di Marcello Rossini 

Quando si parla di riconoscimento basato su telecamere e intelligenza artificiale, l’idea che circola nell’opinione pubblica è spesso semplice: si guarda una persona, la si confronta con la foto di un sospetto, e si ottiene una risposta netta: “è lui”. Nella pratica, però, l’identificazione individuale resta uno dei compiti più 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 probabilità di errore non è affatto marginale: cresce rapidamente ogni volta che il sistema deve lavorare con immagini imperfette, non controllate, non standardizzate.

Per capire meglio, vale la pena entrare nel dettaglio delle variabili che determinano l’errore.  Ci basiamo su analisi scientifiche, non su supposizioni giornalistiche.

Il punto di partenza è che un algoritmo può funzionare solo se l’informazione visiva necessaria è 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 (velocità 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 è semplice “rumore di fondo”: è proprio la riduzione della qualità delle feature o caratteristiche usate dal modello, che si tratti di incorporazioni facciali o di altre rappresentazioni latenti. Se queste caratteristiche sono instabili da un fotogramma all’altro, il sistema diventa incapace di produrre un confronto affidabile.

Anche l’illuminazione gioca un ruolo decisivo, perché l’identificazione facciale dipende dalla coerenza con cui la struttura del volto viene osservata nel tempo. Un semplice cambio di luce può trasformare in modo significativo i contrasti – l’ombra sotto il naso, il mento, le guance – così come l’esposizione, che può bruciare il volto o renderlo troppo scuro, la temperatura del colore, che luci calde o fredde alterano sensibilmente, il tremolio delle luci a led, 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 è più nitida, frontale e illuminata diversamente.

Quindi la geometria conta, e non come semplice dettaglio estetico: distanza e prospettiva sono causa diretta di variazione nell’aspetto di un volto. Più la distanza aumenta, meno dettagli restano disponibili, e più i volti di persone diverse tendono a somigliarsi tra loro. I profili e le angolazioni oblique modificano forma e visibilità 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.

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 stabilità 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’ambiguità delle feature disponibili: il modello vede solo una parte del volto e ricostruisce correlazioni a partire da informazioni incomplete, con un conseguente aumento della probabilità di falsi abbinamenti.

Quando l’analisi collega più fotogrammi tra loro entrano in gioco anche il rilevamento del soggetto in ogni singolo frame, il tracking necessario per mantenere la continuità 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 tracciamento è soggetto a rotture (la traiettoria si interrompe perché il volto sparisce dietro altre persone)  a 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 già sbagliata in partenza.

C’è poi il problema della variabilità tra telecamere private diverse, che non garantiscono alcuna uniformità di frame rate, angolo, risoluzione, compressione, esposizione o qualità ottica: non si tratta di un set si dati omogeneo, ma di un vero mosaico. Un sistema che debba attribuire un’identità 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 “miglior segnale” disponibile. Ma quando quel segnale migliore è occasionale, basta un solo attimo di visibilità più nitida che il processo rischia di basarsi su informazione non rappresentativa dell’insieme.

Un aspetto spesso sottovalutato è di natura metodologica, riguarda il modo in cui vengono scelti i fotogrammi da confrontare. Selezionare solo le immagini in cui “sembra si veda meglio” introduce un pregiudizio evidente. Se i frame migliori sono rarissimi, il confronto rischia di trasformarsi in una vera e propria caccia; e se la selezione avviene sapendo già 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 è visibile sopra una soglia oggettiva, e non su scelte di convenienza.

Molti sistemi restituiscono, insieme al risultato, un punteggio di confidenza. Il problema è 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 può semplicemente non reggere. Se in atti o report il cui risultato viene presentato come una certezza, cioè “identificato”, in realtà si tratta di un punteggio con margini di errore e una forte dipendenza dalla qualità dei dati. Il rischio concreto è quello di sovrastimare l’affidabilità del sistema.

Un’analisi rigorosa dovrebbe inoltre includere, almeno a livello concettuale, una quantificazione dell’incertezza che vada oltre il semplice sì 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  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.

Un altro elemento spesso decisivo, soprattutto in sede di dibattimento processuale se si accusa un soggetto, è la riproducibilità 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 può apparire preciso, ma se il processo non è ricostruibile, o se i passaggi di preprocessing non sono trasparenti, la sua affidabilità complessiva crolla.

Va infine considerato il pregiudizio operativo: anche in assenza di qualsiasi malafede, la conferma può insinuarsi nel processo quando l’analista conosce già, 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.

Un algoritmo di riconoscimento facciale non guarda un 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 può correggere.

È qui che il sistema mostra i suoi limiti più concreti.

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 più 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, può bastare a produrre un fotogramma inutilizzabile.

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 qualità reale del dato di partenza.

La maggior parte dei sistemi di riconoscimento è addestrata prevalentemente su volti in espressione neutra o comunque controllata, è lo standard delle foto segnaletiche e dei documenti d’identità. Un volto con un’espressione emotiva marcata si discosta da questo standard, e la letteratura tecnica lo conferma: l’espressione facciale è uno dei fattori di variabilità intra-persona più documentati, insieme a illuminazione, posa del soggetto ed età. Alcuni algoritmi più recenti cercano di essere “espressione-invarianti”, ma nessuno lo è completamente, perché 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.

Un volto “provato”, magari dopo giorni di stress, poco sonno, tensione emotiva prolungata, non mostra solo un’espressione momentanea, ma un insieme di micro-alterazioni più stabili: tono muscolare ridotto, gonfiore o incavo diverso attorno agli occhi, pelle meno elastica. È un fattore meno drastico di un’occlusione totale o di un dimagrimento importante, ma si somma agli altri elementi di variabilità di cui abbiamo parlato, contribuendo  ancora una volta  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 serenità e neutralità emotiva.

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 capacità di distinguere una tristezza temporanea da un tratto fisico permanente.

Anche quando un algoritmo produce un risultato, questo non significa che la decisione sia intrinsecamente affidabile.

Cambiano la luce, la risoluzione, l’angolo, le occlusioni, la qualità delle immagini; si aggiungono la folla, un tracciamento spesso instabile e una selezione dei fotogrammi che raramente è davvero neutra. L’output finale, dunque, tende a essere una valutazione probabilistica costruita su segnali imperfetti, non una prova deterministica.

In altre parole: l’intelligenza artificiale può apparire convincente, ma non è in grado di stabilire con affidabilità se il soggetto ripreso sia davvero Andrea o un’altra persona, quando le condizioni visive non sono controllate e la procedura non quantifica né gestisce l’incertezza che porta con sé.

Il riconoscimento facciale, fa più presa nei film d’Intelligence: nella realtà, un algoritmo può creare soggetti o criminali che non lo sono.

---