. È il contesto che illustra come il quadro stia cambiando. In questo scenario, l'impianto vincente è quello in grado di esibire a un revisore una ricevuta archiviabile per ogni balla spedita, non quello con il benchmark più elevato in una presentazione. La fiducia su una linea di selezione deve essere deterministica, e la componente deterministica è esattamente la parte che non risiede all'interno del classificatore.
E se preferite osservare un buon modello produrre una balla non a norma anziché leggermi mentre lo descrivo, ecco l'intero sistema in esecuzione dall'inizio alla fine.
Se volete vedere un buon modello produrre una balla non conforme, per poi azionare un comando e vederlo generarne una valida, la demo è disponibile su https://veriprajna.com/demos/materials-recovery-ai, eseguendo lo stesso flusso in entrambe le modalità in modo che il gate sia l'unica cosa a cambiare. Ho iniziato questo lavoro ritenendo che la vera difficoltà fosse vedere la plastica nera. Per vederla sono serviti una settimana di spettroscopia e una piccola rete. Dimostrare che ciò che recuperavo fosse realmente pulito, ed essere disposti ad astenersi, scartare e segnalare apertamente i fallimenti quando non lo era, ha richiesto tutto il resto.
