Di Nico Van der Beken, Lead Forensic Expert
L’intelligenza artificiale è già profondamente integrata nel lavoro tecnologico forense moderno. Nei nostri mandati combiniamo regolarmente servizi di IA commerciali, grandi modelli linguistici, strumenti specializzati di machine learning e piattaforme di IA ospitate privatamente per elaborare documenti, immagini, audio e video, tradurre materiale, estrarre informazioni e preparare rapporti.
La domanda non è quindi più se l’IA debba essere utilizzata. Lo è già, e dove funziona in modo affidabile dovrebbe essere sfruttata a fondo.
La domanda più importante è se un intero processo forense possa essere affidato in sicurezza all’IA senza una supervisione specialistica. Oggi la risposta è no.
Tre livelli di maturità
Non tutte le attività sono ugualmente pronte per l’automazione. Troviamo utile ragionare in tre categorie:
- Matura: adatta a un uso sistematico in un processo controllato e validato.
- Di supporto: molto utile, ma i risultati rilevanti vanno verificati.
- Cautela: utile per generare piste e ipotesi, ma non come unica base per una conclusione probatoria.
| Attività | Maturità |
|---|---|
| Estrazione di metadati, elaborazione di file, OCR | Matura |
| Rilevamento di duplicati esatti e quasi duplicati | Matura |
| Estrazione di persone, organizzazioni, luoghi e date | Matura |
| Revisione assistita dalla tecnologia e classificazione di rilevanza | Matura |
| Traduzione automatica e trascrizione audio | Matura / Di supporto |
| Sintesi, cronologie e mappatura delle relazioni | Matura / Di supporto |
| Riconoscimento della scrittura a mano e identificazione facciale | Di supporto |
| Valutazione dell’autenticità e dei deepfake | Di supporto |
| Interpretazione delle prove e conclusioni finali | Cautela |
L’acquisizione e la conservazione delle prove sono un caso particolare. Qui gli strumenti forensi deterministici restano la scelta giusta, e l’IA non deve sostituire i controlli di conservazione.
In linea di principio non c’è nulla di nuovo. La revisione assistita dalla tecnologia (Technology-Assisted Review) è utilizzata nell’eDiscovery da oltre un decennio, con esperti della materia che addestrano e validano i modelli. La stessa logica si applica ora all’IA generativa e multimodale. La tecnologia può svolgere un’enorme quantità di lavoro analitico, e sono la validazione e la governance a stabilire fino a che punto ci si possa fidare dei suoi risultati.
Estrarre non significa concludere
L’IA rende al meglio quando il compito è formulato come estrazione di informazioni. Confrontate due istruzioni:
«Trova ogni persona nominata in questa raccolta e mostrami il documento, la pagina, il timestamp o il fotogramma in cui compare ciascun nome.»
«Trova ogni persona in questa raccolta, stabilisci chi è davvero e quale ruolo ha avuto.»
La prima può oggi essere ampiamente automatizzata. La seconda racchiude diversi problemi distinti:
- riconoscere che grafie, alias o traslitterazioni diverse si riferiscono alla stessa persona;
- distinguere persone diverse con lo stesso nome;
- collegare volti, voci, account e documenti a singoli individui;
- valutare se le dichiarazioni contenute nelle prove sono attendibili;
- risolvere le contraddizioni; e
- decidere se gli elementi sono sufficienti a sostenere una conclusione.
L’IA può aiutare in ognuno di questi passaggi. Ciò non significa che debba prendere da sola la decisione finale. I modelli generativi sono progettati per produrre risposte plausibili, anche quando le prove sono incomplete o ambigue. Nel lavoro forense, plausibile e provato sono due cose molto diverse.
Perché la competenza resta essenziale
Gli esperti non servono ancora perché le persone leggono più in fretta o riconoscono i nomi meglio dell’IA moderna. Sempre più spesso non è così. Servono perché:
- Qualcuno deve progettare il processo. Un’indagine non è un singolo prompt. È una catena di elaborazione, OCR, trascrizione, traduzione, estrazione di entità, visione artificiale e modelli linguistici, scelta in funzione delle prove e della domanda. Un errore all’inizio della catena si propaga a tutte le fasi successive.
- Le prestazioni vanno misurate, non presunte. Un modello che funziona bene su documenti inglesi puliti può comportarsi in modo molto diverso con scansioni degradate, scrittura a mano, alfabeti misti, accenti o gergo specialistico. Va testato su dati rappresentativi. Il NIST AI Risk Management Framework sottolinea lo stesso punto: l’affidabilità va dimostrata, non dedotta da capacità apparenti.
- L’ambiguità richiede giudizio. Due riferimenti possono indicare la stessa persona, oppure due persone con lo stesso nome. Un volto può somigliare a qualcuno senza essere quella persona. Un documento può semplicemente essere sbagliato. Sono questioni di valore probatorio, non di elaborazione.
- I risultati devono restare tracciabili. Se un sistema afferma che una persona compare nelle prove, un investigatore deve poter risalire direttamente alla pagina, all’immagine o al segmento di registrazione che lo dimostra.
- L’integrità delle prove resta un obbligo. Provenienza, conservazione, documentazione e riproducibilità non scompaiono con l’automazione. Anzi, più automazione le rende ancora più importanti.
Prima l’IA, sotto controllo umano
A nostro avviso il modello giusto non è né una revisione tradizionale con qualche strumento di IA occasionale, né una pipeline di IA autonoma che acquisisce le prove e produce conclusioni.
Il modello giusto è prima l’IA, sotto controllo umano. L’IA elabora quanta più parte delle prove è tecnicamente e giuridicamente appropriato. Estrae, classifica, trascrive, traduce, raggruppa, prioritizza e sintetizza su scala automatica. L’impegno umano si concentra poi dove apporta il maggior valore:
- validare i risultati significativi;
- risolvere questioni di identità, contraddizioni ed eccezioni;
- confermare le traduzioni e le trascrizioni determinanti;
- valutare se le prove sostengono una conclusione; e
- assumersi la responsabilità di quanto viene infine riportato.
In conclusione
L’IA può già svolgere una parte molto ampia del lavoro, e la utilizziamo estesamente. L’obiettivo non è proteggere un lavoro che potrebbe essere automatizzato. Le capacità mature dovrebbero essere automatizzate ovunque consentano di risparmiare tempo, costi e revisioni superflue.
Il valore della competenza in tecnologia forense sta oggi nel sapere che cosa può essere automatizzato in sicurezza e come combinare e validare gli strumenti. Sta anche nel riconoscere dove l’estrazione diventa inferenza e nel giudicare quando le prove sono abbastanza solide da poterle sostenere.
L’IA non elimina il bisogno di competenza forense. Cambia il luogo in cui questa competenza viene applicata.