{"id":89098,"date":"2026-08-22T10:24:04","date_gmt":"2026-08-22T08:24:04","guid":{"rendered":"https:\/\/www.liberopensare.com\/?p=89098"},"modified":"2026-08-22T10:26:11","modified_gmt":"2026-08-22T08:26:11","slug":"riconoscimento-facciale-lincertezza-dellintelligenza-artificiale-travestita-da-prova","status":"publish","type":"post","link":"https:\/\/www.liberopensare.com\/en\/riconoscimento-facciale-lincertezza-dellintelligenza-artificiale-travestita-da-prova\/","title":{"rendered":"Riconoscimento facciale: l\u2019Incertezza dell\u2019Intelligenza Artificiale travestita da Prova"},"content":{"rendered":"
\n
di Marcello Rossini\u00a0<\/em><\/pre>\n
<\/div>\n
Quando si parla di riconoscimento basato su telecamere e intelligenza artificiale, l’idea che circola nell’opinione pubblica \u00e8 spesso semplice: si guarda una persona, la si confronta con la foto di un sospetto, e si ottiene una risposta netta: “\u00e8 lui”. Nella pratica, per\u00f2, l’identificazione individuale resta uno dei compiti pi\u00f9 delicati che si possano chiedere a un sistema di tracciatura facciale. In contesti reali – come una stazione, una strada, un evento affollato, una telecamera privata – la probabilit\u00e0 di errore non \u00e8 affatto marginale: cresce rapidamente ogni volta che il sistema deve lavorare con immagini imperfette, non controllate, non standardizzate.<\/div>\n
<\/div>\n
Per capire meglio, vale la pena entrare nel dettaglio delle variabili che determinano l’errore.\u00a0 Ci basiamo su analisi scientifiche, non su supposizioni giornalistiche.<\/div>\n
Il punto di partenza \u00e8 che un algoritmo pu\u00f2 funzionare solo se l’informazione visiva necessaria \u00e8 presente e leggibile. In scenari reali, le telecamere private producono spesso video con risoluzione effettiva insufficiente, dove il volto occupa appena qualche pixel, con compressione elevata che genera artefatti capaci di somigliare a dettagli reali o di cancellarli del tutto, con bit-rate (velocit\u00e0 di trasmissione) variabile che fa cambiare il livello di dettaglio a seconda della scena, con sfocature da movimento che alterano la forma percepita dei tratti, e con rumore digitale nelle condizioni di scarsa illuminazione. Da un punto di vista tecnico, questo non \u00e8 semplice \u201crumore di fondo\u201d: \u00e8 proprio la riduzione della qualit\u00e0 delle feature o caratteristiche usate dal modello, che si tratti di\u00a0incorporazioni\u00a0facciali o di altre rappresentazioni latenti. Se queste\u00a0caratteristiche\u00a0sono instabili da un fotogramma all’altro, il sistema diventa incapace di produrre un confronto affidabile.<\/div>\n
\n
\"\"
ACQUISTALO QUI CON IL 5% DI SCONTO!<\/strong><\/span><\/a><\/figcaption><\/figure>\n
Anche l’illuminazione gioca un ruolo decisivo, perch\u00e9 l’identificazione facciale dipende dalla coerenza con cui la struttura del volto viene osservata nel tempo. Un semplice cambio di luce pu\u00f2 trasformare in modo significativo i contrasti – l’ombra sotto il naso, il mento, le guance – cos\u00ec come l’esposizione, che pu\u00f2 bruciare il volto o renderlo troppo scuro, la temperatura del colore, che luci calde o fredde alterano sensibilmente, il\u00a0tremolio\u00a0delle luci a\u00a0led, e i riflessi su lenti, superfici lucide o vetrate. Il modello non corregge magicamente queste variazioni: possono far divergere la rappresentazione del volto osservato dal template estratto dalla foto del sospetto, soprattutto quando quest’ultima \u00e8 pi\u00f9 nitida, frontale e illuminata diversamente.<\/p>\n<\/div>\n
Quindi\u00a0la geometria conta, e non come semplice dettaglio estetico: distanza e prospettiva sono causa diretta di variazione nell’aspetto di un volto. Pi\u00f9 la distanza aumenta, meno dettagli restano disponibili, e pi\u00f9 i volti di persone diverse tendono a somigliarsi tra loro. I profili e le angolazioni oblique modificano forma e visibilit\u00e0 di zone chiave come gli occhi o la linea della mandibola. Le inquadrature dall’alto o di lato introducono distorsioni prospettiche che alterano i rapporti tra i punti del viso, mentre il grandangolo (frequente nelle riprese da balconi o pali) deforma proporzioni e contorni. Se la foto del sospetto e il volto ripreso dal video non sono comparabili sul piano della posa e della geometria, l’algoritmo lavora in condizioni asimmetriche, e il suo output tende a diventare progressivamente meno interpretabile.<\/div>\n
<\/div>\n
Le occlusioni rappresentano un’altra fonte primaria di errore, specie in inverno o in contesti affollati. Sciarpe e colli alti alterano la regione sotto il naso e la linea di bocca e mento; cappucci e berretti nascondono i contorni superiori del volto riducendo la stabilit\u00e0 dei punti di riferimento; gli occhiali introducono riflessi e variazioni di contrasto sulla zona oculare; le mascherine, quando presenti, ne riducono la parte inferiore. Tecnicamente, ogni occlusione aumenta l’ambiguit\u00e0 delle feature disponibili: il modello vede solo una parte del volto e ricostruisce correlazioni a partire da informazioni incomplete, con un conseguente aumento della probabilit\u00e0 di falsi abbinamenti.<\/div>\n
Quando l’analisi collega pi\u00f9 fotogrammi tra loro entrano in gioco anche il rilevamento del soggetto in ogni singolo frame, il tracking necessario per mantenere la continuit\u00e0 della stessa persona nel tempo, e l’aggancio tra telecamere diverse, spesso non sincronizzate e con differenze di timing. In una folla, o in un evento dinamico, il\u00a0tracciamento\u00a0\u00e8 soggetto a rotture (la traiettoria si interrompe perch\u00e9 il volto sparisce dietro altre persone)\u00a0\u00a0a errori di ri-identificazione, quando il sistema riaggancia la traccia a una persona diversa ma simile, e a scambi di traiettoria negli incroci o nei sorpassi. Questi errori, generati a monte, possono rendere il confronto finale coerente solo all’interno di una ricostruzione gi\u00e0 sbagliata in partenza.<\/div>\n
C’\u00e8 poi il problema della variabilit\u00e0 tra telecamere private diverse, che non garantiscono alcuna uniformit\u00e0 di frame rate, angolo, risoluzione, compressione, esposizione o qualit\u00e0 ottica: non si tratta di un\u00a0set si dati\u00a0omogeneo, ma di un vero mosaico. Un sistema che debba attribuire un’identit\u00e0 deve superare queste differenze tra i vari dati, e se una telecamera restituisce un volto leggibile mentre un’altra no, il confronto finisce per dipendere quasi interamente dal \u201cmiglior segnale\u201d disponibile. Ma quando quel segnale migliore \u00e8 occasionale, basta un solo attimo di visibilit\u00e0 pi\u00f9 nitida che il processo rischia di basarsi su informazione non rappresentativa dell’insieme.<\/div>\n
<\/div>\n
Un aspetto spesso sottovalutato \u00e8 di natura metodologica, riguarda il modo in cui vengono scelti i fotogrammi da confrontare. Selezionare solo le immagini in cui \u201csembra si veda meglio\u201d introduce un\u00a0pregiudizio\u00a0evidente. Se i frame migliori sono rarissimi, il confronto rischia di trasformarsi in una vera e propria caccia; e se la selezione avviene sapendo gi\u00e0 cosa si sta cercando, anche in modo inconsapevole, il rischio di conferma cresce ulteriormente. Un confronto solido dovrebbe invece basarsi su procedure ripetibili e criteri predefiniti, come ad esempio l’estrazione automatica di tutti i segmenti in cui il volto \u00e8 visibile sopra una soglia oggettiva, e non su scelte di convenienza.<\/div>\n
Molti sistemi restituiscono, insieme al risultato, un punteggio di confidenza. Il problema \u00e8 che questa confidenza dipende da taratura e soglie interne al sistema: soglie troppo permissive aumentano i falsi positivi, soglie troppo severe aumentano i falsi negativi, e in contesti reali la calibrazione teorica pu\u00f2 semplicemente non reggere. Se in atti o report il cui risultato viene presentato come una certezza, cio\u00e8 \u201cidentificato\u201d, in realt\u00e0 si tratta di un punteggio con margini di errore e una forte dipendenza dalla qualit\u00e0 dei dati. Il rischio concreto \u00e8 quello di sovrastimare l’affidabilit\u00e0 del sistema.<\/div>\n
Un’analisi rigorosa dovrebbe inoltre includere, almeno a livello concettuale, una quantificazione dell’incertezza che vada oltre il semplice s\u00ec o no, una descrizione di come la performance cambi al variare di occlusioni, luce e distanza, e una verifica su casi comparabili, con telecamere e condizioni simili. Se invece la prova si riduce a un\u00a0 a una sfida senza alcun confronto con le distribuzioni di errore note, il sistema confonde persone diverse e l’output resta, in termini statistici, sostanzialmente nudo.<\/div>\n
<\/div>\n
Un altro elemento spesso decisivo, soprattutto in sede di dibattimento processuale se si accusa un soggetto, \u00e8 la riproducibilit\u00e0 dell’intero processo tecnico che porta alla colpevolezza. Quali file originali sono stati usati? Sono stati convertiti o compressi? Sono stati effettuati ritagli, e secondo quali regole? Chi ha condotto l’analisi, e con quali parametri? Un altro esperto sarebbe in grado di replicare lo stesso flusso di lavoro e arrivare a risultati comparabili? Un sistema pu\u00f2 apparire preciso, ma se il processo non \u00e8 ricostruibile, o se i passaggi di preprocessing non sono trasparenti, la sua affidabilit\u00e0 complessiva crolla.<\/div>\n
Va infine considerato il pregiudizio operativo: anche in assenza di qualsiasi malafede, la conferma pu\u00f2 insinuarsi nel processo quando l’analista conosce gi\u00e0, o sospetta, chi dovrebbe essere la persona cercata, quando un segnale ambiguo viene interpretato come conferma, o quando i fotogrammi coerenti vengono involontariamente enfatizzati. Per contenere questo rischio servirebbero procedure o verifiche indipendenti: in loro assenza, l’intelligenza artificiale rischia di amplificare l’errore umano, trasformando semplici dubbi in output presentati come assertivi.<\/div>\n
<\/div>\n
Dal volto al numero: dove l’algoritmo sbaglia davvero<\/strong><\/h2>\n
Un algoritmo di riconoscimento facciale non\u00a0guarda\u00a0un volto come farebbe un occhio umano: lo scompone in fasi. Prima lo individua nell’immagine, poi ne allinea i tratti secondo punti di riferimento fissi (occhi, naso, bocca) infine lo traduce in un vettore numerico che ne rappresenta le caratteristiche, confrontato matematicamente con quello di un’altra foto. Ogni fase eredita gli errori di quella precedente, in un effetto a cascata che nessun passaggio successivo pu\u00f2 correggere.<\/div>\n
<\/div>\n
\n
\"\"
ACQUISTALO QUI CON IL 5% DI SCONTO<\/strong><\/span><\/a><\/figcaption><\/figure>\n
\u00c8 qui che il sistema mostra i suoi limiti pi\u00f9 concreti.<\/p>\n<\/div>\n
Un dimagrimento marcato altera zigomi e mascella; una variazione del colorito della pelle, dovuta a farmaci o a una condizione medica, cambia i contrasti che l’algoritmo usa per orientarsi. Una sciarpa fino alle labbra e un paio di occhiali coprono proprio le zone pi\u00f9 discriminanti del volto, riducendo l’analisi a una frazione insufficiente di dati. Una ferita recente o un gonfiore asimmetrico, come quello causato da un ascesso dentale, deformano la geometria del viso rompendone la simmetria naturale. Persino un gesto quotidiano come masticare, se ripreso nell’istante sbagliato, pu\u00f2 bastare a produrre un fotogramma inutilizzabile.<\/div>\n
In tutti questi casi l’algoritmo non riconosce la causa dell’alterazione: restituisce solo un numero, una distanza tra due immagini, presentata con la stessa apparente certezza indipendentemente dalla qualit\u00e0 reale del dato di partenza.<\/div>\n
La maggior parte dei sistemi di riconoscimento \u00e8 addestrata prevalentemente su volti in espressione neutra o comunque controllata, \u00e8 lo standard delle foto segnaletiche e dei documenti d’identit\u00e0. Un volto con un’espressione emotiva marcata si discosta da questo standard, e la letteratura tecnica lo conferma: l’espressione facciale \u00e8 uno dei fattori di variabilit\u00e0 intra-persona pi\u00f9 documentati, insieme a illuminazione, posa del soggetto ed et\u00e0. Alcuni algoritmi pi\u00f9 recenti cercano di essere \u201cespressione-invarianti\u201d, ma nessuno lo \u00e8 completamente, perch\u00e9 alcune deformazioni muscolari alterano proprio i punti che il sistema usa per orientarsi, nel corpo umano abbiamo circa 36 muscoli facciali principali, chiamati anche muscoli mimici.<\/div>\n
Un volto \u201cprovato\u201d, magari dopo giorni di stress, poco sonno, tensione emotiva prolungata, non mostra solo un’espressione momentanea, ma un insieme di micro-alterazioni pi\u00f9 stabili: tono muscolare ridotto, gonfiore o incavo diverso attorno agli occhi, pelle meno elastica. \u00c8 un fattore meno drastico di un’occlusione totale o di un dimagrimento importante, ma si somma agli altri elementi di variabilit\u00e0 di cui abbiamo parlato, contribuendo\u00a0 ancora una volta\u00a0 ad aumentare la distanza numerica tra il volto osservato in quel momento e il template di riferimento scattato in condizioni diverse, magari in un momento di serenit\u00e0 e neutralit\u00e0 emotiva.<\/div>\n
Anche lo stato emotivo, dunque, lascia una traccia misurabile nella geometria del volto, e l’algoritmo la registra come se fosse un dato strutturale, senza alcuna capacit\u00e0 di distinguere una tristezza temporanea da un tratto fisico permanente.<\/div>\n
<\/div>\n
Perch\u00e9 l’AI non pu\u00f2 determinare in modo affidabile se si tratti di Andrea o di un’altra persona?<\/strong><\/h2>\n
Anche quando un algoritmo produce un risultato, questo non significa che la decisione sia intrinsecamente affidabile.<\/div>\n
<\/div>\n
Cambiano la luce, la risoluzione, l’angolo, le occlusioni, la qualit\u00e0 delle immagini; si aggiungono la folla, un tracciamento spesso instabile e una selezione dei fotogrammi che raramente \u00e8 davvero neutra. L’output finale, dunque, tende a essere una valutazione probabilistica costruita su segnali imperfetti, non una prova deterministica.<\/div>\n
<\/div>\n
In altre parole: l’intelligenza artificiale pu\u00f2 apparire convincente, ma non \u00e8 in grado di stabilire con affidabilit\u00e0 se il soggetto ripreso sia davvero Andrea o un’altra persona, quando le condizioni visive non sono controllate e la procedura non quantifica n\u00e9 gestisce l’incertezza che porta con s\u00e9.<\/div>\n
Il riconoscimento facciale, fa pi\u00f9 presa nei film d\u2019Intelligence: nella realt\u00e0, un algoritmo pu\u00f2 creare soggetti o criminali che non lo sono.<\/div>\n<\/div>\n
<\/div>\n
<\/div>\n
\n
<\/div>\n
\n
\n
Marcello Rossini MCIJ Scrittore, Giornalista ghostwriter & Spin Doctor<\/span><\/div>\n
Member of the Chartered Institute Journalists
\nProfessional Association for\u00a0<\/em>
\nJournalists London UK\u00a0<\/em><\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"
di Marcello Rossini\u00a0 Quando si parla di riconoscimento basato su telecamere e intelligenza artificiale, l’idea che circola nell’opinione pubblica \u00e8 spesso semplice: si guarda una persona, la si confronta con la foto di un sospetto, e si ottiene una risposta netta: “\u00e8 lui”. Nella pratica, per\u00f2, l’identificazione individuale resta uno dei compiti pi\u00f9 delicati che […]<\/p>\n","protected":false},"author":2,"featured_media":89099,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5166,903],"tags":[1048,7500,7347,7672,7671],"class_list":["post-89098","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-cultura-e-scienza","category-rassegna","tag-boxgranderassegna","tag-ia","tag-marcello-rossini","tag-riconoscimento-facciale","tag-societa-del-controllo"],"_links":{"self":[{"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/posts\/89098","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/comments?post=89098"}],"version-history":[{"count":5,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/posts\/89098\/revisions"}],"predecessor-version":[{"id":89201,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/posts\/89098\/revisions\/89201"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/media\/89099"}],"wp:attachment":[{"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/media?parent=89098"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/categories?post=89098"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.liberopensare.com\/en\/wp-json\/wp\/v2\/tags?post=89098"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}