인공 지능을 사용한 얼굴 인식에 관한 사실

얼굴 인식은 이미지나 비디오에서 사람을 식별하기 위해 만들어진 시스템입니다. 이 기술은 수십 년 동안 존재해 왔지만, 개인 사진 애플리케이션 및 모바일 디바이스의 보조 인증과 같은 혁신적인 솔루션을 지원하면서 지난 몇 년간 더욱 눈에 띄게 사용되고 접근성이 향상되었습니다. 이러한 새로운 기능을 이해하기 위해 먼저 얼굴 인식이 어떻게 작동하는지 살펴보겠습니다.

Amazon Rekognition에서 제공하는 것과 같은 얼굴 분석 기능을 사용하면 사용자가 이미지 또는 비디오에서 얼굴이 있는 위치와 해당 얼굴의 특성을 파악할 수 있습니다. 예를 들어 Amazon Rekognition은 눈을 떴는지 아니면 감았는지, 기분, 머리카락 색상, 얼굴의 시각적 기하학과 같은 특성을 분석할 수 있습니다. 이러한 탐지된 특성은 메타데이터 태그를 사용하여 몇 초 만에 수백만 개의 이미지를 분류 또는 검색(예: 행복, 안경, 연령대)하거나 사람을 식별(즉, 소스 이미지 또는 고유 식별자를 사용한 얼굴 인식)해야 하는 고객에게 매우 유용합니다.

얼굴 인식은 많은 애플리케이션 및 산업 분야에서 유용합니다. 오늘날, 이 기술은 뉴스 조직이 중요한 사건 보도에서 유명인사를 확인하고, 모바일 애플리케이션에서 보조 인증을 제공하며, 미디어 및 엔터테인먼트 회사를 위해 이미지와 비디오 파일을 자동으로 인덱싱하고, 인도주의 단체가 인신매매 피해자를 식별하고 구출하는 데 사용됩니다.

예를 들어 Marinus Analytics는 Amazon Rekognition과 함께 인공 지능을 사용하여 기관에 인신매매 피해자를 식별하고 찾는 데 도움이 되는 Traffic Jam과 같은 도구를 제공합니다. 이전에는 수사관들이 개별적으로 분석해야 했던 수백만 개의 레코드를 이제 이미지 분석을 사용하여 몇 초 만에 자동으로 검색하여 귀중한 시간을 절약합니다.

또 다른 예로는 동아프리카에 본사를 둔 금융 서비스 회사인 Aella Credit을 들 수 있습니다. 이 회사는 금융 서비스가 부족한 신흥 시장에서 모바일 앱을 통해 개인에게 은행 서비스를 제공합니다. Aella Credit은 Amazon Rekognition의 얼굴 탐지 및 비교 기능을 사용하여 사람의 개입 없이도 신원 확인을 제공할 수 있습니다. 이처럼 얼굴 인식을 사용하면 이전에 가능했던 것보다 더 많은 개인이 은행 서비스에 액세스할 수 있습니다. Amazon Rekognition을 사용하는 다른 고객 사례는 여기(Amazon Rekognition 고객)에서 확인할 수 있습니다.

얼굴 인식은 개인 정보 보호 권리를 비롯하여 개인의 권리를 침해하거나 사람에 의한 분석이 필요한 시나리오에 대해서 독자적인 결정을 내리는 방법으로 사용해서는 안 됩니다. 예를 들어 은행에서 금융 애플리케이션에 Amazon Rekognition과 같은 도구를 사용하여 고객의 신원을 확인하는 경우, 은행은 항상 기술 사용을 명확하게 공개하고 고객에게 약관 동의를 요청해야 합니다. 공공 안전 및 법 집행에 관련하여, AWS는 정부가 시민의 권리를 보호하고 법 집행 기관이 공공의 안전을 보호할 수 있는 얼굴 인식 기술에 대한 허용 가능한 사용 정책을 개발하기 위해 법 집행 기관과 협력할 수 있다고 생각합니다.

모든 공공 안전 및 법 집행 시나리오에서 Amazon Rekognition과 같은 기술은 잠재적 일치 범위를 좁히는 데만 사용해야 합니다. Amazon Rekognition의 응답을 통해 관계자들은 사람이 추가로 분석하도록 일련의 잠재적 얼굴을 신속하게 확보할 수 있습니다. 공공 안전 사용 사례의 심각성을 고려할 때 얼굴 인식을 보강하기 위한 사람의 판단이 필요하며, 얼굴 인식 소프트웨어를 독자적으로 사용해서는 안 됩니다.

Matt Wood 박사가 말했듯이, “기계 학습은 법 집행 기관을 돕는 매우 귀중한 도구입니다. 이것이 올바르게 적용될지 걱정이 되더라도 온도가 잘못 설정되어 피자를 태울 수 있기 때문에 오븐을 버리는 일은 하지 말아야 합니다. 하지만 정부가 법 집행 기관이 공공 안전 업무를 지원하는 데 필요한 온도(또는 신뢰 수준)를 제안하고 지정하는 것이 합리적입니다.”

얼굴은 눈, 코, 눈썹, 입 및 기타 얼굴 각 부분 간의 관계를 비롯하여 시각적 기하학을 기반으로 일치하게 됩니다. 이미지가 Amazon Rekognition에 의해 분석될 때, 얼굴 주위에는 경계 상자라는 윤곽선이 있습니다. 이 윤곽선은 이미지에서 Rekognition이 분석에 고려하는 부분을 결정합니다. 그런 다음 분석에서는 얼굴의 주요 요소의 “위치”를 표시하는 이미지에 대한 객체 표기 번호를 생성합니다. 고객이 얼굴 검색을 실행할 때 이 기술은 소스 이미지의 이 데이터를 검색하는 각 이미지와 비교합니다. 이를 바탕으로 이 서비스는 이미지의 각 얼굴에 유사도 점수를 할당합니다. 이 접근 방식은 Amazon Rekognition이 한 얼굴이 다른 얼굴과 잠재적으로 일치할 가능성에 대한 정보만 보유하고 개인 신원에 대한 정보는 보유하지 않음을 보장합니다.

유사도 점수는 Amazon Rekognition이 분석했을 때 이미지에서 두 얼굴이 같은 사람일 가능성을 나타내는 통계 척도입니다. 예를 들어 95%의 유사도 점수를 받은 이미지는 Rekogniton이 분석한 모든 얼굴 중에 이 이미지가 검색하는 얼굴과 95% 유사도를 가지고 있음을 나타냅니다. 유사도 점수가 높을수록 두 이미지가 같은 사람일 가능성이 높다는 것을 의미합니다. 그렇긴 하지만 99%의 유사도조차도 확실한 일치라고 보장하지는 않습니다.

Rekognition에서 절대적인 정확도를 결정할 수 없는 확률적 시스템이라는 것을 사용하기 때문입니다. 대신에 이는 예측입니다.

바로 여기에 유사도 임계값이 필요합니다. 유사도 임계값은 Rekognition을 사용하는 애플리케이션이 가능한 일치 항목으로 받아들일 수 있는 가장 낮은 유사도 점수입니다. 임계값 선택은 반환되는 검색 결과에 근본적인 영향을 미칩니다. 고객이 허용할 수 있는 잘못된 식별 수(‘거짓 긍정’이라고도 함)는 임계값 설정의 직접적인 결과입니다. 고객은 요구 사항과 애플리케이션 사용 사례를 기반으로 적절한 설정을 선택합니다.

AWS에서는 매우 정확한 얼굴 유사도 일치가 중요한 사용 사례에서는 99% 임계값 설정을 권장합니다. 예를 들어 공공 안전과 법 집행 시나리오에서 이는 종종 범위를 좁히고 사람이 자신의 판단을 사용하여 옵션을 신속하게 검토하고 고려할 수 있도록 하는 중요한 첫 번째 단계입니다.

반면에 많은 시나리오에서는 Amazon Rekognition 응답을 사람이 검토할 필요가 없습니다. 직원 배지와 보조 팩터 인증으로 Amazon Rekognition이 분석한 얼굴이 높은 유사도(99%)를 가진 경우를 예로 들 수 있으며, 약간의 부정확한 일치가 허용될 수 있는 개인 사진 모음 애플리케이션에서는 80%의 좀 더 낮은 임계값이 받아들여질 수 있습니다. 고객은 사용 사례와 요구 사항에 맞춰 유사도 임계값을 조정할 수 있습니다.

유명 인사 인식은 다양한 영화 장면과 환경에서 잠재적으로 유명한 사람을 식별하기 위해 설계되었습니다. 유명 인사는 종종 다른 캐릭터를 연기하므로(다른 메이크업이나 가발을 하거나 외모를 바꿈), 이 Amazon Rekognition 기능은 특정한 유명 인사 목록 내에서 가장 높은 확률로 일치 결과를 반환하도록 사전에 레이블이 지정된 데이터로 교육을 받았습니다. 설계상 이 사용 사례는 많은 수의 거짓 긍정을 허용하며 공공 안전 또는 접 집행 사용 사례에 사용해서는 안 됩니다.  

반면에 Rekognition의 얼굴 검색 기능은 두 얼굴 간의 정확한 유사도를 알려주도록 설계되었으며, 정확한 일치 결과를 내도록 최적화하여 실종된 어린이를 찾아 부모와 만나게 하거나, 직원이 건물에 들어갈 수 있도록 액세스 권한을 부여하거나, 인신매매 피해자를 식별 및 구축하는 등의 보안 및 공공 안전 애플리케이션에서 사용할 수 있습니다.

이 두 기능은 사용하는 기반 기술, 적용되는 사용 사례, 지원하는 고객이 완전히 다릅니다.

예. 얼굴 인식과 작동 방식에 대한 몇 가지 일반적인 오해를 살펴보겠습니다.

첫째, 어떤 사람들은 사람이 기계보다 얼굴과 사진을 더 잘 비교할 수 있다고 믿습니다. 하지만 National Institute for Standards and Technology(NIST)는 최근에 Amazon Rekognition에 사용된 모델보다 최소 2년 이상 뒤처진 얼굴 인식 기술에 대한 연구를 공유했으며 더 오래된 기술도 사람의 얼굴 인식 능력을 능가할 수 있다고 결론지었습니다.

둘째, 모든 확률적 시스템에서처럼 긍정 오류가 존재한다고 해서 얼굴 인식에 결함이 있다는 의미는 아닙니다. 그보다는 주어진 사용 사례와 관련된 적절한 유사도 임계값을 설정하는 등의 모범 사례를 따라야 하는 필요성을 강조합니다. 또한, 이 기술의 이점 중 하나는 지속적인 학습과 개선을 통해 시간이 지나면서 긍정 오류가 줄어들 수 있다는 것입니다.

오늘날 Thorn, VidMob, Marinus Analytics 및 POPSUGAR와 같은 성공한 많은 고객이 간단한 방식으로 강력한 영향을 미치는 얼굴 인식을 사용할 수 있습니다.

AWS에서는 얼굴 인식 사용을 시작하는 데 도움이 되는 규범적 지침과 함께 상세한 설명서와 10분 자습서를 제공합니다.

• 10분 자습서: 얼굴 탐지, 분석 및 비교
• Amazon Rekognition 설명서
  • 얼굴 인식용 이미지 작업을 위한 모범 사례
    
  • 얼굴 탐지 및 분석
  • 모음에서 얼굴 검색
  • 유명 인사 인식

Amazon Rekognition이 악의적이거나 불법적인 방식으로 사용되거나 자신의 권리 또는 다른 사람들의 권리를 침해하는 것으로 의심되는 경우 해당 사용을 신고해 주십시오. 그러면 AWS에서 문제를 조사합니다.