Os fatos sobre a tecnologia de reconhecimento facial com inteligência artificial

O Amazon Rekognition ajuda a integrar tecnologias altamente precisas de análise de imagem e vídeo aos seus aplicativos. Assim como acontece com muitos avanços tecnológicos, é importante compreender como o reconhecimento facial funciona e como ele pode ser usado. Vamos dar uma olhada nas perguntas frequentes.


O que é reconhecimento facial?

Reconhecimento facial é um sistema desenvolvido para identificar uma pessoa por meio de imagem ou vídeo. Essa tecnologia já existe há décadas, mas seu uso se tornou mais perceptível e acessível nos últimos anos, pois agora ela é usada em soluções inovadoras, como aplicativos pessoais de foto e autenticação secundária para dispositivos móveis. Para compreender esses recursos emergentes, primeiramente devemos discutir como o reconhecimento facial funciona.

Os recursos de análise facial, como os disponibilizados no Amazon Rekognition, permitem que os usuários identifiquem a presença de rostos em uma imagem ou vídeo, indicando também quais atributos esses rostos têm. Por exemplo, o Amazon Rekognition consegue analisar atributos como olhos abertos ou fechados, humor, cor do cabelo e geometria visual do rosto. Esses atributos de detecção são cada vez mais úteis para clientes que precisam organizar ou pesquisar milhões de imagens por segundo usando tags de metadados (por exemplo, feliz, óculos, faixa etária) ou identificar alguém (ou seja, reconhecimento facial usando uma imagem de origem ou um identificador exclusivo).


Como os clientes estão usando o reconhecimento facial?

O reconhecimento facial é útil para ser usado com muitos aplicativos e verticais do setor. Hoje em dia, vemos que essa tecnologia tem sito usada por meios de comunicação para identificar celebridades durante a cobertura de eventos importantes, também para fornecer autenticação secundária em aplicativos móveis, por empresas de entretenimento e mídia para indexar arquivos de imagem e vídeo automaticamente, além de ajudar grupos humanitários que trabalham na identificação e no resgate de vítimas de tráfico de pessoas.

Marinus Analytics, por exemplo, utiliza inteligência artificial com o Amazon Rekognition para fornecer ferramentas, como o Traffic Jam, a agências que auxiliam na identificação e localização de vítimas do tráfico de pessoas. Os investigadores economizam um tempo valioso ao usar a análise de imagens para pesquisar automaticamente milhões de registros em questão de segundos. Antes, esse processo exigia uma análise individual por parte dos investigadores.

Outro exemplo é a Aella Credit, uma empresa de serviços financeiros sediada na África Ocidental que fornece serviços bancários via aplicativo móvel para pessoas com acesso limitado aos serviços bancários dos mercados emergentes. Ao usar o recurso do Amazon Rekognition para detectar e comparar rostos, a Aella Credit consegue fazer verificação de identidade sem qualquer intervenção humana. O simples uso do reconhecimento facial permite que mais pessoas tenham acesso aos serviços bancários do que era possível antes. Você encontra mais exemplos de clientes que usam o Amazon Rekognition aqui: Clientes do Amazon Rekognition.


Como usar o reconhecimento facial com responsabilidade?

O recurso de reconhecimento facial nunca deve ser usado de maneira que viole os direitos do indivíduo, incluindo o direito à privacidade, nem para tomar decisões autônomas em situações que exigem uma análise humana. Por exemplo, quando um banco usa ferramentas como o Amazon Rekognition em um aplicativo financeiro para autenticar a identidade do cliente, o banco sempre deve comunicar com clareza a forma como usa a tecnologia, pedindo que o cliente aprove os termos e condições. Com relação à segurança pública e aplicação da lei, acreditamos que os governos estão livres para trabalhar com agências de segurança para desenvolver políticas de uso aceitável de tecnologias de reconhecimento facial que protejam os direitos dos cidadãos e permitam que as autoridades protejam a segurança do público.

Em todos os cenários de segurança pública e aplicação da lei, tecnologias como o Amazon Rekognition devem ser usadas apenas para restringir o campo de possíveis correspondências. Os resultados do Amazon Rekognition ajudam os agentes a obter rapidamente um grupo de possíveis rostos que depois passa por uma análise humana mais aprofundada. Considerando a seriedade dos casos de uso na segurança pública, o software de reconhecimento facial não deve ser usado de forma autônoma, sendo a análise humana necessária para aprimorar o reconhecimento facial.

Como afirma o Dr. Matt Wood, “Machine Learning é uma ferramenta muito valiosa para ajudar as agências de aplicação da lei e, embora sua aplicação correta seja uma preocupação, não devemos ignorar esse recurso. Uma ideia razoável é que os governos indiquem os níveis de confiança ou até que ponto querem que as agências de aplicação da lei utilizem essa tecnologia no trabalho de segurança pública.


Como o reconhecimento facial funciona no Amazon Rekognition?

Os rostos são comparados com base na geometria visual, incluindo as proporções entre os olhos, o nariz, as sobrancelhas, a boca e outras características faciais. Quando as imagens são analisadas pelo Amazon Rekognition, é criado um contorno ao redor do rosto chamado de caixa delimitadora. Ela define a única parte da imagem que o Rekognition analisa. Depois disso, a análise cria números de notação de objeto para a imagem, indicando a “localização” dos principais elementos do rosto. Quando os clientes realizam uma pesquisa de rosto, a tecnologia compara os dados da imagem original com cada uma das imagens pesquisadas. Por meio disso, o serviço atribui uma pontuação de similaridade a cada rosto da imagem. Essa abordagem garante que o Amazon Rekognition não retenha qualquer informação sobre a identidade da pessoa, somente o cálculo de semelhança entre um rosto e outro.


O que é pontuação de similaridade e limite de similaridade?

A pontuação de similaridade é o cálculo estatístico da probabilidade de que dois rostos em uma imagem sejam da mesma pessoa, ao serem analisados pelo Amazon Rekognition. Uma imagem que recebe a pontuação de similaridade de 95%, por exemplo, indicaria que entre todos os rostos que o Rekognition analisou, essa tem 95% de similaridade com o rosto pesquisado. Uma pontuação de similaridade maior significa maior probabilidade de que duas imagens sejam da mesma pessoa. Ou seja, mesmo 99% de similaridade não garante uma combinação positiva.

É por isso que o Rekognition usa um sistema probabilístico. Em vez de fazer determinações totalmente precisas, o sistema faz uma previsão.

É então que o limite de similaridade entra em ação. Um limite de similaridade é a menor pontuação de similaridade que o aplicativo que usa o Rekognition consegue aceitar para uma possível combinação. A escolha do limite tem impacto fundamental sobre os resultados da pesquisa encontrados. O número de identificações equivocadas (às vezes, chamadas de “falso positivos”) que podem ser toleradas pelo cliente é resultado direto de uma configuração de limite. O cliente seleciona a configuração adequada com base em suas necessidades e caso de uso do aplicativo.

Recomendamos uma configuração de limite de 99% para casos de uso nos quais é importante ter alta precisão de combinação de rostos. Nos cenários de segurança pública e aplicação da lei, por exemplo, essa costuma ser uma etapa inicial e importante para ajudar a limitar o campo pesquisado e permitir que os agentes humanos revisem e considerem rapidamente as opções usando sua análise.

Por outro lado, muitos cenários não exigem uma revisão humana das respostas do Amazon Rekognition. Por exemplo, autenticação de fator secundário com um crachá de funcionário e um rosto reconhecido pelo Amazon Rekognition com uma semelhança alta (99%). Ou um aplicativo pessoal de coleta de fotos, no qual algumas correspondências incorretas podem ser toleradas; um limite inferior de 80% pode ser aceitável. Os clientes podem ajustar o limite de similaridade para os detalhes de seu caso de uso e das necessidades.


O que é a API do Celebrity Recognition? É o mesmo que fazer uma pesquisa facial ou é algo diferente?

O recurso Celebrity Detection é projetado para identificar potenciais pessoas famosas em diferentes cenas de filme e ambientes. Como as celebridades costumam interpretar personagens diferentes (usando maquiagem, perucas e outras mudanças de aparência), esse recurso do Amazon Rekognition foi treinado em dados pré-rotulados para retornar as correspondências mais prováveis com base em uma lista específica de pessoas famosas. Por padrão, esse caso de uso permite um número maior de falsos positivos e não deve ser usado em casos de uso de segurança pública ou da aplicação da lei. 

Por outro lado, o recurso Face Search do Rekognition é projetado para informar a quantidade precisa de similaridade entre dois rostos. Além disso, pode ser otimizado para correspondências precisas, sendo usado em aplicativos de segurança e segurança pública, como ao localizar crianças desaparecidas para trazê-las de volta aos pais, para autorizar o acesso do funcionário a um edifício ou identificar e resgatar vítimas de tráfico de pessoas.

Esses dois recursos são completamente diferentes em relação à tecnologia subjacente que eles usam, aos casos de uso que eles resolvem e aos clientes que eles atendem.


A tecnologia de reconhecimento facial é segura?

Sim. Vamos ver alguns conceitos equivocados comuns sobre o reconhecimento facial e como ele funciona.

Primeiramente, alguns acreditam que as pessoas conseguem comparar rostos e imagens melhor do que as máquinas. No entanto, o National Institute for Standards and Technology (NIST) compartilhou recentemente um estudo de tecnologias de reconhecimento facial que estão pelo menos dois anos atrás dos modelos usados no Amazon Rekognition e concluiu que mesmo as tecnologias mais antigas poderiam superar as habilidades humanas de reconhecimento facial.

Em segundo lugar, como em todos os sistemas probabilísticos, a mera existência de falso-positivos não significa que o reconhecimento facial é falho. Em vez disso, ele reforça a necessidade de seguir as melhores práticas, como definir um limite de similaridade razoável que se correlacione com o caso de uso determinado. Além disso, uma das vantagens dessa tecnologia é que ela aprende e melhora continuamente, de modo que falso-positivos podem ser reduzidos com o tempo.

Hoje, muitos clientes bem-sucedidos, como a Thorn, a VidMob, a Marinus Analytics e a POPSUGAR estão usando o reconhecimento facial de maneiras simples, mas com um impacto poderoso.


Como posso começar a usar a tecnologia de reconhecimento facial?

A AWS oferece tutoriais de 10 minutos, além de documentação detalhada com orientação prescritiva para ajudá-lo a começar a usar o reconhecimento facial.

10-Minute Tutorial: Detect, Analyze, and Compare Faces

Documentação do Amazon Rekognition

Práticas recomendadas para trabalhar com imagens destinadas ao reconhecimento facial

Detectar e analisar faces

Pesquisar faces em uma coleção

Reconhecer celebridades


Fonte: https://aws.amazon.com/pt/rekognition/the-facts-on-facial-recognition-with-artificial-intelligence/