Faits concernant la reconnaissance faciale avec l’intelligence artificielle

La reconnaissance faciale est un système créé pour identifier une personne à partir d’une image ou d’une vidéo. Cette technologie existe depuis des dizaines d’années, mais son utilisation s’est intensifiée et est devenue plus accessible au cours des dernières années. En effet, elle est aujourd’hui la base de solutions innovantes, comme les applications de photo personnelles ou encore une authentification secondaire pour les appareils mobiles. Pour comprendre ces nouvelles possibilités, parlons d’abord du fonctionnement de la reconnaissance faciale.

Les capacités de l'analyse faciale, comme celles disponibles dans Amazon Rekognition, permettent aux utilisateurs de comprendre où se situent les visages sur une image ou une vidéo, ainsi que les attributs qui les composent. Par exemple, Amazon Rekognition peut analyser des attributs tels que les yeux ouverts ou fermés, l'humeur et la couleur des cheveux. Une fois ces attributs détectés, ils deviennent extrêmement utiles pour les clients ayant besoin d'organiser des millions d'images ou d'effectuer des recherches dessus en quelques secondes à l'aide de balises de métadonnées (par exemple, content, lunettes, fourchette d'âge) ou encore d'identifier une personne (par exemple, reconnaissance faciale à l'aide d'une image source ou d'un identifiant unique).

La reconnaissance faciale sert dans de nombreux cas d’applications et secteurs d’activité. Aujourd’hui, nous constatons que cette technologie aide les organisations liées à l’actualité à identifier des célébrités lorsqu’elles couvrent des événements importants, fournit une authentification secondaire pour les appareils mobiles, indexe automatiquement des fichiers image et vidéo pour les sociétés de divertissement et multimédia, mais elle permet également aux groupes humanitaires d’identifier et secourir les victimes de trafic humain.

Marinus Analytics, par exemple, utilise l’intelligence artificielle avec Amazon Rekognition pour fournir aux agences des outils tels que Traffic Jam, qui les aide à identifier et localiser les victimes de trafic humain. Les enquêteurs gagnent un temps précieux grâce à l’analyse des images pour l’automatisation de la recherche dans des millions d’enregistrements, alors qu’auparavant, cela nécessitait une intervention humaine.

Prenons pour autre exemple Aella Credit, une société de services financiers basée en Afrique occidentale proposant des services bancaires via une application mobile pour les personnes bénéficiant de peu de services bancaires dans les marchés émergents. Grâce à la possibilité d’Amazon Rekognition de détecter et comparer les visages, Aella Credit peut profiter de la vérification d’identité sans intervention humaine. Cette utilisation simple de la reconnaissance faciale permet à davantage d’individus d’accéder à plus de services bancaires qu’auparavant. Vous trouverez d’autres exemples d’utilisation d’Amazon Rekognition par les clients ici : Clients Amazon Rekognition.

La reconnaissance faciale ne doit jamais être utilisée d’une façon qui entrerait en violation des droits de l’individu, notamment le droit à la confidentialité, ou qui prendrait des décisions autonomes pour des scénarios nécessitant une analyse humaine. Par exemple, lorsqu’une banque utilise des outils tels qu’Amazon Rekognition dans un contexte financier pour vérifier l’identité de leurs clients, cette dernière doit clairement indiquer son utilisation de la technologie et demander l’acceptation des conditions générales par le client. Concernant la sécurité publique et le respect de la loi, nous estimons que les gouvernements sont libres de collaborer avec des agences de mise en application de la loi afin de développer des politiques d’utilisation acceptables pour les technologies de reconnaissance faciale, ces dernières permettant de protéger à la fois les droits des citoyens et la sécurité publique.

Dans les scénarios d’application de la loi et de sécurité publique, une technologie telle qu’Amazon Rekognition ne doit être utilisée que pour restreindre le champ des correspondances potentielles. Les réponses d’Amazon Rekognition permettent aux autorités d’obtenir rapidement un ensemble de visages potentiels pour une analyse humaine plus poussée. Au vu du caractère sérieux des cas d’utilisation liés à la sécurité publique, le jugement humain est nécessaire pour compléter la reconnaissance faciale, et les logiciels de reconnaissance faciale ne doivent pas être utilisés de manière autonome.

Comme l’a dit le Dr Matt Wood, « Le machine learning est un outil précieux qui aidera les agences de mise en application de la loi et pendant que nous nous soucions de son utilisation correcte, il ne faut pas abandonner les base de peur qu’il ne soit hors de contrôle. Cela dit, il n’est pas insensé pour les administrations de pondérer et spécifier les niveaux de confiance des agences de mise en application de la loi pour la sécurité publique. »

La reconnaissance faciale Rekognition est construite à l'aide des technologies de ML et de vision par ordinateur. Cela fonctionne comme suit : (1) localisez la partie d'une image d'entrée qui contient le visage. (2) Extrayez la région de l'image contenant la tête et alignez-la de manière à ce que le visage soit en position verticale « normale », en produisant des images de visage rognées. (3) Convertissez chaque image de visage rognée en un « vecteur facial » (il s'agit techniquement d'une représentation mathématique de l'image d'un visage). Notez que les collections parcourues par SearchFaces sont des ensembles de vecteurs faciaux et non des ensembles d'images de visages. (4) Comparez les vecteurs faciaux source et cible et renvoyez le score de similarité du système pour ces vecteurs faciaux. Consultez la documentation destinée aux développeurs pour en savoir plus sur les appels d'API.

Le score de similitude est une mesure statistique déterminant la probabilité selon laquelle deux visages d’une image correspondent à une même personne lors d’une analyse effectuée par Amazon Rekognition. Une image recevant un score de similarité de 95 %, par exemple, indiquerait que parmi tous les visages analysés par Rekognition, cette même image a une similarité de 95 % avec le visage recherché. Un score de similarité plus élevé signifie qu’il est d’autant plus probable que les deux images correspondent à une même identité. Cela dit, même une similarité de 99 % ne garantit pas une correspondance positive.

Cela est dû au fait que Rekognition utilise ce que l’on appelle un système probabiliste dans lequel les déterminations ne peuvent pas être effectuées avec une précision absolue, mais plutôt avec une prédiction.

C’est là que le seuil de similarité entre en jeu. Le seuil de similitude correspond au score de similitude le plus faible que l’application qui Rekognition peut accepter en tant que correspondance positive. Le choix du seuil a un impact capital sur les résultats de recherche renvoyés. Le nombre de mauvaises identifications (parfois appelés « faux positifs ») acceptables par le client est un résultat direct de la définition du seuil. Un client sélectionne la définition appropriée en fonction de ses besoins et de son cas d’utilisation de l’application.

Nous recommandons un seuil de 99 % pour les cas d’utilisation dans lesquels des correspondances de similarité extrêmement précises sont capitales. Dans les scénarios de sécurité publique et de mise en application de la loi, par exemple, il est souvent primordial de restreindre le champ de recherche et de permettre aux humains d’effectuer rapidement des vérifications et de prendre en compte des options basées sur leur jugement.

D’un autre côté, de nombreux scénarios ne nécessitent pas de vérification humaine des réponses d’Amazon Rekognition. Par exemple, l’authentification à deux facteurs avec le badge d’un employé et un visage reconnu par Amazon Rekognition avec une similarité élevée (99 %). Sinon, dans une application de collection photo personnelle, où quelques correspondances incorrectes sont tolérées, un seuil plus bas de 80 % peut être acceptable. Les clients peuvent ajuster le seuil de similarité en fonction des spécificités de leur cas d’utilisation et de leurs besoins.

Celebrity Detection sert à identifier d’éventuelles personnes célèbres dans différents environnements et scènes de films. Comme les célébrités jouent souvent différents personnages (maquillage différent, perruques différentes et autres altérations de leur apparence), cette fonctionnalité d’Amazon Rekognition a été formée sur des données pré-étiquetées pour renvoyer les correspondances les plus probables dans une liste précise de personnes célèbres. De fait, ce cas d’utilisation autorise un nombre plus élevé de faux positifs et ne doit pas être utilisé pour la sécurité publique ou les mises en application de la loi.  

À l’inverse, la fonction Face Search de Rekognition est conçue pour vous donner la valeur précise de similarité entre deux visages. Elle peut aussi être optimisée pour des correspondances précises et utilisée dans des applications de sécurité et de sécurité publique, comme la recherche d’enfants disparus pour les remettre à leurs parents, l’autorisation d’employés à accéder à un bâtiment ou l’identification et l’aide aux victimes de trafic humain.

Ces deux fonctions sont complètement différentes par rapport à la technologie sous-jacente utilisée, les cas d’utilisation traités et les clients servis.

Oui. Examinons quelques idées fausses sur la reconnaissance faciale et son fonctionnement.

Tout d’abord, certaines personnes croient que les gens peuvent mettre en correspondance des photos de manière plus efficace que la machine. Cela étant dit, le National Institute for Standards and Technology (NIST) a récemment fait part d’une étude sur des technologies de reconnaissance faciale dépassées d’environ deux ans par rapport à celle d’Amazon Rekognition et a montré que même les technologies dépassées surpassaient l’humain en matière de reconnaissance faciale.

Ensuite, comme dans tous les systèmes probabilistes, la simple existence de faux positifs ne signifie pas que la reconnaissance faciale est défaillante. Au lieu de cela, elle met l’accent sur le besoin de suivre des bonnes pratiques, comme la configuration d’un seuil de similarité raisonnable en accord avec le cas d’utilisation donné. Un autre avantage de cette technologie est qu’elle apprend et s’améliore en permanence, de sorte que le nombre de faux positifs baisse au fil du temps.

À ce jour, beaucoup de clients prolifiques tels que Thorn, VidMob, Marinus Analytics ou encore POPSUGAR utilisent la reconnaissance faciale de manière simple et extrêmement efficace.

AWS fournit des didacticiels de 10 minutes ainsi qu’une documentation approfondie et des guides précis pour vous aider à vous lancer dans la reconnaissance faciale.

• Didacticiel de 10 minutes : Détection, analyse et comparaisons faciales
• Documentation Amazon Rekognition
  • Bonnes pratiques relatives au travail avec des images destinées à la reconnaissance faciale
    
  • Détection et analyse de visages
  • Recherche de visages dans une collection
  • Reconnaissance de célébrités

Si vous suspectez qu'Amazon Rekognition fait l'objet d'une utilisation abusive ou illégale, ou qui porte atteinte à vos droits ou à ceux d'autres personnes, veuillez la signaler afin qu'AWS puisse se pencher sur le problème.