Аргументы в пользу систем распознавания лиц: почему нам нужна эта технология
RSSТехнология распознавания лиц вызывает пристальное внимание не только активистов в области гражданских прав и свобод человека, но и у многих специалистов различных областей. Право на неприкосновенность частной жизни в эпоху все более широкого внедрения видеонаблюдения и «умной» видеоаналитики в повседневную жизнь вызывают серьезную озабоченность как у лидеров общественных движений, так и у представителей властей по всему миру.
К тому же, некоторые исследования, проведенные независимыми специалистами в разных странах, подняли вопрос об эффективности использования технологии в целом.
В этой статье мы расскажем, каковы дальнейшие перспективы использования технологии распознавания лиц и почему аргументы противников системы несостоятельны.
Причины критического отношения к технологии распознавания лиц
Хотя вопросы конфиденциальности и корректности результатов работы различных систем распознавания всегда были практически неотъемлемой частью любого вида биометрических решений, до недавнего времени этот вопрос не вызывал серьезных дебатов в обществе. Все несколько усложнилось после того, как выяснилось, что система распознавания лиц, используемая полицией в Южном Уэльсе, ошибочно идентифицировала более 2000 человек как потенциальных преступников. Количество «ложноположительных» срабатываний системы составило беспрецедентные 92 %.
Ситуация усугубилась после публикации отчета о работе решений для распознавания лиц, используемых лондонскими полицейскими летом этого года. Оказалось, что такие системы классифицировали 96 % попадавших в поле зрения видеокамеры людей как потенциальных преступников.
Оба случая вызвали широкий общественный резонанс. В результате, эти инциденты послужили катализатором обсуждения правомерности и эффективности применения технологий распознавания лиц и за пределами Великобритании.
В мае 2019 года Сан-Франциско (штат Калифорния) стал первым американским городом, который запретил использование любых решений для распознавания лиц на своей территории на законодательном уровне! Показательно, каким образом распределились мнения чиновников, принявших участие в голосовании: 8 голосов из 9 в пользу принятия решения о запрете.
Вскоре этому примеру последовали власти Сомервилла, расположенного в округе Мидлсекс, штат Массачусетс.
А совсем недавно к ним присоединился Окленд — самый крупный город из округа Аламеда, штата Калифорния, став третьим по счёту городом в США, поддержавшим запрет на использование систем распознавания лиц.
Эти события привели к тому, что даже крупные технологические компании, такие как Microsoft и Amazon, стали высказывать свои опасения по поводу злоупотребления этой технологией.
Аргументы в пользу технологии распознавания лиц
Многие специалисты и некоторые представители общественности утверждают, что преимущества технологии распознавания лиц значительно перевешивают недостатки, когда речь заходит об обеспечении безопасности и борьбе с преступностью. В конце концов, если решение ошибочно распознает 100 человек как потенциальных подозреваемых, но все же помогает поймать настоящего преступника, который может навредить многим тысячам людей, разве это не хорошо?
И это далеко не единственный аргумент. Эксперты указывают на то, что методология, используемая для приведенных выше исследований, несовершенна. И имеет множество недостатков.
Взять, к примеру, случай с полицией Южного Уэльса, использовавшей систему распознавания лиц для обеспечения безопасности.
Если внимательно рассмотреть ту статистику работы технологии, которую представили общественности, ее можно интерпретировать по-разному. При наихудшем сценарии, если бы перед камерами прошло 2470 невиновных человек и только один преступник, процент ложных распознаваний (False Positive Rate) составил бы заявленные в отчете 92% (2,297 / (2,470 x 1).
Такой результат в действительности маловероятен. Более правдоподобно выглядит другой сценарий. Для получения подобного результата перед камерами должны были пройти десятки тысяч людей. При этом в базе данных подозреваемых, скорее всего, одновременно находились сотни лиц.
Предположим, что из 170 000 человек, которые находятся на наблюдаемой территории, 100 000 лиц были обнаружены и распознаны камерами видеонаблюдения. И что в списке разыскиваемых преступников было только одно лицо.
В этом случае число ложноположительных срабатываний (False Positive Rate) системы составит всего 2,3% (2,297 / 100,000 x 1).
При этом, следует учитывать, что в реальной жизни в списке разыскиваемых преступников будет намного больше людей, а не один человек. Кроме того, человек может попасть в поле зрения нескольких разных камер, и каждый случай «попадания» будет инициировать поиск по базе данных.
Очевидно, что в реальности качество работы системы будет значительно выше.
Для того, чтобы сделать обоснованный вывод, необходимо обладать полным набором данных. Не зная точного размера списка разыскиваемых лиц, не обладая данными о фактическом количестве людей, обнаруженных камерами, а также о том, сколько из этих людей было сопоставлено с данными из базы, невозможно прийти к корректному выводу о том, насколько хорошо или плохо работает система.
Что касается утверждений о неточности и большом количестве ошибок в работе решений для распознавания лиц: из тысяч потенциальных подозреваемых система смогла сузить число людей, которых нужно проверить, до минимального значения, и большинство ложных срабатываний, на которые ссылаются в исследовании, произошли именно при анализе такого огромного массива данных.
Таким образом, без применения системы распознавания лиц полиция просто не смогла бы сузить круг подозреваемых до нескольких человек. Все, что оставалось сделать потом — идентифицировать и провести тщательную проверку людей из этого списка.
Разберем еще один пример. Представьте, что перед вами 1000 человек, среди которых находится 6 преступников. У вас нет времени на то, чтобы проверить каждого из них вручную. Поэтому вы используете автоматизированную систему распознавания лиц, которая сужает круг потенциальных подозреваемых и выбирает из толпы 10 человек для проверки. В результате вы обнаруживаете, что 5 из этих 10 человек являются преступниками, которых вы искали.
Как вы считаете, хороший это результат или нет?
В этой ситуации сотруднику правоохранительных органов пришлось провести оценку, чтобы принять окончательное решение о том, является ли кто-то из этих людей преступником. Коэффициент ложных отказов (False Rejection Rate) системы составил всего 1/1000 = 0.1 %. Коэффициент ложного доступа здесь составляет 5/1000 = 0.5 %.
В этом случае точность распознавания составляет не 50 % (пять из десяти человек, отобранных системой распознавания, действительно оказались правонарушителями), а гораздо больше. При подведении итогов нужно учитывать, что изначально необходимо было оценить 1000 человек.
Заключение
Благодаря использованию системы распознавания лиц круг подозреваемых за считанные секунды был сужен до 10 человек. Без применения решения для автоматического распознавания лиц идентифицировать пятерых преступников, находящихся среди этих людей, было бы попросту невозможно.
И это во многих случаях может оказаться гораздо важнее, чем причиненные неудобства. Ведь речь будет идти о человеческих жизнях, которые оказались спасены именно благодаря использованию систем распознавания лиц.
И их массовое внедрение может стать тем фактором, который позволит вывести обеспечение общественной безопасности на совершенно новый уровень.