Informativa sulla trasparenza dell'IA

Informativa sulla trasparenza dell'IA ("IA") di Entrust Identity Verification Services
La presente Informativa fornisce informazioni trasparenti sul sistema di IA utilizzato, descrivendone le capacità, i limiti, i pregiudizi, le pratiche di utilizzo dei dati e le misure di sicurezza. Desideriamo fornirti le conoscenze necessarie per comprendere il funzionamento di questa IA, le sue potenzialità e i suoi limiti, nonché le modalità di trattamento dei dati. Grazie a questa trasparenza, ti consentiamo di prendere decisioni consapevoli sulle tue interazioni con la nostra tecnologia di IA.

Nel leggere questa informativa, è necessario ricordarsi di verificare sempre attentamente le informazioni importanti fornite dalla nostra IA. La nostra tecnologia è progettata per supportare, non sostituire, il giudizio degli esperti. Per decisioni che potrebbero avere implicazioni sanitarie, finanziarie o legali, raccomandiamo vivamente di consultare professionisti adeguatamente qualificati o di ottenere una consulenza legale indipendente prima di intraprendere qualsiasi azione.

Il prodotto IDV (Identity Verification) di Entrust consente ai clienti di elaborare, verificare e integrare gli utenti da remoto. I dati richiesti per questo sistema sono una foto/video di un documento di identità e una foto/video del richiedente. Il motore decisionale di Entrust utilizza questi input per restituire un segnale di accettazione/considerazione, insieme al contesto appropriato e alle analisi dettagliate su come è stato prodotto tale risultato.

Il prodotto IDV è supportato da quattro segmenti tecnologici fondamentali, ciascuno dei quali si basa su sistemi di IA. I quattro segmenti sono (1) somiglianza facciale, (2) rilevamento biometrico antispoofing e di vitalità (immagini facciali), (3) estrazione automatica dei dati dai documenti, e (4) tecnologia antifrode sui documenti di identità. Questi segmenti svolgono le attività di estrazione dati, confronto biometrico, convalida dei documenti e convalida biometrica, tutte attività che richiedono un risultato positivo affinché venga restituito un segnale di accettazione. Sebbene l'insieme di più sistemi di IA che servono ciascuno di questi segmenti tecnologici formi l'applicazione IDV, è opportuno notare che l'applicazione IDV contiene anche una quantità sostanziale di algoritmi non basati sull'IA. È la combinazione di algoritmi basati su IA/ML con algoritmi non basati su IA, ovvero codice informatico "tradizionale", che insieme crea il prodotto di Entrust.

L'uso responsabile dell'IA da parte di Entrust consente un'elaborazione dei dati più rapida e coerente, garantendo un'esperienza più fluida e sicura per gli utenti finali. I nostri sistemi sono progettati per ridurre al minimo la revisione umana dei dati personali, contribuendo a limitare l'esposizione non necessaria delle informazioni degli utenti finali.

L'IA viene utilizzata in tutto il nostro portafoglio di prodotti di verifica dell'identità (IDV) per:

• Indicare se una foto o un video di un documento d'identità governativo sembra autentico o presenta segni di manipolazione e/o frode.
• Classificare il tipo di documento, ad esempio passaporto o patente di guida.
• Estrarre informazioni rilevanti dall'immagine o dal video del documento, come il nome o la data di nascita
• Indicare se i dati biometrici del viso forniti da un utente finale sembrano autentici e corrispondono alla persona indicata sul documento di identità.

Le nostre soluzioni sono progettate per identificare modelli che possono indicare autenticità o potenziali frodi, aiutando le organizzazioni a prendere decisioni informate in materia di fiducia e sicurezza. I risultati devono essere interpretati come indicatori di rischio piuttosto che come determinazioni definitive e devono essere utilizzati in combinazione con altri controlli e procedure di verifica.

• Foto/video di un documento d'identità governativo
• Foto/video della biometria facciale

Tutte le applicazioni utilizzano modelli di deep learning, con paradigmi specifici a seconda dell'applicazione. Questi modelli vengono solitamente addestrati in precedenza e poi perfezionati sui nostri set di dati per ottimizzarne le prestazioni (sia in termini di accuratezza che di equità).

• Modelli di classificazione binaria: il rilevamento delle frodi documentali e il rilevamento della vitalità biometrica utilizzano modelli di classificazione binaria per valutare la probabilità che l'immagine/il video inserito sia autentico (anziché essere stato alterato in modo fraudolento, ad esempio tramite deepfake o manomissione con qualche tipo di ostruzione deliberata).
• Modelli di classificazione multipla: la classificazione dei documenti utilizza un modello di classificazione multiclasse per restituire il tipo di documento più probabile data un'immagine del documento di input.
• Modelli visione-linguaggio (VLM): l'estrazione dei documenti utilizza un modello di linguaggio visivo (VLM) per l'intelligence dei documenti
• Modelli di riconoscimento facciale: la nostra applicazione utilizza modelli di deep learning controllati per eseguire confronti facciali tra selfie o video catturati dal vivo e un'immagine proveniente da un documento di identità rilasciato dal governo, o altri selfie o video catturati in precedenza. Il modello produce una rappresentazione numerica ("incorporamento") di ciascuna immagine del volto e misura la somiglianza tra gli incorporamenti per determinare la probabilità che entrambe le immagini appartengano alla stessa persona, altrimenti nota come verifica biometrica basata sull'incorporamento, 1:1 o 1:N.

I nostri modelli di IA sono ottimizzati in termini di prestazioni (sia in termini di accuratezza che di equità) dato che utilizzano un protocollo di benchmarking sistematico. Vengono addestrati e ottimizzati, quindi sottoposti a un benchmarking approfondito rispetto a set di dati raccolti dagli utenti finali. Utilizziamo dati delcontrollo qualità (QC) campionati uniformemente dalla produzione per ottenere stime imparziali dei tassi di accettazione/rifiuto veri e falsi di un dato modello. Inoltre, adottiamo un processo di feedback denominato Intervento umano nel ciclo (Human in the Loop, HITL), in base al quale analisti umani valutano i risultati dei tassi per migliorare continuamente le prestazioni del modello in conformità con i principi di IA responsabile di Entrust.

Per comprendere come trattiamo i tuoi dati quando utilizzi il sistema basato sull'IA di Entrust, ti invitiamo a considerare i seguenti punti chiave:

• Il nostro utilizzo dell'IA comporta l'elaborazione dei dati personali degli utenti finali. Elaboriamo tali dati personali solo se abbiamo una valida base giuridica per farlo. Per saperne di più sul nostro utilizzo dei dati personali, leggi l'Informativa sulla privacy del prodotto IDV.
• Limitiamo l'accesso ai nostri modelli di IA e ai dati correlati solo alle persone che ne hanno bisogno per le loro specifiche responsabilità lavorative.
• Crittografiamo i dati in transito e archiviati.

Distorsioni potenzialmente ereditarie

Come la maggior parte dei sistemi di IA addestrati su dati del mondo reale, i nostri modelli potrebbero riflettere pregiudizi ereditati dai set di dati utilizzati per addestrarli e migliorarli. La diversità dei dati di addestramento varia a seconda dei Paesi e dei gruppi demografici, il che può comportare differenze nelle prestazioni per alcune popolazioni o tipi di documenti. Monitoriamo attivamente questi fattori e applichiamo misure quali il ribilanciamento dei dati, il retraining e i test di equità per ridurre le differenze involontarie nelle prestazioni tra i gruppi di utenti.

Le potenziali fonti di pregiudizio ereditario includono:

• Composizione dei dati di formazione: i set di dati disponibili pubblicamente utilizzati nelle prime fasi di sviluppo del modello potrebbero sovrarappresentare determinate regioni, caratteristiche facciali o condizioni di imaging.
• Qualità dell'immagine e progettazione del documento: le variazioni nella qualità delle foto, negli standard di stampa, negli ologrammi o nelle caratteristiche di sicurezza possono influire sulle prestazioni dei diversi tipi di documenti.
• Condizioni di acquisizione: le differenze nell'illuminazione, nei dispositivi fotografici o nelle modalità di raccolta delle immagini possono influenzare i risultati dei modelli in diversi ambienti.

Impegno per la mitigazione dei pregiudizi

I sistemi di IA di Entrust vengono sviluppati e costantemente perfezionati per ridurre al minimo i pregiudizi involontari e promuovere risultati equi tra gruppi demografici e geografici. Per attenuare i pregiudizi, applichiamo:

• Tecniche di campionamento equilibrate e adattive durante l'addestramento del modello per garantire una rappresentanza regionale e demografica diversificata.
• Valutazioni periodiche delle prestazioni in tutti i Paesi, continenti e generi per identificare e affrontare le disparità.
• Adeguamenti dinamici del campionamento che aumentano l'enfasi della formazione sui gruppi sottorappresentati per migliorare l'accuratezza.
• Messa a punto su dati specifici di domini reali (ad esempio selfie per documentare confronti) per rafforzare la generalizzazione del modello su diversi tipi di immagini e condizioni.

Queste misure riducono significativamente le differenze di prestazioni, tuttavia, nessun modello di IA è completamente esente dalle distorsioni. Restiamo impegnati nella trasparenza, nella valutazione continua e nei miglioramenti costanti come parte del nostro processo di sviluppo responsabile dell'IA.

Per maggiori informazioni sul nostro impegno nello sviluppo responsabile di tecnologie innovative, puoi consultare il nostro report ICO Sandbox.

La nostra IA potrebbe essere soggetta ad alcune restrizioni:

• Ambito: la nostra IA è progettata specificamente per la prevenzione delle frodi
• Lingua: la nostra IA supporta input multilingue basati su lingue che utilizzano i caratteri latini e arabi
• Contestola nostra IA valuta gli input come fraudolenti o genuini
• Allucinazioni: in casi limitati, la nostra IA potrebbe generare risultati incoerenti se le informazioni vengono estratte in modo impreciso da un documento sorgente.

Entrust fornisce servizi di verifica dell'identità per i clienti utilizzando un modello di Intervento umano nel ciclo (HITL) ed è fondamentale per il funzionamento dei nostri sistemi di IA. Attraverso questo processo, analisti qualificati esaminano, convalidano e perfezionano regolarmente i risultati del modello per migliorarne le prestazioni e l'allineamento in conformità con i principi di IA responsabile di Entrust.

Prima che i modelli vengano rilasciati in produzione, gli esperti ne valutano le prestazioni utilizzando dashboard analitiche e test A/B controllati per confermare che i risultati soddisfino i nostri standard di qualità ed equità. I revisori umani supervisionano anche l'etichettatura e la verifica dei dati, garantendo che i dati di addestramento utilizzati per migliorare i nostri sistemi siano accurati e rappresentativi. In alcuni prodotti, gli specialisti umani restano disponibili in tempo reale per valutare i risultati quando l'IA rileva input insoliti o incerti.

Apprezziamo il tuo feedback per migliorare i nostri sistemi di IA. Per fornire dettagli su potenziali inesattezze o condividere la vostra esperienza, ti invitiamo a contattarci all'indirizzo [email protected].

Riteniamo che i clienti debbano avere piena visibilità e controllo sui propri dati, aiutandoli a mantenere la trasparenza con i propri utenti finali su come i loro dati contribuiscono al miglioramento dei nostri servizi.

I nostri sistemi di verifica dell'identità (IDV) utilizzano l'apprendimento automatico per migliorare la precisione, rilevare anomalie e ottimizzare le prestazioni complessive. La partecipazione a questi processi è a completa discrezione del cliente. Il nostro IDV funziona con possibilità di rinuncia. Quando un cliente decide di rinunciare, i suoi controlli vengono esclusi da qualsiasi attività di apprendimento automatico, compreso l'addestramento dei modelli. I clienti hanno il pieno controllo sull'utilizzo dei dati degli utenti finali per lo sviluppo e il perfezionamento dei nostri servizi e possono personalizzare le impostazioni in qualsiasi momento tramite la configurazione dell'account.

Quando un cliente sceglie di non utilizzare l'apprendimento automatico, viene automaticamente escluso anche dal nostro processo di controllo qualità (QC). Come parte della nostra prassi standard, ogni mese viene esaminato in modo casuale circa il tre per cento (3%) di tutti gli assegni per verificarne l'accuratezza e supportare i miglioramenti continui. Queste informazioni approfondite sul controllo qualità contribuiscono a rafforzare l'affidabilità dei nostri modelli, ma la rinuncia rimuove i controlli dei clienti da questo ciclo di feedback.

Anche quando i clienti scelgono di non partecipare all'apprendimento automatico o al controllo qualità, i nostri sistemi possono elaborare dati pseudonimizzati e aggregati per scopi commerciali legittimi, quali analisi, benchmarking e reportistica statistica. I dati aggregati non includono alcuna informazione personale identificabile (PII).

Consideriamo il monitoraggio dei pregiudizi e la valutazione dell'equità come un processo continuo. I nostri modelli di IA vengono regolarmente rivisti e aggiornati per migliorare le prestazioni e risolvere i problemi. Quando vengono individuate delle disparità, modifichiamo i nostri dati di addestramento, la strategia di campionamento o i parametri di calibrazione per migliorare l'equilibrio e la precisione.

Questi sforzi fanno parte del nostro impegno più ampio per uno sviluppo responsabile dell'IA, garantendo che la nostra tecnologia di verifica rimanga il più accurata e trasparente possibile per tutte le popolazioni di utenti. Aggiorniamo questa informativa annualmente o quando si verificano cambiamenti significativi per garantire che tu abbia le informazioni più aggiornate.

Ultimo aggiornamento: Ottobre 28, 2025