Un sistema che guarda la webcam interamente in locale e stima l'affaticamento in tempo reale — progettato attorno all'EU AI Act, non nonostante.
La fatica al lavoro è un rischio concreto — per chi guida, per chi opera macchinari, per chi passa dieci ore allo schermo. Ma i software che "leggono le emozioni" dei dipendenti sono vietati dall'EU AI Act (Art. 5), e giustamente. La sfida di FARO: monitorare solo l'affaticamento, in modo etico e verificabile, senza che un singolo byte lasci il computer del lavoratore.
FARO legge il flusso della webcam ed estrae, tramite il face mesh di MediaPipe, una serie di segnali fisiologici della fatica:
Le feature alimentano un classificatore RandomForest da 300 alberi con normalizzazione z-score per soggetto: ogni persona ha occhi e mimica diversi, quindi il modello ragiona sugli scostamenti dalla sua baseline, non su soglie assolute. Quando il livello diventa critico, un overlay HUD propone una pausa morbida. Tutto è opt-in e worker-first: il lavoratore vede ciò che il sistema vede.
Il modello è addestrato sul dataset accademico UTA-RLDD (~7 GB di video di soggetti reali in stati di vigilanza e sonnolenza) con una scelta metodologica precisa: split per-soggetto, senza data leakage. Il modello viene testato esclusivamente su persone che non ha mai visto in training — la condizione reale di deployment.
Risultato: 76,5% di accuracy contro una baseline del 51%, confermato da test live su webcam. Nessuna metrica gonfiata da frame dello stesso soggetto presenti sia in training che in test — l'errore classico di questo tipo di sistemi.
Prototipo validato e funzionante in tempo reale, con overlay HUD brandizzato e calibrazione per-utente. Roadmap: estendere il dataset verso 60 soggetti, tarare le soglie di intervento e completare la pulizia delle feature meno predittive. In parallelo è stato condotto uno studio di scenario sull'adozione nel mercato del lavoro italiano, con report previsionale dedicato.