I fatti sul riconoscimento facciale con l’intelligenza artificiale

Il riconoscimento facciale è un sistema creato per identificare una persona da un’immagine o un video. Questa tecnologia è disponibile da decenni, ma il suo utilizzo è diventato più evidente e accessibile negli ultimi anni: ora alimenta soluzioni innovative come le applicazioni per foto personali e l’autenticazione di secondo livello per dispositivi mobili. Per comprendere queste funzionalità in crescita, bisogna prima parlare di come funziona il riconoscimento facciale.

Le funzionalità di analisi facciale, come quelle disponibili su Amazon Rekognition, permettono agli utenti di capire dove si trovano le facce in un’immagine o un video e quali caratteristiche abbiano. Ad esempio, Amazon Rekognition può analizzare caratteristiche come occhi aperti o chiusi, umore, colore dei capelli e geometria ottica del volto. Le caratteristiche rilevate diventano sempre più utili per i clienti che devono organizzare o cercare in milioni di immagini in pochi secondi con tag di metadati (ad es. felice, occhiali, fascia di età) o identificare una persona (ovvero riconoscimento facciale usando un’immagine fonte o un identificatore univoco).

Il riconoscimento facciale trova la sua utilità in diverse applicazioni e mercati verticali. Oggi questa tecnologia supporta le testate giornalistiche nell’identificazione di celebrità quando coprono eventi importanti, fornisce autenticazione di secondo livello per applicazioni mobili, indicizza automaticamente file video e immagine per le società dei media e dell’intrattenimento e permette addirittura ai gruppi umanitari di identificare e salvare le vittime del traffico di esseri umani.

Marinus Analytics, ad esempio, utilizza l’intelligenza artificiale con Amazon Rekognition per fornire alle agenzie strumenti come Traffic Jam che li assistano nell’identificare e individuare le vittime del traffico di esseri umani. Gli investigatori risparmiano tempo prezioso con l’analisi delle immagini, che cerca automaticamente tra milioni di documenti in pochi secondi, un lavoro per cui prima serviva l’analisi individuale degli investigatori.

Un altro esempio è Aella Credit, una società di servizi finanziari con base nell’Africa occidentale che fornisce servizi bancari mediante app mobile per individui con accesso limitato ai servizi tradizionali nei mercati emergenti. Con la capacità di Amazon Rekognition di rilevare e confrontare facce, Aella Credit può fornire verifiche di identità senza interventi umani. Il semplice utilizzo del riconoscimento facciale permette a più individui di quanto fosse possibile in precedenza di ricevere accesso ai servizi bancari. Puoi trovare altri esempi di clienti che usano Amazon Rekognition qui: Clienti Amazon Rekognition

Il riconoscimento facciale non dovrebbe mai essere utilizzato in un modo che violi i diritti di un individuo, compreso il diritto alla privacy, o che prenda decisioni autonome in scenari che necessitano dell’analisi di un essere umano. Ad esempio, quando una banca usa strumenti come Amazon Rekognition in un’applicazione finanziaria per verificare l’identità dei clienti, dovrebbe sempre divulgare in modo chiaro l’utilizzo della tecnologia e chiedere ai clienti se accettano i termini e le condizioni. Per quanto riguarda la sicurezza pubblica e le forze dell’ordine, pensiamo che i governi siano liberi di lavorare con le forze dell’ordine per sviluppare politiche di utilizzo accettabili per le tecnologie di riconoscimento facciale che proteggano i diritti dei cittadini e allo stesso tempo permettano di garantire la sicurezza pubblica.

In tutti gli scenari di sicurezza pubblica e forze dell’ordine, la tecnologia come Amazon Rekognition dovrebbe essere impiegata solo per restringere il numero di potenziali corrispondenze. I risultati di Amazon Rekognition permettono a chi di dovere di ottenere velocemente una serie di potenziali volti che dovranno essere analizzati ulteriormente da esseri umani. Data la serietà dei casi di impiego riguardanti la sicurezza pubblica, il giudizio umano è necessario per aumentare le possibilità di riconoscimento facciale: il software non dovrebbe essere utilizzato in modo autonomo.

Come dichiarato dal dott. Matt Wood, “Il machine learning è uno strumento prezioso che supporta le forze dell’ordine e, mentre occupiamo della sua corretta applicazione, non dovremmo buttare via il forno perché la temperatura potrebbe essere impostata male e la pizza potrebbe bruciarsi. È comunque molto sensato che il governo intervenga e specifichi quale temperatura (o livelli di affidabilità) dovrebbe essere raggiunta dalle forze dell’ordine per il supporto nel loro lavoro di sicurezza pubblica”.

I volti trovano corrispondenze in base alla loro geometria ottica, compresi i rapporti tra occhi, naso, fronte, bocca e altre caratteristiche del viso. Quando le immagini vengono analizzate da Amazon Rekognition, compare un contorno intorno al viso, chiamato cornice, che determina la singola parte dell’immagine che Rekognition considera nella sua analisi. Quindi l’analisi produce numeri in notazione degli oggetti per l’immagine che indicano la “posizione” degli elementi principali del volto. Quando i clienti avviano una ricerca per volto, la tecnologia confronta i dati dall’immagine fonte con ciascuna immagine disponibile. A quel punto, il servizio assegna a ciascun viso nell’immagine un punteggio di somiglianza. Questo approccio assicura che Amazon Rekognition non possieda informazioni sull’identità di un individuo, ma soltanto la possibilità che un viso corrisponda potenzialmente a un altro.

Il punteggio di somiglianza è una misurazione statistica delle possibilità che due volti in un’immagine appartengano alla stessa persona quando viene svolta un’analisi di Amazon Rekognition. Un’immagine che ha ricevuto un punteggio di somiglianza del 95%, ad esempio, indica che, tra tutte le facce analizzate da Rekognition, questa immagine ha una somiglianza del 95% con il volto cercato. Un punteggio di somiglianza più elevato significa che ci sono buone probabilità che le due immagini abbiano la stessa identità. Detto ciò, nemmeno una somiglianza del 99% garantisce una corrispondenza positiva.

Questo avviene perché Rekognition utilizza un cosiddetto sistema probabilistico, dove non possono essere effettuati calcoli con precisione assoluta, ma si tratta piuttosto di una previsione.

Qui è dove entra in gioco la soglia di somiglianza. Una soglia di somiglianza è il punteggio di somiglianza più basso che possa essere accettato come possibile corrispondenza con l’utilizzo di Rekognition. La scelta della soglia ha un impatto fondamentale nei risultati di ricerca proposti. Il numero delle identificazioni sbagliate (a volte chiamate “falsi positivi”) che il cliente può permettersi è un risultato diretto dell’impostazione della soglia. Un cliente selezionerà l’impostazione appropriata in base alle proprie necessità e al caso di impiego dell’applicazione.

Consigliamo di impostare la soglia al 99% nei casi di impiego dove la corrispondenza della somiglianza dei volti deve essere necessariamente precisa. Negli scenari di sicurezza pubblica e forze dell’ordine, ad esempio, questo è spesso un passaggio fondamentale per ridurre le occorrenze e permettere agli esseri umani di rivedere rapidamente e di considerare le opzioni valutando in modo autonomo.

D’altra parte, molti scenari non necessitano una revisione umana dei risultati di Amazon Rekognition. Un esempio è l’autenticazione di secondo livello tra il tesserino di un dipendente e una faccia riconosciuta da Amazon Rekognition con una somiglianza elevata (99%). Un altro è un’applicazione per una collezione di foto personali, dove qualche corrispondenza sbagliata può essere tollerata e una soglia inferiore all’80% può essere accettabile. I clienti possono regolare la soglia di somiglianza a seconda dei loro casi di impiego e dei loro bisogni.

Il rilevamento di volti celebri è progettato per identificare potenziali personaggi famosi in diverse scene di film e nei vari ambienti. Dato che le celebrità spesso interpretano personaggi molto diversi tra loro (con trucco, parrucche e altri modi per modificare il proprio aspetto), questa funzionalità di Amazon Rekognition è stata programmata con dati pre-etichettati per dare corrispondenze altamente probabili all’interno di un elenco specifico di persone famose. In base alla progettazione, questo caso di impiego permette un numero elevato di falsi positivi e non dovrebbe essere utilizzato per la sicurezza pubblica o le forze dell’ordine.  

D’altra parte, la funzionalità di ricerca facciale di Rekognition è progettata per comunicare una quantità precisa di somiglianze tra due volti e può essere ottimizzata per corrispondenze esatte e utilizzata in applicazioni per la sicurezza pubblica, come la ricerca di bambini dispersi e la loro riunione con i genitori, l’autorizzazione di accesso degli impiegati a un edificio o l’identificazione e il salvataggio di vittime di traffico di esseri umani.

Queste due caratteristiche sono completamente diverse per quanto riguarda la tecnologia di base che usano, i casi di impiego che risolvono e i clienti che servono.

Sì. Adesso esaminiamo le convinzioni errate più comuni sul riconoscimento facciale e come funziona.

Innanzitutto, c’è chi pensa che le persone siano in grado di trovare le corrispondenze tra facce e foto meglio delle macchine. Tuttavia, recentemente il National Institute for Standards and Technology (NIST) ha condiviso uno studio su tecnologie di riconoscimento facciale che sono almeno due anni indietro rispetto ai modelli usati su Amazon Rekognition e ha concluso che anche tecnologie passate possono superare le capacità di riconoscimento facciale degli esseri umani.

In secondo luogo, come in tutti i sistemi probabilistici, la sola esistenza di falsi positivi non implica errori del riconoscimento facciale. Invece sottolinea la necessità di seguire le best practice, come impostare una soglia di somiglianza sensata, in base al caso di impiego. Inoltre, uno dei vantaggi di questa tecnologia risiede nel fatto che impari e migliori continuamente, perciò i falsi positivi possono ridursi nel tempo.

Ad oggi molti clienti di successo, come Thorn, VidMob, Marinus Analytics e POPSUGAR, stanno usando il riconoscimento facciale in modi semplici, ma con forte impatto.

AWS fornisce tutorial da 10 minuti e documentazione approfondita con orientamenti normativi per aiutarti a dare il via all’impiego del riconoscimento facciale.

• Tutorial da 10 minuti: rilevamento, analisi e confronto di volti
• Documentazione su Amazon Rekognition
  • Best practice per lavorare con immagini che servono per il riconoscimento facciale
    
  • Rilevare e analizzare volti
  • Cercare volti in una raccolta
  • Riconoscere celebrità

Se hai ragione di credere che Amazon Rekognition sia utilizzato in maniera illecita o illegale oppure infrange i tuoi diritti, nonché quelli di altre persone, puoi effettuare una segnalazione e AWS investigherà sulla questione.