Per impedire l'accesso a sistemi automatizzati, molti siti web richiedono di digitare una serie di caratteri deformati, le CAPTCHA, un compito che mette in gravi difficoltà i bot, cioè programmi informatici che fanno finta di essere delle persone. Ora però è stato sviluppato un sistema computerizzato che riesce agevolmente a superare la prova(red)

Schema del riconoscimento della lettera A. (Cortesia Vicarious AI)

Si chiama RCN e ha "bucato" senza grandi problemi uno dei più diffusi sistemi di sicurezza usati dai siti web per impedire l'accesso ai loro servizi ai "bot", i programmi che simulano di essere persone. L'algoritmo di apprendimento visivo automatico RCN, acronimo di Recursive Cortical Network, è infatti riuscito a superare il test CAPTCHA (completely automated public Turing test to tell computers and humans apart) in cui all'utente del sito viene chiesto di digitare una serie di lettere o numeri variamente distorti che appaiono in una finestra.Il sistema CAPTCHA crea una sequenza di lettere o numeri mescolando, anche in uno stesso carattere, milioni di stili grafici differenti. In questo modo ogni lettera è composta da una stratificazione di stili differenti; inoltre vengono variate anche spaziatura, dimensione e inclinazione delle lettere presenti in una sequenza. Anche di fronte a un simile assemblamento di stili, gli esseri umani possono riconoscere naturalmente quell'oggetto grafico, pur se fortemente distorto. I computer incontrano invece grandissime difficoltà a identificare i caratteri così trattati.Finora il test – considerato una sorta di test di Turing visivo alla rovescia (nel test di Turing è l'essere umano che deve capire se colloquia con un robot o un altro essere umano) – riusciva a essere superato solo da sofisticati algoritmi di apprendimento profondo che però dovevano essere addestrati con milioni di esempi di lettere CAPTCHA.Come è spiegato in un articolo pubblicato su "Science" , un gruppo di ricercatori dell'Università di Cambridge è riuscito a creare un sistema che, come il cervello umano, ha la capacità di imparare e generalizzare a partire da un numero relativamenteridotto di esempi (5000 volte meno dei sistemi alternativi). Il risultato è stato raggiunto grazie a un insieme di accorgimenti mutuati dallo studio delle neuroscienze e dell'architettura del sistema visivo e cerebrale.In particolare, dall'architettura del sistema visivo umano Dileep George e colleghi hanno ricavato alcuni principi che, implementati su RCN, fungono per esso da "conoscenza di sfondo" utile per poter poi riconoscere input che non ha mai incontrato nella fase di addestramento. In questo modo RCN raggiunge un'accuratezza di riconoscimento del 94,3 per singole lettere e del 66,6 per cento per una stringa di caratteri.Questi risultati, osservano i ricercatori, suggeriscono la necessità di tecniche più robuste per l'identificazione degli utenti umani di quelle garantite da CAPTCHA.