Die Fakten zu Gesichtserkennung mit künstlicher Intelligenz

Gesichtserkennung ist ein System, mit dem eine Person über ein Bild oder Video identifiziert werden kann. Diese Technologie gibt es schon seit Jahrzehnten. In den letzten Jahren ist ihr Einsatz jedoch auffälliger und leichter zugänglich geworden, da sie jetzt innovative Lösungen antreibt, wie etwa persönliche Fotoanwendungen und die sekundäre Authentifizierung für Mobilgeräte. Besprechen wir zunächst, wie Gesichtserkennung funktioniert, damit wir diese neuen Technologien verstehen können.

Gesichtserkennungsfunktionen wie die von Amazon Rekognition ermöglichen es Benutzern, nachzuvollziehen, wo Gesichter in einem Bild oder Video erscheinen und welche Attribute diese Gesichter haben. Amazon Rekognition kann beispielsweise Attribute wie offene oder geschlossene Augen, Stimmung und Haarfarbe analysieren. Diese erkannten Attribute werden immer nützlicher für Kunden, die innerhalb von Sekunden mithilfe von Metadaten-Tags (z. B. glücklich, Brille, Altersbereich) Millionen Bilder organisieren oder durchsuchen oder eine Person identifizieren müssen (d. h. Gesichtserkennung mit einem Quellbild oder einem eindeutigen Merkmal).

Die Gesichtserkennung ist bei vielen Einsatzszenarien und Branchen nützlich. Heute hilft die Technologie Nachrichtenorganisationen, Prominente bei wichtigen Veranstaltungen zu identifizieren. Außerdem ermöglicht sie die sekundäre Authentifizierung bei Mobilanwendungen, indiziert automatisch Bild- und Videodaten für Medien- und Unterhaltungsunternehmen und unterstützt Hilfsorganisationen bei der Identifizierung und Rettung von Opfern von Menschenhandel.

Marinus Analytics verwendet zum Beispiel künstliche Intelligenz mit Amazon Rekognition, um Behörden Werkzeuge wie „Traffic Jam“ zur Verfügung zu stellen, die bei der Identifizierung und Lokalisierung der Opfer von Menschenhandel helfen. Ermittler sparen wertvolle Zeit mit der Bildanalyse, um automatisch innerhalb von Sekunden Millionen von Datensätzen zu durchsuchen, die vorher hätten einzeln analysiert werden müssen.

Ein weiteres Beispiel ist Aella Credit, ein Finanzdienstleistungsunternehmen in Westafrika, das über eine mobile App Banking-Services für Kunden mit eingeschränktem Bankzugang in Entwicklungsmärkten zur Verfügung stellt. Mit der Fähigkeit von Amazon Rekognition, Gesichter zu erkennen und zu vergleichen, kann Aella Credit eine Identitätsverifizierung zur Verfügung stellen, die ohne menschliches Zutun funktioniert. Der einfache Einsatz von Gesichtserkennung ermöglicht mehr Personen den Zugang zu Bankdienstleistungen als zuvor möglich war. Weitere Beispiele für Kunden, die Amazon Rekognition verwenden, finden Sie hier: Kunden von Amazon Rekognition.

Die Gesichtserkennung sollte nie auf eine Weise genutzt werden, welche die Rechte einer Einzelperson verletzt, einschließlich das Recht auf Privatsphäre. Auch sollten mit ihr keine autonomen Entscheidungen in Szenarien getroffen werden, die eine menschliche Analyse erfordern. Wenn zum Beispiel eine Bank Hilfsmittel wie Amazon Rekognition in einer Finanzanwendung nutzt, um die Identität von Kunden zu verifizieren, sollte die Bank die Verwendung der Technologie stets offenlegen und die Annahme der Nutzungsbedingungen einfordern. Was öffentliche Sicherheit und Strafverfolgungsbehörden betrifft, glauben wir, dass Regierungen gemeinsam mit Behörden an der Ausarbeitung von Richtlinien für einen akzeptablen Gebrauch von Gesichtserkennungstechnologien arbeiten sollten, die sowohl die Rechte von Bürgern schützen als auch Strafverfolgungsbehörden den Schutz der öffentlichen Sicherheit ermöglichen.

In allen Szenarien im Zusammenhang mit öffentlicher Sicherheit und Strafverfolgung sollte Amazon Rekognition nur zur Eingrenzung der möglichen Anzahl an Übereinstimmungen verwendet werden. Mit der Ausgabe von Amazon Rekognition können Beamte schnell einen Satz möglicherweise relevanter Gesichter zur weiteren menschlichen Analyse abrufen. Aufgrund der Tragweite der Nutzung im Bereich der öffentlichen Sicherheit ist menschliches Urteilsvermögen gefragt, um die Gesichtserkennung zu ergänzen. Gesichtserkennungssoftware sollte nicht autonom verwendet werden.

In den Worten von Dr. Matt Wood: „Machine Learning ist ein wertvolles Werkzeug, das Strafverfolgungsbehörden unterstützen kann. Obwohl wir uns Gedanken über den korrekten Einsatz machen müssen, sollten wir nicht den Ofen auf den Müll werfen, nur weil man die Temperatur falsch einstellen und die Pizza verbrennen könnte. Es ist jedoch eine gute Idee für die Regierung, sich zu äußern und festzulegen, welche Temperatur (oder welches Konfidenzniveau) Strafverfolgungsbehörden bei der Bewahrung der öffentlichen Sicherheit vorgegeben werden soll.“

Rekognition-Gesichtserkennung wird mithilfe von ML- und Computer-Vision-Technologien entwickelt. Das funktioniert wie folgt: (1) Suchen Sie den Teil eines Eingabebildes, der das Gesicht enthält. (2) Extrahieren Sie den Bildbereich, der den Kopf enthält, und richten Sie den Bereich so aus, dass sich das Gesicht in einer „normalen“ vertikalen Position befindet. Zugeschnittene Gesichtsbilder werden ausgegeben. (3) Wandeln Sie jedes zugeschnittene Gesichtsbild in einen „Gesichtsvektor“ um (technisch gesehen eine mathematische Darstellung des Gesichtsbildes). Beachten Sie, dass es sich bei den von SearchFaces durchsuchten Sammlungen um Sätze von Gesichtsvektoren handelt, nicht um Sätze von Gesichtsbildern. (4) Vergleichen Sie die Quell- und Ziel-Gesichtsvektoren und geben Sie den Ähnlichkeitswert des Systems für die Gesichtsvektoren zurück. Einzelheiten zu den API-Aufrufen finden Sie in der Entwicklerdokumentation.

Eine Ähnlichkeitswertung ist eine statistische Kennzahl darüber, wie wahrscheinlich zwei Gesichter in einem von Amazon Rekognition analysierten Bild die selbe Person sind. Ein Bild mit einer Ähnlichkeitswertung von 95 % würde beispielsweise bedeuten, dass unter allen von Rekognition analysierten Gesichtern dieses Bild eine 95 %-ige Ähnlichkeit zum Gesicht hat, das Gegenstand der Suche ist. Je höher die Ähnlichkeitswertung, desto wahrscheinlicher, dass die beiden Bilder die gleiche Person enthalten. Jedoch garantiert selbst eine 99 %-ige Ähnlichkeit nicht, dass es sich um eine Übereinstimmung handelt.

Denn Rekognition verwendet ein sogenanntes probabilistisches System, bei dem Ergebnisse nicht mit absoluter Genauigkeit bestimmt werden können. Stattdessen handelt es sich um eine Vorhersage.

Hier kommt der Ähnlichkeitsschwellenwert ins Spiel. Ein Ähnlichkeitsschwellenwert ist die niedrigste Ähnlichkeitswertung, die die Anwendung unter Einsatz von Rekognition als mögliche Übereinstimmung akzeptiert. Die Auswahl des Schwellenwerts wirkt sich maßgeblich auf die zurückgegebenen Suchergebnisse aus. Die Anzahl der Fehlidentifizierungen (manchmal auch „falsche Positive“ genannt), die der Kunde erhält, ist eine direkte Folge der Schwellenwerteinstellung. Ein Kunde wählt die geeignete Einstellung basierend auf seinen Anforderungen und des Einsatzbereiches der Anwendung aus.

Wir empfehlen eine Schwellenwerteinstellung von 99 % für Szenarien, bei denen äußerst genaue Übereinstimmungen wichtig sind. In der öffentlichen Sicherheit und bei der Strafverfolgung zum Beispiel ist dies oft ein wichtiger erster Schritt, um das Feld der möglichen Treffer einzugrenzen, damit Menschen mit ihrem Urteilsvermögen die verbleibenden Ergebnisse umfassender durchgehen können.

Auf der anderen Seite erfordern viele Einsatzfälle von Amazon Rekognition keine menschliche Prüfung. Zum Beispiel die Sekundärfaktorauthentifizierung mit einem Mitarbeiterausweis und einem von Amazon Rekognition unter hohem (99 %) Ähnlichkeitsschwellenwert erkannten Gesicht. Bei einer persönlichen Fotosammlungsanwendung, bei der einige falsche Treffer verschmerzt werden können, ist vielleicht ein niedrigerer Schwellenwert von 80 % vertretbar. Kunden können den Ähnlichkeitsschwellenwert entsprechend ihres Einsatzszenarios und ihrer Anforderungen anpassen.

Celebrity Detection ist darauf ausgelegt, mögliche Prominente in unterschiedlichen Filmszenen und Umgebungen zu erkennen. Da Prominente often unterschiedliche Charaktere spielen (mit anderem Makeup, Perücke und anderen Veränderungen des Erscheinungsbild), wurde diese Funktion von Amazon Rekognition-Funktion auf vorgekennzeichnete Daten geschult, um die höchstwahrscheinlichen Treffer innerhalb einer bestimmten Liste mit berühmten Personen zurückzugeben. Aufgrund dieses Ansatzes wird eine höhere Anzahl an falschen Positiven möglich und die Funktion sollte nicht für die öffentliche Sicherheit oder Strafverfolgung eingesetzt werden.  

Die Funktion Face Search von Rekognition ist im Gegensatz dazu darauf ausgelegt, Ihnen den genauen Ähnlichkeitswert zwischen zwei Gesichtern mitzuteilen. Sie kann für präzise Treffer optimiert und bei privaten und öffentlichen Sicherheitsszenarien eingesetzt werden, z. B. bei der Suche vermisster Kinder und ihrer Rückführung zu den Eltern, bei der Mitarbeiterzutrittsgenehmigung für Gebäude oder bei der Identifizierung und Rettung von Opfern von Menschenhandel.

Diese beiden Funktionen basieren auf unterschiedlicher Technologie und sind für unterschiedliche Einsatzzwecke und Kunden gedacht.

Ja. Sehen wir uns einige häufige Irrtümer über die Gesichtserkennung und ihre Funktionsweise an.

Einige Menschen glauben, dass Menschen Gesichter besser mit Fotos abgleichen können als Maschinen. Das National Institute for Standards and Technology (NIST) hat jedoch kürzlich eine Studie über Gesichtserkennungstechnologien veröffentlicht, die mindestens zwei Jahre hinter den in Amazon Rekognition verwendeten Modellen anzusiedeln sind. Sie kam zu dem Schluss, dass selbst ältere Technologien die Gesichtserkennungsfähigkeiten von Menschen übertreffen.

Zweitens bedeutet wie bei allen probabilistischen Systemen die bloße Existenz von falschen Positiven nicht, dass die Gesichtserkennung selbst fehlerhaft ist. Stattdessen unterstreicht dies den Bedarf nach empfohlenen Vorgehensweisen, wie etwa der Einstellung eines angemessenen Ähnlichkeitsschwellenwerts, der dem Einsatzszenario entspricht. Einer der Vorteile ist außerdem, dass sie kontinuierlich lernt und sich verbessert. Über längere Zeit wird die Anzahl der falschen Positive also sinken.

Heute verwenden viele erfolgreiche Kunden wie Thorn, VidMob, Marinus Analytics und POPSUGAR die Gesichtserkennung auf einfache Weise, um maximale Ergebnisse zu erzielen.

AWS bietet 10-minütige Tutorials und umfassende Dokumentationen mit Leitfäden, um Ihnen den Einstieg in die Gesichtserkennung zu erleichtern.

• 10-Minuten-Tutorial: Gesichter erkennen, analysieren und vergleichen
• Amazon Rekognition – Dokumentation
  • Empfohlene Vorgehensweisen zur Arbeit mit für die Gesichtserkennung beabsichtigten Bildern
    
  • Erkennung und Analyse von Gesichtern
  • Durchsuchen von Gesichtern in einer Sammlung
  • Erkennen von Prominenten

Wenn Sie vermuten, dass Amazon Rekognition in einer Weise verwendet wird, die missbräuchlich oder illegal ist oder Ihre Rechte oder die Rechte anderer Personen verletzt, melden Sie bitte diese Nutzung und AWS wird das Problem untersuchen.