Imagen principal: sistema de identificación de cara de Rekognition del Amazonas. Crédito: Amazon
“Ver en las películas todo el tiempo, captura de una imagen y es todo pixelado y dicen ‘mejorar’, y llegar esta imagen agradable,” dice Tom Heseltine, Director Ejecutivo de la empresa de software de reconocimiento facial Aurora. “No es real. Pero con el aprendizaje profundo trata de hacer eso, y resulta bastante bueno. [Algunos sistemas de reconocimiento facial] son capaces de tomar esa imagen y construir una cara de alta resolución”.
Suena como algo sacado de un procedimiento de policía, pero gracias a mejoras en la tecnología de reconocimiento facial, oficiales reales de la ley han comenzado a experimentar con él. En el Reino Unido, Policía Metropolitana y la policía de Gales del sur de Londres han utilizado sistemas de reconocimiento facial para recoger a los posibles alborotadores de una multitud en eventos en general en tiempo real y al final en la capital galesa Cardiff, policía hizo futbol de Liga de campeones de 2017 una detención después de que el sistema se lanzó encima de un partido con una base de datos de criminales buscados.
Críticos, afirman sin embargo, el sistema es inexacto, y las estadísticas de la policía de Gales del sur mostraban el 92% de los casi 2.500 partidos en la Liga de Campeones final fueron ‘falsos positivos’. Pero otros dicen que número tiene sentido por sí misma y sólo debe considerarse en el contexto de cómo funciona el sistema. Así que, ¿cómo funciona la tecnología? Y ¿por qué, si así se avanza, el número de falsos positivos sería tan alto?
Aprendizaje profundo
Los sistemas más avanzados, Heseltine dice TechRadar, trabajan aunque profundo de aprendizaje, un tipo de máquina de aprendizaje que utiliza redes neuronales virtuales esencialmente reconstruir una simulación de un cerebro humano. Usted puede enseñar el sistema de reconocer caras que muestran cientos de miles de pares de caras y diciendo si coinciden o no.
“Enseña diciendo ‘estos dos son la misma gente, estos dos son diferentes personas’”, dijo Heseltine. “Ello en grandes servidores potentes, por lo general equipados con GPU para acelerar ese proceso de aprendizaje. Poco a poco aprende con el tiempo, y una vez que se completa con una red neuronal que es capaz de reconocer rostros.”
Sistemas de reconocimiento de cara de Aurora se utilizan en los aeropuertos, empresas constructoras y en otros lugares donde la seguridad es una consideración clave. Crédito: Aurora
Que proceso de aprendizaje puede tomar varios días, o puede ser tan poco como algunas horas para que un sistema menos avanzado. Todo depende de lo que quieres hacer en la práctica el sistema. Si usted quería reconocer fotos de pasaporte, entonces sólo mostrar se los tipos de imágenes, que son de alta calidad, fotos de personas mirando directamente a la cámara.
Pero “si eso es todo la red neuronal se ha visto, eso es todo siempre va a ser bueno,” añade Heseltine – por lo que entonces no podía utilizar ese sistema para reconocer rostros en las imágenes de CCTV granulada, por ejemplo. Pero se pueden entrenar los sistemas para reconocer imágenes de menor calidad tomados de una variedad de ángulos.
Un sistema de reconocimiento facial no puede decir si son dos imágenes de una cara de la misma persona; simplemente asigna un puntaje de semejanza basado en la similitud de sus características. Por ejemplo, para una cámara de captura de vídeo en tiempo real, el sistema podría mirar un rostro en un marco de las imágenes y comparar a todos las caras en una base de datos de la policía conocido. Luego se asigna un puntaje de semejanza para cada cara, generando una larga lista de números. Todavía depende de un ser humano para confirmar si se emparejan dos caras.
Una camioneta de la policía equipada con una cámara de reconocimiento facial. Fotografía: Policía de Gales del sur
El umbral de puntuación de semejanza que verifiques a un partido potencial varía considerablemente, explica Heseltine, dependiendo de la importancia de encontrar un partido, las consecuencias de un falso positivo y la mano de obra disponible. Por ejemplo, si la policía estaban buscando para atrapar a un criminal pequeño, podría sólo miran los más altos puntajes de semejanza. Pero si estaban tratando de atrapar un asesino en serie podría fijar el umbral más bajo y seguimiento de cualquier persona que el sistema identifica como un partido potencial, dado la mayor importancia de la captura de esa persona.
El ‘umbral de semejanza’
Los mejores sistemas de ahora son muy precisos, Heseltine dice y casi siempre dará puntuación alta semejanza a emparejar caras si la calidad de imagen es bastante buena. Así que, ¿por qué tendrían sistemas de policía falsos positivos alta? Hay varios factores en juego. En primer lugar, el porcentaje de falsos positivos, cuando se toma aisladamente, es “casi sin setido” porque simplemente refleja el ‘umbral de semejanza’ que la policía decidió registrar un partido potencial. Podría ha definido el umbral muy alto y tenía no hay falsos positivos, pero también significaría que el sistema no funciona para la captura de los delincuentes.
“Si están haciendo 200 identificaciones falsas, eso es porque fijan el umbral tal que sería 200 identificaciones falsas. Tal vez 20
