Il punto debole dell'identificazione del conducente non è quasi mai il sensore. È la pretesa di riaddestrare un classificatore ogni volta che un nuovo guidatore entra nella flotta. TEMPEST aggira il problema alla radice: proietta ogni finestra di guida in uno spazio angolare normalizzato, dove l'identità diventa una questione di distanza tra vettori, non di ri-etichettatura.

La scelta architetturale è netta. Una Temporal Convolutional Network impara embedding compatti a 96 dimensioni da finestre multimodali di 60 secondi, usando una loss con margine angolare additivo, la ArcFace. Il risultato non è un classificatore da aggiornare, ma una gallery di vettori di riferimento. Il modello, con 720 mila parametri e un ingombro di 2,80 MB, converge in 50 epoche. Questa è la premessa tecnica che rende possibile l'arruolamento dinamico: aggiungere o rimuovere un conducente non richiede né riaddestramento né rifacimento del classificatore.

Su 45 conducenti, TEMPEST ottiene il 91,71% di accuratezza Rank-1. Il distacco dal modello classico più performante è di 17,9 punti percentuali; dal baseline triplet-loss più solido è di 58,4 punti. Ma il numero che racconta meglio il problema è la degradazione all'aumentare del parco soggetti: passando da 10 a 45 conducenti, TEMPEST perde 4,3 punti percentuali, mentre i baseline triplet-loss supervisionati e non supervisionati ne perdono 22 e 32,5. Sul dataset pubblico Kia Soul, il vantaggio è di 7,3 punti within-session e 14,3 punti cross-session rispetto al modello classico più performante.

Il confronto tra triplet-loss e ArcFace non è una sfumatura accademica. La triplet-loss apprende relazioni relative tra esempi e tende a sovradattarsi a pattern di sessione quando la valutazione diventa rigorosa sul piano temporale. Il margine angolare additivo, invece, impone una separazione globale tra classi in uno spazio normalizzato. In pratica, ogni identità occupa una regione angolare stabile, non una fotografia di una sessione specifica. È questa differenza a spiegare la tenuta quando il numero di soggetti cresce.

Per chi gestisce flotte, l'implicazione non è solo prestazionale. L'arruolamento dinamico cambia il costo di gestione dell'identità. Un nuovo conducente diventa un vettore inserito in un database locale, non un'etichetta da iniettare in una pipeline di addestramento. Questo sposta il baricentro del deployment verso il bordo: un modello da 2,80 MB può vivere dentro il veicolo o in un server della flotta, senza dover spedire i dati di guida a un cloud centrale. Chi perde, in questo scenario, sono gli approcci che assumono riaddestramento periodico centralizzato e i fornitori che monetizzano quel ciclo. Chi valuta deployment on-premise trova in AI-RADAR framework analitici su /llm-onpremise per confrontare i trade-off, ma il dato centrale qui è che la sovranità dei dati smette di essere un lusso se l'arruolamento e l'inference restano locali.

La valutazione su 45 conducenti non autorizza a proiettare il risultato su flotte di migliaia di veicoli, e il lavoro non pretende di farlo. Il punto forte è il protocollo: valutazione temporale rigorosa, confronto cross-session su dataset pubblico, degrado misurato all'aumentare dei soggetti. È una base riproducibile per chi lavora su identificazione biometrica comportamentale. A livello strutturale, TEMPEST segnala che l'identificazione del conducente sta convergendo con il metric learning già ampiamente usato nel riconoscimento facciale. Non serve più addestrare un classificatore per ogni flotta; serve gestire una gallery di embedding in uno spazio angolare ben separato.

Questo non elimina le domande aperte sulla robustezza a segnali multimodali rumorosi o su pool di conducenti molto più ampi. Ma il fatto che un modello compatto e riproducibile riesca a contenere il degrado in una valutazione temporale severa è un segnale concreto: il collo di bottiglia dell'identificazione biometrica non è più la potenza di calcolo, ma la qualità dello spazio latente e la disciplina con cui lo si valuta.