Bankitalia, reti siamesi IA per le banconote

La novità riguarda un punto molto più preciso della generica applicazione dell’IA al denaro: usare una rete neurale addestrata su confronti tra immagini per assistere il controllo finale di qualità nella produzione di banconote, dove un difetto può cambiare la valutazione di conformità di un lotto.

Sommario dei contenuti

Che cosa ha pubblicato Bankitalia

Il lavoro si intitola Siamese Networks for AI-powered Automated Banknote Quality Control ed è firmato da Salvatore Gentile, Andrea Luciani, Sabina Marchetti, Domenico Pansini e Marco Viticoli. La collana è Mercati, infrastrutture, sistemi di pagamento, un contenitore tecnico usato dalla Banca d’Italia per analisi legate alle proprie funzioni istituzionali su mercati, infrastrutture e sistemi di pagamento.

Il riscontro di ANSA conferma il perimetro essenziale della notizia: lo studio valuta l’efficacia delle reti neurali siamesi nell’individuazione di potenziali errori di stampa e colloca l’IA come strumento di supporto agli operatori altamente specializzati. La differenza decisiva sta nel dettaglio tecnico del paper: la sperimentazione descrive come viene costruito il confronto, quali immagini entrano nel campione e quali metriche misurano il rischio di classificazione.

Dove entra l’algoritmo nella produzione

La produzione di banconote è già un processo fortemente automatizzato. Molte fasi produttive e una quota ampia dei controlli qualità sono governate da sistemi industriali e ispezioni visive assistite. Il tratto delicato resta la valutazione finale del biglietto finito: operatori formati esaminano le immagini e stimano numero, natura e gravità dei difetti di stampa per decidere se la produzione rispetta lo standard richiesto.

Qui l’IA interviene come strumento di ordinamento del rischio. Un operatore può avere davanti anomalie molto diverse per dimensione, posizione, intensità e impatto sulla leggibilità della banconota. Un modello che segnala scostamenti visivi rispetto a esemplari idonei può ridurre l’area da ispezionare e rendere più stabile la valutazione, soprattutto quando i difetti lievi si confondono con variazioni normali del processo.

Perché proprio le reti siamesi

Una rete siamesi lavora sulle relazioni fra coppie di immagini. Due sottoreti identiche, con pesi condivisi, trasformano ogni immagine in una rappresentazione numerica; la distanza euclidea fra le rappresentazioni arriva poi a un livello di classificazione binaria. In pratica, il modello impara quanto un’immagine assomigli a un riferimento idoneo invece di pretendere un catalogo chiuso di ogni difetto possibile.

Il vantaggio è matematico oltre che industriale. Il paper ricorda che con N osservazioni il numero di coppie uniche è pari a N(N – 1)/2. Tradotto sui dati del training, i 130 campioni del retro generano in astratto 8.385 confronti potenziali e i 181 campioni del fronte ne generano 16.290. È il motivo per cui un approccio few-shot può diventare utile quando il numero di esempi reali resta limitato e la varietà dei difetti cresce molto più velocemente della banca dati.

Il campione: 446 immagini e 21 tipi di difetto

Il dataset del paper contiene 446 immagini, con circa il 48% di esemplari classificati come idonei. Le immagini coprono fronte e retro delle banconote, includono 21 tipi di difetto e raccolgono difetti severi, medi e leggeri. Fra gli esempi considerati compaiono inchiostro mancante, stampa disallineata, sbavature e danni all’integrità fisica del biglietto.

La struttura del campione spiega bene la difficoltà del controllo. Sul retro entrano 130 immagini nel training e 57 nel test; sul fronte 181 immagini nel training e 78 nel test. Il campione ha un limite dichiarato: la distribuzione dei difetti resta irregolare, perché alcune anomalie sono più frequenti su un lato o in una fase di stampa. Il paper registra per esempio che oltre il 90% dei difetti bite disponibili appartiene alla classe media, che i difetti setoff osservati sono tutti medi e che i difetti wiping compaiono soltanto sulle immagini del fronte.

Risultati: il salto arriva quando entrano anche i difetti leggeri

La parte più utile del lavoro sta nel confronto fra due addestramenti. Usare soltanto difetti severi e medi produce un modello troppo prudente: sul fronte la precisione è 0,5, il recall 0,074 e la specificità 0,961; sul retro la precisione sale a 0,8, il recall arriva a 0,267 e la specificità si ferma a 0,926. Il sistema individua bene molte anomalie evidenti, però fatica a riconoscere come idonei gli esemplari senza difetti.

Quando il training include tutti i livelli di difetto, quindi anche quelli leggeri, il quadro cambia. Sul fronte la precisione raggiunge 1,0, il recall 0,926 e la specificità 1,0. Sul retro la precisione si attesta a 0,95, il recall a 0,633 e la specificità a 0,963. La lettura operativa è chiara: mostrare al modello anche difetti lievi lo aiuta a distinguere meglio la variabilità accettabile dalla deviazione significativa.

La soglia di decisione è il vero comando industriale

Il paper usa la soglia 0,5 per separare immagini idonee e non idonee. Questa soglia supera il dettaglio statistico: in un impianto produttivo decide quale errore pesa di più. Classificare come idonea una banconota difettosa può produrre costi finanziari e reputazionali; classificare come difettoso un esemplare idoneo può generare controlli aggiuntivi e spreco di capacità produttiva.

La nota sugli scenari alternativi rende visibile il compromesso. Con una soglia conservativa a 0,75, la precisione sulle immagini del retro raggiungerebbe il massimo però il recall scenderebbe intorno a 0,3. Abbassando la soglia a 0,25, il recall del retro salirebbe a 0,833 al prezzo di tre classificazioni problematiche su difetti medi e leggeri. La soglia diventa quindi una scelta di governance della qualità, da calibrare sul costo effettivo degli errori.

Spiegabilità: il modello deve mostrare dove guardare

Una rete accurata resta incompleta in produzione monetaria se il suo output resta opaco. Per questo gli autori aggiungono un approccio di spiegabilità basato su segmentazione SLIC, tecnica che divide l’immagine in regioni omogenee chiamate superpixel. Il sistema confronta segmenti dell’immagine testata con segmenti di un’immagine idonea simile e misura quanto cambia la somiglianza.

Le aree colorate con intensità più marcata indicano porzioni in cui la sostituzione del segmento produce una variazione significativa. Per l’operatore significa avere una mappa di priorità visiva: prima si guarda l’area evidenziata e poi l’intorno immediato. Il paper segnala anche il limite di questo metodo. Hologrammi, inchiostri cangianti e variazioni di texture possono generare regioni evidenziate che non coincidono perfettamente con il difetto. La mappa aiuta a orientare l’ispezione, la decisione resta nel dominio dello specialista.

Il salto rispetto al lavoro del 2023

Il precedente lavoro Bankitalia del 2023 aveva concentrato l’analisi su un difetto specifico: punti di inchiostro mancanti, indicati come bite, nell’elemento bandiera in alto a sinistra sul fronte della banconota da 50 euro. Quel perimetro serviva a provare l’impostazione su un caso controllato e ad alta severità.

Il paper del 2026 amplia il problema in modo sostanziale. Il modello considera entrambi i lati della banconota, più livelli di severità e una varietà più ampia di difetti. Questo passaggio sposta la ricerca da prova mirata a scenario vicino alla complessità reale del controllo qualità: dal riconoscimento di un’anomalia già nota in una posizione fissa si arriva alla distinzione di difetti possibili in punti, forme e intensità variabili.

Cosa cambia per la filiera delle banconote

Per i cittadini le modalità d’uso del contante restano invariate. L’impatto si colloca a monte, nella filiera di produzione e controllo. Un sistema di supporto più preciso può rendere più coerente l’ispezione finale, ridurre scarti inutili, concentrare l’attenzione degli specialisti sulle aree più sospette e documentare meglio il perché di una decisione.

La qualità fisica della banconota resta un tema di infrastruttura, anche in un mercato dove i pagamenti digitali crescono. Nel nostro approfondimento sui pagamenti digitali 2025 abbiamo mostrato il calo della frequenza d’uso del contante accanto alla crescita delle carte. Questo conferma l’esigenza di banconote affidabili: la banconota conserva funzione di accesso, riserva, inclusione e continuità operativa quando il digitale incontra interruzioni o esclusioni.

La cornice Eurosistema: qualità prima della circolazione

La produzione delle banconote euro si muove dentro un sistema decentrato. La BCE assegna volumi di produzione alle banche centrali nazionali e il modello comune di qualità serve a rendere omogenei i biglietti a prescindere dal luogo di stampa. In questa architettura, l’innovazione di controllo sviluppata da Bankitalia entra nel punto in cui standard industriale, sicurezza e responsabilità pubblica si incontrano.

La cornice giuridica confermata da EUR-Lex sulla decisione BCE/2010/22 chiarisce che i fabbricanti coinvolti nella produzione delle banconote euro devono ottenere l’accreditamento di qualità prima di iniziare o continuare l’attività. Letta dentro questo quadro, l’IA del paper diventa un possibile strumento per rendere più misurabile il giudizio tecnico dentro un processo già vincolato da standard europei.

Difetto di produzione e falso in circolazione: il confine tecnico

Il lavoro Bankitalia riguarda banconote prodotte e ispezionate nel processo industriale. La falsificazione è un tema diverso, collegato a riconoscimento dell’autenticità, ritiro dalla circolazione e analisi da parte delle autorità competenti. Mescolare i due piani porta a una lettura sbagliata: qui il sistema cerca errori di stampa e resta fuori dalla valutazione di una banconota ricevuta da un cittadino allo sportello o in negozio.

Il collegamento più corretto con i dossier monetari già aperti è quello sull’affidabilità dell’infrastruttura dei pagamenti. Nel nostro lavoro sugli standard tecnici dell’euro digitale abbiamo seguito la parte digitale della moneta pubblica. In questo caso il focus è fisico: qualità dell’immagine stampata, conformità del lotto e capacità di spiegare una decisione tecnica prima che il biglietto entri nella vita economica.