L’intelligenza artificiale (AI) si è introdotta nel nostro quotidiano con la finalità di automatizzare alcuni processi e semplificare azioni semplici o complesse come la creazione di testi o l’analisi di grandi quantità di dati.
Ad oggi l’AI è utilizzata massicciamente per processare informazioni provenienti dagli utenti e «profilare» i soggetti in base a scelte, gusti, preferenze, anche in modo inconsapevole da parte di questi ultimi.
Alcuni processi automatici di uso comune, come il completamento automatico di testi o la creazione di diapositive, si avvalgono dell’ausilio dell’intelligenza artificiale.
Sono innumerevoli le app che sfruttano l’AI nelle più disparate attività quotidiane e ciò impone una riflessione sia da parte degli utenti sia da parte di professionisti che si avvalgono di tale tecnologia per implementare numerose attività.
L’impatto dell’AI nelle professioni forensi
L’introduzione dell’Ai sta coinvolgendo in modo prepotente tutti i settori, impattando in modo inaspettato in numerose attività professionali. Le scienze forensi sono forse il settore maggiormente esposto a criticità perché l’ampia diffusione di contenuti «artificiali», cioè creati con AI, mette a rischio l’accertamento della verità e lo smascheramento del falso, ambito nel quale operano, in particolare, i grafologi forensi.
D’altra parte, è innegabile che in tutte le professioni che si occupano di indagare sul “falso”, soprattutto nei documenti, già da tempo è stato necessario adeguare l’indagine alle nuove modalità di condivisione documentale. Ad esempio, la trasmissione della documentazione avviene sempre più spesso in formato digitale e tramite nuovi canali di comunicazione (whatsapp, email…) con incremento dei rischi di manipolazione ed alterazione.
La facile circolazione di documenti permette anche una maggiore reperibilità da parte di soggetti interessati ad un uso fraudolento: il semplice invio del documento d’identità per un acquisto on line può essere una strategia per un furto d’identità.
Di qui il maggiore rischio di contraffazioni sofisticate, non rilevabili solo dall’esame dell’immagine relativa ad una manoscrittura. Tale rischio diventa particolarmente insidioso nei casi di clonazione assegni[1]
Tenendo conto delle maggiori criticità legate alla nuova tecnologia, l’AI può essere analizzata sotto un duplice aspetto:
- opportunità di ricerca e studio delle nuove metodologie di “creazione” del falso;
- ausilio nello smascheramento del falso grazie alla velocità di processazione dei dati e uso di sistemi matematici/statistici;
L’AI nella grafologia forense
Nell’ambito della grafologia forense i rischi legati all’AI sono molteplici in quanto il dubbio che i documenti sottoposti a verifica siano falsi è alla base dell’investigazione.
Attualmente l’indagine grafo-peritale prevede necessariamente un’indagine documentale in quanto si lavora sempre più spesso su documenti digitali. Anche in caso di documenti che si presumono di certa provenienza, l’autenticità è messa in discussione (es. documenti di riconoscimento).
La facile creazione o fotocomposizione di documenti richiede una maggiore preparazione in tema di falso ad ampio raggio, che coinvolge anche la conoscenza di idonei strumenti software per smascherare le alterazioni.
Con l’AI sembra cambiare il paradigma di osservazione per il grafologo forense: mentre prima, su carta, l’osservazione era tattile e mediata da strumenti (lampade UV, infrarosso etc.) adesso la priorità si sposta ad un approccio di esame documentale con attenzione ai font, alla collocazione spaziale, alla colorazione dei caratteri e dello sfondo ecc (possibile manipolazione dell’immagine).
Sempre più spesso è necessario acquisire informazioni sui format originali, ad esempio marchi, loghi, timbri, in quanto la falsificazione può essere realizzata anche attraverso immagini ingannevoli apparentemente simili alla modulistica originale, ma con piccole divergenze apprezzabili solo attraverso confronti mirati.
D’altra parte, se è vero che l’uso della strumentazione tradizionale non è più sufficiente, va considerato che l’AI può essere utilizzata anche per analizzare i dati raccolti attraverso esami approfonditi in microscopia (es. misurazione solco pressorio) oppure per analizzare gli inchiostri[2].
Il nuovo approccio del grafologo forense deve tenere conto, quindi, di una duplice possibilità: rifiuto dell’AI o accoglienza della nuova tecnologia come ausilio alla conoscenza e strumento per coadiuvare l’attività di ricerca e di indagine.
I nuovi software per replicare la scrittura manuale
Una delle maggiori insidie nell’indagine grafo-peritale è costituita dagli strumenti creati ad hoc dai falsari per simulare la naturalezza della scrittura manuale.
In passato la scrittura veniva riprodotta in modo apparentemente naturale utilizzando il pantografo, ma attualmente esistono apposite applicazioni basate su software che replicano la scrittura manuale tenendo conto delle possibili variazioni naturali della stessa.
In questo modo i software non solo riproducono un tracciato grafico simile alla scrittura spontanea, tenendo conto di una grande quantità di variabili, ma sono anche in grado di generare uno stile di scrittura personalizzato con il proprio «font» attraverso l’elaborazione dei dati personali a partire dalla memorizzazione di un carattere manuale registrato nel software.
Le applicazioni e i software per la riproduzione della scrittura a mano
Uno dei primi software di riproduzione della scrittura manuale è stato ideato da Tom SF Haines, Oisin Mac Aodha ,E Gabriele J. Brostow dell’University College di Londra e si basa su un algoritmo che riesce a riprodurre la grafia di un autore, a partire da una stringa di input desiderata.
Il software prevede l’inserimento di un campione di scrittura o l’analisi di scritture su documenti storici, e considera parametri scrittori quali spaziatura, spessore della linea e pressione, producendo nuove immagini della scrittura che sembrano fatte a mano, anche quando vengono stampate su carta.[3]
http://visual.c.ucl.ac.uk/pubs/handwriting/
Ma ci sono anche software che simulano la scrittura manuale e permettono di ideare fonts personalizzati partendo da un modello di scrittura naturale, di cui viene allegata la scansione.
Calligrapher.ai
L’applicazione Calligrapher è stata realizzata partendo da uno studio di oltre un decennio fa contenente esperimenti di “sintesi di scrittura a mano” realizzato da Alex Graves di Google DeepMind.
Molti anni prima che si sviluppasse l’intelligenza artificiale per generare artificialmente testo, voce, opere d’arte o video, il ricercatore Sean Vasquez, partendo dallo studio citato, ha realizzato una demo per riprodurre la scrittura manuale, accessibile sul web già dal 2020.
La sintesi della scrittura a mano alla base di Calligrapher.ai impiega un metodo generativo costruito su una rete neurale ricorrente (RNN) e si basa su un set di dati comprendente oltre 80.000 campioni di scrittura.
Digitando un testo nell’apposita casella di Calligrapher si ottiene lo stesso scritto a mano diversificato in base a velocità, leggibilità, spessore del tratto e stile calligrafico scelto.
https://www.calligrapher.ai
La tecnologia HTG
Il campo emergente della generazione di testo scritto a mano con stile (HTG) cerca di creare immagini di testo scritte a mano che replichino lo stile grafico unico dei singoli scrittori.
Quest’area di ricerca ha diverse applicazioni pratiche, dalla generazione di dati di addestramento di alta qualità per modelli personalizzati di riconoscimento del testo scritto a mano (HTR) alla generazione automatica di scritture manuali per persone con disabilità fisiche.
Inoltre, le rappresentazioni di stile acquisite dai modelli progettati per questo scopo possono essere utili in altre attività come l’identificazione dello scrivente writer, la verifica della firma e la rilevazione di possibili manipolazioni degli stili di scrittura.
Sono diverse le metodologie specializzate per l’HTG. Un approccio consiste nel considerare la scrittura a mano come una traiettoria composta da singoli tratti (Online HTG), ma questo metodo implica la necessità di catturare ed addestrare l’AI su tutti i parametri scrittori (es. spessore, colore, profondità). In alternativa, il testo scritto a mano può essere analizzato come un’immagine statica (offline HTG) catturandone le caratteristiche visive.
Un recente studio sperimentale sulla generazione di testo scritto a mano (HTG) ha evidenziato la necessità di ottimizzare la formazione dell’input (set di dati forniti) e di utilizzare un protocollo di valutazione standardizzato, che consenta un confronto equo tra le varie strategie HTG, promuovendo un progresso in tale settore.[4]
TextOracle, una soluzione per migliorare il processo di esame forense della scrittura
Nel settore della grafologia forense le soluzioni basate sull’AI sono state poste a servizio della scoperta del falso, creando software volti a migliorare il processo di esame forense, semplificando e coadiuvando la procedura di esame dei documenti partendo dall’analisi statistica di molteplici parametri scrittori.
https://www.htx.gov.sg/news/featured-news-textoracle-using-ai-to-support-forensic-handwriting-analysis
Fra le applicazioni più innovative vi è il software TextOracle, ideato dalla scienziata forense Michelle Ho e i suoi colleghi del Forensics Centre of Expertise di Singapore. Gli scienziati hanno trascorso 18 mesi collaborando con il Q Team al progetto HAI-TextOracle, un progetto congiunto per impiegare l’intelligenza artificiale (IA) per migliorare il processo di esame forense della grafia.[6]
Il software è in grado di identificare in modo automatico i segmenti del testo e confrontarli con il materiale comparativo sulla base dei parametri della scrittura manuale.
I database di scrittura per l’addestramento dell’AI
La sperimentazione basata sull’AI applicata alla scrittura manuale si avvale di ampi database di campioni di scrittura, per l’addestramento degli algoritmi. Tra essi, il più noto è IAM On-Line Handwriting Database (IAM-OnDB) che contiene forme di testo inglese scritto a mano acquisite su una lavagna. Può essere utilizzato per addestrare e testare i riconoscitori di testo scritto a mano e per eseguire esperimenti di identificazione e verifica dello scrittore.
Il database è stato pubblicato per la prima volta nel 2005 e ampiamente utilizzato per le ricerche scientifiche in questo settore. Il database contiene forme di testo manoscritto acquisito con il sistema E-Beam. I dati raccolti sono archiviati in formato xml, inclusi l’ID dello scrittore, la trascrizione e l’impostazione della registrazione. Per ogni scrittore sono archiviati nel database il genere, la lingua madre e alcuni altri dati che potrebbero essere utili per l’analisi.[7]
Gli esiti di tali sperimentazioni sono documentati nella recente letteratura, allo scopo di studiare come un’abilità personale come quella scrittoria, evolutasi con l’evoluzione dell’uomo, possa essere effettivamente riprodotta artificialmente e/o possa essere riconosciuta come falso attraverso lo studio statistico delle variabili scrittorie.[8]
Il riconoscimento della scrittura manuale nella transizione digitale
L’AI è utilizzata anche per il riconoscimento della scrittura manuale «digitalizzata» e la successiva trasformazione in formato di testo condivisibile facilmente insieme a contenuti di immagine o audiovisivi.
Nella transizione digitale il passaggio da cartaceo a digitale non prevede l’abbandono della scrittura manuale ma un approccio basato sulla combinazione delle diverse modalità al fine di agevolare la condivisione dei documenti.
In quest’ottica si colloca anche l’implementazione dei tablet grafometrici ai fini della sottoscrizione dei documenti.
L’uso dei tablet grafometrici, che raccolgono numerosi dati relativi ai parametri scrittori «misurabili» (pressione, tempo, velocità) consente, inoltre, alla ricerca di sviluppare nuove sperimentazioni per valutare, anche in chiave statistica, la possibilità di smascherare le falsificazioni utilizzando le potenzialità del deep learning.[9]
L’AI e le sfide etiche
È sorprendente come alcuni concetti siano stati anticipati da scrittori e registi del passato che, come visionari, hanno descritto scenari in cui macchine intelligenti e algoritmi avanzati prendevano la scena sostituendo alcune azioni dell’uomo. Basti ricordare il Frankenstein di Mary Shelley o il visionario Isaac Asimov che aveva già immaginato nei suoi racconti le “Tre leggi della robotica”, insieme di precetti ai quali obbedivano tutti i robot positronici (ossia robot dotati di un cervello positronico).
La definizione di «intelligenza artificiale» è in realtà contraddittoria, in quanto l’intelligenza in sé è in grado di ‘creare’ informazioni e non soltanto di apprendere, mentre l’AI andrebbe più correttamente definita un sistema di apprendimento automatico (machine learning) in grado di imparare attraverso l’immissione massiva di “dati”.
Tali dati o informazioni sono però sempre immessi dallo sviluppatore della tecnologia. Nonostante l’evoluzione dell’AI sia sempre più rapida, e si stia andando nella direzione di implementare l’apprendimento automatico in modo sempre più evoluto, simulando il funzionamento del cervello umano (deep learning), la quantità e qualità dei dati forniti all’AI rimane di pertinenza umana.
L’uomo riveste, quindi, un ruolo fondamentale nella discriminazione dei dati immessi, a partire dai quali l’AI apprende e modula le risposte; ciò impone una riflessione sull’opportunità di evitare che i dati forniti alla tecnologia di machine learning si basino, a priori, su scelte potenzialmente discriminatorie o contrarie a principi etici condivisi.
Conclusioni
La rivoluzione digitale crea un legame sempre più stretto tra dati, testi, immagini e suoni, facilita l’espressione, la trasmissione, la riproducibilità dei messaggi, ma al contempo contiene il rischio della creazione di contenuti falsi, alterati o manipolati digitalmente.
L’AI e i sistemi di apprendimento automatico (machine learning e deep learning) possono essere utilizzati per semplificare e automatizzare molteplici processi, anche di uso comune, ma è essenziale che l’addestramento di tale tecnologia sia basato su scelte etiche, valorizzando il ruolo di “supervisione” dell’uomo al fine di ridurre i rischi connessi ad un uso incontrollato o fraudolento delle potenzialità che la tecnologia ci offre.
Secondo Heidegger: “la tecnica intesa come Gestell è una sorta di enorme macchina al servizio della volontà di potenza dell’uomo ed il pericolo è che l’uomo perda il senso di sé stesso, dimentichi la sua essenza; qualsiasi tecnologia utile all’umanità, infatti, non è nelle mani dell’uomo in realtà, è solo un modo di manifestazione dell’essere: dimenticandosi questo, l’uomo finisce per pensarsi egli stesso padrone della natura”.
E forse come in tutte le cose anche per l’intelligenza artificiale vale l’insegnamento che “La virtù sta nel mezzo” ed in questa fase di sviluppo della AI qualsiasi possibile utilizzo ma anche la divulgazione dei vantaggi e rischi deve essere esaminata con la giusta misura!
Note
- V. Articolo su Agenda Digitale: Assegni circolari clonati: come smascherare le truffe – Lorella Lorenzoni – Bruna Pascali Pubblicato il 9 ott 2023 – https://www.agendadigitale.eu/sicurezza/assegni-circolari-clonati-come-smascherare-le-truffe/ ↑
- Gli studiosi dell’Università di Brno, su richiesta dell’Istituto di criminalistica di Praga, stanno sviluppando un software per l’analisi della scrittura a mano basato sull’intelligenza artificiale e sulla visione artificiale. Dovrebbe aiutare a rilevare firme false o messaggi minacciosi. Il progetto è iniziato quest’anno e dovrebbe concludersi nel 2025. https://www.vut.cz/en/but/f19528/d230568 “Firma falsa o vera? FEEC MA gli scienziati sviluppano un software per l’esame forense del testo scritto a mano” ↑
- Il mio testo scritto a mano -Tom S.F. Haines, Oisin Mac Aodha e Gabriel J. Brostow – Transazioni su Graphics 2016 – https://youtu.be/3mAKZaOPbBo?si=nCxpEzhLf6hljpgb ↑
- VATr++: Choose Your Words Wisely for Handwritten Text Generation Bram Vanherle, Vittorio Pippi, Silvia Cascianelli, Nick Michiels, Frank Van Reeth, and Rita Cucchiara – febbraio 2024 https://arxiv.org/html/2402.10798v1 ↑
- Figura 1:Estendiamo il nostro precedente modello di generazione di testo scritto a mano in stile all’avanguardia VATr [11] addestrandolo su un set di dati modificato e utilizzando incrementi intelligenti dei segnali di addestramento. Ciò consente alla rete di generare caratteri rari in modo più fedele e di generalizzare a nuovi stili. ↑
- Michelle ha presentato TextOracle al 23° Triennial Meeting dell’International Association of Forensic Sciences (IAFS) tenutosi a Sydney, in Australia, dal 20 al 24 novembre 2023. Si è trattato di un evento importante a cui hanno partecipato oltre 1.700 esperti forensi provenienti da 70 paesi ↑
- https://fki.tic.heia-fr.ch/databases/iam-on-line-handwriting-database ↑
- Generazione della scrittura a mano utilizzando reti neurali ricorrenti (LSTM) – Rabpreet Singh Keer – Pubblicato nel 2023 September 2023 IJSDR | Volume 8 Issue 9 – Abstract -La scrittura a mano è un’abilità sviluppata dall’uomo fin dall’inizio per rappresentare visivamente i propri pensieri utilizzando lettere e creando parole e frasi significative. Ogni persona migliora questa abilità praticando e sviluppando il proprio stile di scrittura. A causa della particolarità dello stile di scrittura, viene spesso utilizzato come misura per identificare un falso. Anche se le applicazioni della sintesi della scrittura a mano sono minori, questo problema può essere generalizzato e può essere applicato funzionalmente ad altri problemi più pratici. L’imitazione o l’imitazione di uno stile di scrittura specifico può avere un’ampia varietà di applicazioni come la generazione di documenti scritti a mano personalizzati, la modifica di un documento scritto a mano utilizzando lo stile di scrittura a mano simile ed è anche esteso per confrontare gli stili di scrittura a mano per identificare un falso. Tutti i dati di addestramento e test sono tratti dal database di scrittura a mano online IAM (IAMOnDB). IAM-OnDB è costituito da righe di dati scritte a mano raccolte da 223 diversi scrittori utilizzando una lavagna e-smart. ↑
- DeepSign: Deep On-Line Signature Verification – Ruben Tolosana*, Ruben Vera-Rodriguez*, Julian Fierrez, Member, IEEE, Javier Ortega-Garcia, Fellow, IEEE Biometrics and Data Pattern Analytics – BiDA Lab, Universidad Autonoma de Madrid. See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/339471818 Preprint in IEEE Transactions on Biometrics Behavior and Identity Science · January 2021 ↑
