L'enigma dei super-recogniser, individui con capacità straordinarie di riconoscimento facciale impiegati dalle forze dell'ordine britanniche per identificare sospetti in casi complessi come gli avvelenamenti con novichok a Salisbury, trova oggi una spiegazione scientifica inedita grazie all'intelligenza artificiale. Un team di ricerca della UNSW Sydney ha utilizzato deep neural networks per analizzare i pattern visivi di questi soggetti, scoprendo che la loro abilità non deriva semplicemente dalla quantità di informazioni raccolte dal volto, ma dalla qualità strategica delle aree osservate. Lo studio, pubblicato su Proceedings of the Royal Society B: Biological Sciences, rappresenta un significativo avanzamento nella comprensione delle basi cognitive del riconoscimento facciale e apre scenari applicativi per sistemi di computer vision e sicurezza.
La metodologia adottata rappresenta un esempio innovativo di integrazione tra neuroscienze cognitive e machine learning. I ricercatori hanno attinto ai dati di eye-tracking raccolti in uno studio precedente che coinvolgeva 37 super-recogniser e 68 individui con capacità di riconoscimento nella norma. Durante quella fase sperimentale, i partecipanti osservavano immagini di volti completi e immagini parzialmente oscurate, con visibilità limitata all'area su cui si focalizzava lo sguardo in tempo reale.
Il passaggio cruciale è avvenuto quando il team ha ricostruito computazionalmente l'"informazione retinica" effettivamente percepita dai partecipanti durante l'osservazione. Questa rappresentazione visiva è stata poi utilizzata come input per deep neural networks addestrate specificamente sul riconoscimento facciale. Il sistema di AI riceveva parallelamente un'immagine completa dello stesso volto o di un volto diverso, generando uno score di similarità tra l'informazione retinica parziale e l'immagine di riferimento.
I risultati hanno rivelato pattern sorprendenti. Mentre le performance dell'AI miglioravano progressivamente con l'aumento della visibilità delle aree osservate per tutti i partecipanti, le reti neurali alimentate con dati provenienti da super-recogniser ottenevano sistematicamente score più elevati rispetto a quelle basate su osservatori tipici, indipendentemente dal livello di visibilità. Come spiega il dottor James Dunn, primo autore dello studio: "Non si tratta solo di guardare ovunque, ma di guardare in modo intelligente".
L'aspetto più rilevante emerge dall'analisi comparativa controllata per la quantità di informazioni. I ricercatori hanno dimostrato che, a parità di estensione dell'area facciale osservata, le deep neural networks raggiungevano performance superiori quando alimentate con pattern visivi dei super-recogniser. Questo dato confuta l'ipotesi che la loro superiorità dipenda esclusivamente da una maggiore copertura del volto. "Il loro vantaggio non riguarda la quantità, ma la qualità", chiarisce Dunn. "Selezionano regioni che contengono più indizi identitari, quindi ogni 'pixel' che scelgono è più prezioso per riconoscere un volto".
Dal punto di vista delle neuroscienze computazionali, lo studio suggerisce che le differenze nelle capacità di riconoscimento facciale hanno origine già nella fase di campionamento visivo attivo, prima ancora dell'elaborazione cognitiva superiore. Questo ribalta parzialmente l'assunzione prevalente che attribuiva la superiorità dei super-recogniser principalmente a processi di memoria e integrazione delle informazioni nelle aree cerebrali deputate al riconoscimento facciale come il fusiform face area.
La dottoressa Rachel Bennetts, esperta di elaborazione facciale presso la Brunel University di Londra, non coinvolta nella ricerca, sottolinea il contributo dello studio: "Per me, il principale apporto alla comprensione della super-recognizione è la conclusione che il riconoscimento facciale superiore non dipende solo dall'osservare un'area specifica, o dal guardare più a lungo o in più punti del volto. I super-recogniser esplorano il volto in modo più ampio, ma campionano anche informazioni più utili".
Le implicazioni per lo sviluppo di sistemi di computer vision e facial recognition sono significative. L'identificazione di pattern visivi ottimali potrebbe informare la progettazione di algoritmi di attenzione visiva più efficienti, migliorando le performance di sistemi utilizzati in contesti di sicurezza, autenticazione biometrica e applicazioni commerciali. Tuttavia, l'adozione di tali tecnologie solleva questioni rilevanti per il panorama normativo europeo, dove l'AI Act classifica i sistemi di riconoscimento facciale in tempo reale in spazi pubblici come applicazioni ad alto rischio, richiedendo stringenti garanzie di accuratezza, fairness e protezione dei diritti fondamentali.
Resta aperta la questione della formazione. Nonostante lo studio identifichi tattiche specifiche che facilitano il riconoscimento facciale, la possibilità di trasformare persone comuni in super-recogniser attraverso training mirati appare limitata. "Al momento non sappiamo se questi pattern di movimento oculare possano essere addestrati efficacemente", ammette Bennetts. La ricerca suggerisce infatti che la super-recognizione abbia radici genetiche ed ereditarie. Come sottolinea Dunn: "I super-recogniser sembrano selezionare naturalmente le caratteristiche più utili, e questo è difficile da addestrare perché varia da volto a volto".
Il dottor Alejandro Estudillo della Bournemouth University evidenzia una limitazione metodologica: lo studio si basa su immagini statiche presentate in condizioni altamente controllate. "Sarà importante verificare se lo stesso pattern si mantiene in scenari più naturalistici e dinamici", osserva. Questa considerazione è particolarmente rilevante per applicazioni real-world, dove i sistemi di facial recognition operano su video, con variazioni di illuminazione, angolazione, espressioni ed elementi occludenti.
Il team di ricerca ha sviluppato un test gratuito per identificare potenziali super-recogniser, disponibile presso l'UNSW Face Test, che potrebbe facilitare il reclutamento di questi individui per ruoli specializzati nelle forze dell'ordine e nella sicurezza. L'intersezione tra capacità cognitive straordinarie e intelligenza artificiale continua a rivelare meccanismi fondamentali della percezione umana, mentre solleva interrogativi sull'augmentation delle abilità naturali attraverso tecnologie emergenti e sulle implicazioni etiche del loro impiego in contesti sensibili come la sorveglianza e l'identificazione biometrica di massa.