\u00a0<\/p>\n
Il risultato \u00e8 stato sorprendente: la telecamera continuava a riprendere la Toyota, ma il sistema non riusciva a classificarla come veicolo. E quindi non la prendeva in considerazione e non ne leggeva nemmeno la targa: la Toyota diventava a tutti gli effetti “invisibile” agli occhi del sistema di sorveglianza.<\/p>\n
Non visualizzi questo contenuto?<\/p>\n
Siamo spiacenti! Per poter visualizzare questo contenuto X<\/b>, clicca su Gestisci cookie e Accetta tutto<\/p>\n
Gestisci cookie<\/p>\n
\t\t\tL’auto \u00e8 ancora visibile, ma l’IA non la riconosce<\/p>\n
\u00c8 questo il punto centrale del “trucco” messo a punto dall’hacker: la pellicola non blocca la telecamera e non cancella la Toyota dal video: l’auto continua a essere perfettamente visibile e viene registrata.\u00a0A essere ingannata \u00e8 l’intelligenza artificiale che analizza le immagini. Se l’algoritmo non riesce a identificare correttamente il veicolo, non attiva nemmeno le funzioni di rilevamento (e quindi non ne legge la targa e non scatta la multa).<\/p>\n
\u00a0<\/p>\n
Questa tecnologia non \u00e8 per\u00f2 (ancora) un sistema universale capace di rendere un’auto invisibile a qualsiasi telecamera: L’efficacia dipende dal tipo di algoritmo contro cui viene utilizzato il pattern.<\/p>\n
\t\t \tCome funziona il pattern dell’invisibilit\u00e0<\/p>\n
Il disegno sulla pellicola \u00e8 stato creato dopo milioni di tentativi. Swearingen ha utilizzato un sistema di intelligenza artificiale per generare e mettere alla prova una enorme quantit\u00e0 di motivi geometrici e colori, verificando ogni volta se gli algoritmi di computer vision riuscissero ancora a riconoscere l’oggetto.<\/p>\n
\u00a0<\/p>\n
Il processo \u00e8 andato avanti per circa 31 milioni di tentativi nell’arco di un anno<\/strong>, fino a individuare configurazioni grafiche capaci di mandare in difficolt\u00e0 i sistemi di rilevamento.\u00a0Il principio sfrutta una delle caratteristiche dei sistemi di computer vision: l’intelligenza artificiale non interpreta un’immagine esattamente come farebbe un essere umano. Analizza invece una serie di caratteristiche e associazioni apprese durante l’addestramento. Modificando opportunamente ci\u00f2 che compare nell’immagine, \u00e8 quindi possibile creare situazioni nelle quali l’oggetto rimane evidente per una persona, ma diventa difficile da classificare per l’algoritmo.<\/p>\n \u00a0<\/p>\n Secondo Inc.com<\/a>, il modello utilizzato da Swearingen \u00e8 in grado di generare pattern che riescono a eludere 11 algoritmi open source di rilevamento<\/strong>, compreso quello utilizzato da Flock.<\/p>\n \u00a0<\/p>\n
![\"\"](\"https:\/\/www.europesays.com\/it\/wp-content\/uploads\/2026\/08\/02_ipa_riconoscimento_facciale_ue_italia.jpg\"\/)
<\/p>\n![\"\"](\"https:\/\/www.europesays.com\/it\/wp-content\/uploads\/2026\/07\/riconoscimento_facciale_ipa_orizz.jpg\"\/)
<\/p>\n