<\/p>\n
Nast\u0119pnym krokiem by\u0142o zastosowanie przez Matthew\u2019a Turka oraz Alexa Pentlanda metody zwanej eigenFace. Polega\u0142a ona na przekszta\u0142ceniu ca\u0142ego zbioru danych w macierze eigenFace. Ka\u017cda z tych macierzy by\u0142a wyspecjalizowana w wykrywaniu okre\u015blonych cech \u2013 jedna analizowa\u0142a zmiany w ustach, druga w kszta\u0142cie twarzy itd. Por\u00f3wnywanie twarzy odbywa\u0142o si\u0119 poprzez przemno\u017cenie obrazu referencyjnego i badanego przez zbi\u00f3r twarzy eigenFace, a nast\u0119pnie analiz\u0119 odleg\u0142o\u015bci mi\u0119dzy nimi.<\/p>\n
<\/p>\n <\/p>\n Nast\u0119pnie pojawi\u0142y si\u0119 rozwi\u0105zania skupiaj\u0105ce si\u0119 na szybko\u015bci detekcji, umo\u017cliwiaj\u0105ce dzia\u0142anie systemu w czasie rzeczywistym. Paul Viola i Michael Jones zaproponowali rozwi\u0105zanie oparte na cechach Haara. Podczas procesu uczenia zmodyfikowany algorytm AdaBoost wyszukiwa\u0142 odpowiednie cechy. W trakcie dzia\u0142ania system korzysta\u0142 z tych cech, zwracaj\u0105c warto\u015b\u0107 1<\/strong>, je\u015bli wszystkie cechy pasowa\u0142y do zdj\u0119cia, oraz 0<\/strong>, je\u015bli cho\u0107 jedna cecha nie pasowa\u0142a.<\/p>\n <\/p>\n <\/p>\n Kolejne lata przynios\u0142y rozwi\u0105zania oparte na g\u0142\u0119bokich sieciach neuronowych, a dok\u0142adniej na architekturze CNN (Convolutional Neural Network). Sie\u0107 sk\u0142ada\u0142a si\u0119 z wielu warstw, z kt\u00f3rych ka\u017cda zawiera\u0142a filtry uczone na podstawie danych. Te filtry sk\u0142ada\u0142y si\u0119 z neuron\u00f3w, kt\u00f3re uczy\u0142y si\u0119 wykrywania poszczeg\u00f3lnych cech. Im wy\u017csza by\u0142a warstwa, tym bardziej abstrakcyjne cechy by\u0142y przez ni\u0105 rozpoznawane.<\/p>\n <\/p>\n <\/p>\n Przyk\u0142adami rozwi\u0105za\u0144 opartych na tej architekturze s\u0105 system DeepFace, opracowany przez Facebook w 2014 roku, oraz FaceNet, stworzony przez Google rok p\u00f3\u017aniej. DeepFace osi\u0105gn\u0105\u0142 97,53%<\/strong> skuteczno\u015bci na zbiorze danych Labeled Faces in the Wild (LFW), podczas gdy ludzie osi\u0105gali oko\u0142o 95%<\/strong>. Rok p\u00f3\u017aniej wynik ten zosta\u0142 pobity przez FaceNet, kt\u00f3ry osi\u0105gn\u0105\u0142 99,63%<\/strong> dok\u0142adno\u015bci. Zastosowanie sieci neuronowych przynios\u0142o niezwyk\u0142y wzrost wydajno\u015bci w dziedzinie rozpoznawania twarzy, co znacz\u0105co przyczyni\u0142o si\u0119 do dalszego rozwoju technologii w tym kierunku.<\/p>\n <\/p>\n Jednym z najnowszych system\u00f3w u\u017cywanych przez ameryka\u0144sk\u0105 policj\u0119 jest rozwi\u0105zanie firmy Clearview AI. Jest to ogromna baza danych stworzona na podstawie zdj\u0119\u0107 zamieszczonych w internecie. Obecnie szacuje si\u0119, \u017ce firma posiada oko\u0142o 50 miliard\u00f3w fotografii. System zosta\u0142 opracowany, aby wspiera\u0107 organy \u015bcigania w namierzaniu przest\u0119pc\u00f3w na podstawie zdj\u0119\u0107 uchwyconych przez systemy monitoringu lub inne \u017ar\u00f3d\u0142a nadzoru znajduj\u0105ce si\u0119 w okolicy. Zdj\u0119cie wprowadza si\u0119 do systemu, kt\u00f3ry nast\u0119pnie wyszukuje najbardziej pasuj\u0105ce twarze. Jest to wi\u0119c wyszukiwarka zaprojektowana specjalnie do identyfikacji twarzy.<\/p>\n System GES zosta\u0142 opracowany w 2008 roku dla niemieckiej policji w celu identyfikacji os\u00f3b na zdj\u0119ciach. Opiera si\u0119 na bazie danych zawieraj\u0105cej 7 milion\u00f3w obraz\u00f3w zgromadzonych przez policj\u0119. Rozpoznawanie twarzy odbywa si\u0119 na podstawie zdj\u0119\u0107 lub nagra\u0144 wideo wprowadzanych przez organy \u015bcigania. W 2024 roku wprowadzono udoskonalon\u0105 wersj\u0119 systemu GES, kt\u00f3ra zmniejszy\u0142a liczb\u0119 b\u0142\u0119dnych identyfikacji do mniej ni\u017c jednego procenta. Policja korzysta z tego rozwi\u0105zania zar\u00f3wno w celu poszukiwania przest\u0119pc\u00f3w, jak i identyfikowania nielegalnych imigrant\u00f3w. Nadal jednak wspiera si\u0119 prac\u0105 50 ekspert\u00f3w od tradycyjnego por\u00f3wnywania twarzy, co wynika z europejskich regulacji dotycz\u0105cych sztucznej inteligencji.<\/p>\n <\/p>\n Wielka Brytania dysponuje zaawansowanymi technologiami dopasowywania twarzy. Jedn\u0105 z nich jest rozpoznawanie na podstawie wcze\u015bniej wykonanych zdj\u0119\u0107. Si\u0142y specjalne maj\u0105 mo\u017cliwo\u015b\u0107 por\u00f3wnania uzyskanego zdj\u0119cia z baz\u0105 danych, aby okre\u015bli\u0107 to\u017csamo\u015b\u0107 osoby na nim przedstawionej.<\/p>\n Je\u015bli chodzi o technologi\u0119 monitoruj\u0105c\u0105 w czasie rzeczywistym, s\u0142u\u017cby mundurowe posiadaj\u0105 specjalne furgonetki wyposa\u017cone w kamery z oprogramowaniem do identyfikacji twarzy na \u017cywo. Umo\u017cliwia to monitorowanie i namierzanie cel\u00f3w w rejonach, gdzie istnieje podejrzenie pope\u0142nienia przest\u0119pstwa. Dodatkowo Policja Po\u0142udniowej Walii ma zainstalowan\u0105 na telefonach aplikacj\u0119, kt\u00f3ra umo\u017cliwia dok\u0142adnie to samo. Policjant uruchamia kamer\u0119, a twarz zostaje automatycznie wykryta.<\/p>\n Najwi\u0119kszym dotychczasowym przedsi\u0119wzi\u0119ciem w zakresie identyfikacji twarzy s\u0105 na sta\u0142e zainstalowane kamery w dzielnicach miasta Croydon. Oczekuje si\u0119, \u017ce rozwi\u0105zanie b\u0119dzie identyfikowa\u0107 kilka tysi\u0119cy twarzy dziennie. Jest to pierwsza taka instalacja, a w przypadku sukcesu zostanie rozszerzona na inne miasta Wielkiej Brytanii.<\/p>\n <\/p>\n Jednym z najbardziej rozbudowanych system\u00f3w monitoringu na \u015bwiecie jest chi\u0144ski SkyNet. Pocz\u0105tkowo by\u0142 to jedynie zbi\u00f3r kamer zainstalowanych na obrze\u017cach obszar\u00f3w o najwy\u017cszej cz\u0119stotliwo\u015bci pope\u0142niania przest\u0119pstw. Jednak wraz z rozwojem uczenia maszynowego oraz wzrostem mocy obliczeniowej w chmurze, system rozr\u00f3s\u0142 si\u0119 do 570 milion\u00f3w kamer w 2023 roku. Chi\u0144ski rz\u0105d chwali si\u0119, \u017ce wdro\u017cenie systemu SkyNet nie tylko przyczyni\u0142o si\u0119 do wykrywania przest\u0119pc\u00f3w oraz odnajdywania zaginionych os\u00f3b, ale tak\u017ce pomog\u0142o w ograniczeniu pandemii COVID-19. System umo\u017cliwi\u0142 detekcj\u0119 interakcji mi\u0119dzy osobami zaka\u017conymi a zdrowymi, co pozwoli\u0142o na skuteczniejsze monitorowanie rozprzestrzeniania si\u0119 wirusa.<\/p>\n Jednym z najwi\u0119kszych problem\u00f3w technologii rozpoznawania twarzy jest jej niedoskona\u0142o\u015b\u0107 w zakresie dok\u0142adno\u015bci, zw\u0142aszcza w przypadku okre\u015blonych grup demograficznych. Pomy\u0142ki tego typu mog\u0105 prowadzi\u0107 do nies\u0142usznych zatrzyma\u0144, oskar\u017ce\u0144, a nawet wyrok\u00f3w.<\/p>\n USA: Organizacja ACLU (American Civil Liberties Union) przeprowadzi\u0142a test<\/a> w 2018 roku, w kt\u00f3rym system rozpoznawania twarzy Amazon Rekognition b\u0142\u0119dnie dopasowa\u0142 28 kongresmen\u00f3w do zdj\u0119\u0107 przest\u0119pc\u00f3w. Najcz\u0119\u015bciej mylone by\u0142y osoby o ciemniejszym kolorze sk\u00f3ry.<\/p>\n W 2020 roku media nag\u0142o\u015bni\u0142y przypadek Roberta Williamsa<\/a>, czarnosk\u00f3rego obywatela stanu Michigan, kt\u00f3ry zosta\u0142 nies\u0142usznie aresztowany po tym, jak system b\u0142\u0119dnie dopasowa\u0142 jego twarz do nagrania z monitoringu. By\u0142 to pierwszy znany przypadek aresztu na podstawie b\u0142\u0119dnej identyfikacji twarzy.<\/p>\n Algorytmy rozpoznawania twarzy ucz\u0105 si\u0119 na podstawie ogromnych zbior\u00f3w danych. Je\u017celi zbiory te nie s\u0105 wystarczaj\u0105co r\u00f3\u017cnorodne, systemy mog\u0105 faworyzowa\u0107 jedne grupy spo\u0142eczne kosztem innych.<\/p>\n Historyczne przyk\u0142ady dyskryminacji:<\/p>\n![\"\"](\"https:\/\/b2633864.smushcdn.com\/2633864\/wp-content\/uploads\/2021\/04\/eigenfaces_mean_and_components.png?size=700x466&lossy=2&strip=1&webp=1\")
![\"undefined\"](\"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/b\/b4\/Haar_feature_examples.png\/1280px-Haar_feature_examples.png\")
![\"Convolutional](\"https:\/\/miro.medium.com\/v2\/resize:fit:1400\/0*LeK_gmCf3DfO3gj_.jpeg\")
Najnowsze systemy<\/h2>\n
<\/h3>\n
Clearview AI (Stany Zjednoczone)<\/h3>\n
GES (Niemcy)<\/strong><\/h3>\n
\u015arodki Policji Wielkiej Brytanii<\/h3>\n
![\"Furgonetka](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2025\/06\/Facial-Recognition-Van-UK-300x169.jpg\")
Skynet (Chiny)<\/h3>\n
\nSystem nie tylko wykorzystuje modele wykrywania i por\u00f3wnywania twarzy z baz\u0105 danych na podstawie materia\u0142\u00f3w z monitoringu, ale r\u00f3wnie\u017c zawiera modu\u0142 detekcji podejrzanych zachowa\u0144. Dzi\u0119ki pot\u0119\u017cnej infrastrukturze serwerowej jest w stanie przetwarza\u0107 dziennie petabajty danych z wszystkich kamer.
\nRozwi\u0105zanie nie tylko wspiera organy bezpiecze\u0144stwa, ale tak\u017ce zosta\u0142o zintegrowane z systemami IoT w miastach, co pozwala na optymalizacj\u0119 ruchu ulicznego oraz wykrywanie wypadk\u00f3w drogowych.<\/p>\nZagro\u017cenia wynikaj\u0105ce z zastosowania technologii rozpoznawania twarzy<\/h2>\n
B\u0142\u0119dna identyfikacja i nies\u0142uszne ukaranie<\/h3>\n
Przyk\u0142ady:<\/h4>\n
![\"Racial](\"https:\/\/www.aclu.org\/sites\/default\/files\/styles\/content_area_full_width\/public\/wysiwyg\/racial_bias_graphic_3.png?itok=6bu9Gg11\")
<\/p>\nPolaryzacja rasowa i dyskryminacja<\/h3>\n
\n
\n
\n