Riconoscimento facciale per trovare contenuti trapelati che la ricerca per nome del file non vede

Un contenuto che trapela una volta raramente resta a lungo con lo stesso nome di file: viene rinominato, ritagliato, ricodificato e ricaricato su decine di siti nel giro di pochi giorni. I sistemi di rilevamento basati sulla ricerca per parola chiave o per nome del file trovano solo le copie che hanno ancora un nome corrispondente, una frazione sempre più piccola di ciò che è davvero online. I dati su scala dei benchmark di riconoscimento facciale, dei programmi di hash-matching e dei rapporti di trasparenza sui takedown mostrano quanto sia ampio questo divario.

Come funziona davvero il confronto basato sull'identità

Il riconoscimento facciale parte da un presupposto del tutto diverso da quello di una ricerca per parola chiave o per nome del file: non gli interessa come si chiama il file, guarda chi c'è dentro. Il processo parte da un riferimento, cioè una o più foto del tuo vero volto, inviate con il tuo consenso quando attivi il monitoraggio. Da queste il sistema ricava un embedding facciale: una rappresentazione matematica della geometria del volto (distanze relative tra i tratti, struttura, proporzioni), non una copia letterale della foto. La scansione continua passa poi in rassegna un'ampia gamma di siti (forum di contenuti trapelati, tube site, piattaforme di condivisione file, social media e altro), esamina i volti presenti nelle immagini e nei fotogrammi video appena scoperti e confronta ciascuno con il tuo embedding di riferimento. Ogni corrispondenza abbastanza vicina viene segnalata come possibile risultato da verificare.

Questo approccio basato sugli embedding regge proprio alle tattiche di elusione su cui conta chi ricarica un contenuto. Rinominare o cambiare titolo a un file non serve a niente, perché il sistema non legge testo. Togliere la filigrana non serve a niente, perché l'identificativo è sempre stato il volto, non la filigrana. Ritagli e ricodifiche reggono entro certi limiti, finché una parte sufficiente del volto resta visibile e integra. Il metodo non è però illimitato: forte occlusione, angolazioni estreme, risoluzione molto bassa e più persone nella stessa inquadratura lasciano al sistema meno geometria utilizzabile da confrontare. È in parte per questo che la scansione continua (che coglie un'angolazione migliore in un nuovo caricamento o in un'immagine collegata) conta più di qualsiasi controllo singolo e isolato.

Rilevare i contenuti trapelati ("sei davvero tu in questo filmato reale?") è inoltre una domanda fondamentalmente diversa dal rilevamento dei deepfake ("questo filmato è autentico?"), anche se spesso entrambe poggiano sulla stessa infrastruttura di confronto dell'identità. Per la seconda domanda vedi come funziona davvero la tecnologia di rilevamento dei deepfake.

1. Come differiscono davvero riconoscimento facciale e hash-matching

Riconoscimento facciale e hash-matching percettivo vengono spesso confusi sotto l'etichetta "rilevamento con l'IA", ma risolvono problemi diversi e nessuno dei due dipende da un nome di file.

La distinzione conta in particolare per i contenuti trapelati. Il riconoscimento facciale individua chi c'è in un'immagine a prescindere dal file che la contiene; l'hash-matching stabilisce se questa immagine, identica o quasi, è già stata vista. Entrambi lavorano sul contenuto dei pixel e non su una stringa con il nome del file, ed è proprio ciò che un ricaricamento con nome cambiato manda in crisi.

2. I volumi con cui deve misurarsi l'hash-matching

I programmi di hash-matching esistono perché il volume grezzo dei caricamenti quotidiani rende matematicamente impossibile tenere il passo con qualsiasi ricerca per nome o manuale.

Il salto di 4 volte su base annua delle immagini bloccate^[5] rispetto a un volume giornaliero di circa 2 miliardi di immagini caricate^[6] mostra la sproporzione: anche un'operazione di hash-matching ben finanziata lavora contro file che la superano di ordini di grandezza, mentre un approccio basato solo sul nome del file non ha alcun modo di individuare un duplicato una volta rinominato. I dati del NCMEC rendono concreto il problema delle duplicazioni: nel 2025 21,3 milioni di segnalazioni alla CyberTipline con 61,8 milioni di file, di cui solo il 48% delle immagini e il 28% dei video erano unici. I 12,1 milioni di hash di contenuti noti, ora condivisi con 78 fornitori di servizi elettronici, servono a riconoscere di nuovo in automatico i file già identificati, compresa l'immagine di una vittima che è ricomparsa 1,4 milioni di volte in 20 anni di segnalazioni.^[28]

3. Dove falliscono la ricerca inversa per immagini e la ricerca per nome del file

La ricerca inversa per immagini è lo strumento pubblico più vicino all'hash-matching per gli utenti comuni, ma i test indipendenti mostrano che il suo recall è incostante e dipende dalla categoria: lontanissimo dall'affidabilità di un indice di hash costruito apposta.

La partnership di settembre 2025 tra Google e StopNCII^[10] e l'elenco di 16 piattaforme partecipanti di StopNCII^[12], tra cui Meta, TikTok, Reddit e Bumble a dicembre 2025, si basano entrambe sullo stesso principio: confrontare l'immagine stessa, perché chi è abbastanza motivato da ricaricare un contenuto trapelato lo è anche per rinominare il file. Se nel frattempo controlli a mano, il toolkit per la ricerca inversa di immagini ti guida tra gli strumenti che vale la pena provare.

4. Che aspetto hanno i volumi di takedown basati sul nome del file

Le richieste di takedown DMCA dei titolari dei diritti sono enormi per numero ma poco precise, perché ognuna riguarda un URL specifico e non il contenuto sottostante ovunque ricompaia.

Una catena di takedown URL per URL cresce solo alla velocità con cui qualcuno trova ogni nuovo URL. I 68 milioni di richieste contro un unico dominio^[14] mostrano quanto lavoro ripetuto serva per contenuti che continuano a riaffiorare con link e nomi di file diversi sullo stesso sito.

5. Dove i contenuti ricompaiono davvero, secondo i dati di chi assiste le vittime

I dati delle linee di assistenza mostrano che i contenuti non consensuali si concentrano proprio dove una ricerca per nome del file arriva con più difficoltà: siti per adulti con convenzioni di denominazione proprie e canali di messaggistica privata senza alcun indice pubblico.

Il tasso di rimozione superiore al 94% ottenuto dalla linea di assistenza sulle immagini effettivamente segnalate^[18] mostra che il takedown funziona una volta trovata la corrispondenza. Il collo di bottiglia è trovarla nei canali che una scansione basata sui nomi non raggiunge affatto.

6. Scala del rilevamento e limiti che entrambi gli approcci incontrano ancora

Gli archivi di riconoscimento facciale sono diventati enormi, ma sia il riconoscimento facciale sia l'hash-matching hanno limiti documentati che un sistema basato sui nomi non tenta nemmeno di risolvere.

La crescita dell'indice di Clearview da 40 a 50 miliardi di immagini in circa sette mesi^[22][23] mostra che la scala del riconoscimento facciale non è il collo di bottiglia. I problemi aperti sono l'elusione (modifiche geometriche che sconfiggono gli hash percettivi)^[27] e l'affidabilità della revisione umana sui deepfake^[25], due aspetti che una ricerca per nome del file o per parola chiave non sfiora nemmeno.

Riepilogo dei dati principali

Sources