A tecnologia de reconhecimento facial tem um número crescente de usos: os aeroportos usam-na para agilizar a triagem de segurança, as redes sociais usam-na para organizar fotos, os smartphones usam-na para “login” e as autoridades policiais usam-na para solucionar crimes. A política pública pode estabelecer barreiras importantes para garantir que as organizações usem o reconhecimento facial de forma responsável, enquanto ainda permite – e idealmente promove – usos inovadores da tecnologia.

A tecnologia de reconhecimento facial compara imagens de rostos para estimar as suas semelhanças. Não é o mesmo que outros tipos de tecnologia que também analisam o rosto, incluindo sistemas que prevêem a idade, raça, sexo ou emoções externas de uma pessoa.

Os sistemas de reconhecimento facial realizam normalmente dois tipos de pesquisas:
– Verificação (One-to-One): em comparações de verificação, a tecnologia compara duas imagens para determinar se duas faces são iguais.

– Identificação (One-to-Many): nas comparações de identificação, a tecnologia pesquisa uma base de dados de imagens para encontrar possíveis correspondências com a imagem inicial de um rosto.

A tecnologia de reconhecimento facial usa algoritmos que detectam características únicas dos rostos, como a distância entre os olhos, para criar uma representação matemática que determina a sua semelhança. Por exemplo, os rostos mostrados numa determinada imagem são considerados uma correspondência possível se as suas pontuações de similaridade atendem ou excedem o limite de correspondência, que é um número atribuído pelo operador e representa uma pontuação de semelhança mínima aceitável. As taxas de falsos-positivos e falsos-negativos de um sistema de reconhecimento facial são maneiras comuns de medir a sua precisão, enquanto outras métricas, como a rapidez com que o sistema pode realizar uma pesquisa, também afectam o seu desempenho.

A tecnologia de reconhecimento facial pode aumentar a segurança pública, ajudando na aplicação da lei a encontrar e identificar vítimas, testemunhas e suspeitos com maior rapidez e precisão. Ela também pode aumentar a segurança online e pessoal, autenticando indivíduos. Além disso, a tecnologia pode aumentar a conveniência para os consumidores, ajudando-os a realizar tarefas que vão desde organizar rapidamente as suas fotos nos seus smartphones até embarcar num avião ou pagar por produtos usando a identificação pelo seu rosto.

Porquê agora?
Os cientistas da computação começaram a desenvolver a tecnologia para reconhecimento de rostos na década de 1960. No entanto, o aumento do uso das redes neurais convolucionais profundas, que processam várias camadas de abstracção de dados para identificar padrões, levou a melhorias significativas na precisão dos algoritmos. Por exemplo, o National Institute of Standards and Technology norte-americano descobriu que os algoritmos de identificação eram 100 vezes mais precisos em 2019 do que em 2010. Para mais, os algoritmos mais precisos em 2020 falham em classificar o candidato correcto como a melhor correspondência potencial em apenas 0,1% do tempo ao pesquisar uma base de dados com imagens de 1,6 milhões de indivíduos (1 em 1.000 vezes). Melhores imagens de alta qualidade de câmaras e hardware também melhoraram o desempenho dos sistemas de reconhecimento facial.

Perspectivas de desenvolvimento
Além do rápido progresso até agora, os algoritmos de reconhecimento facial continuam a melhorar a um ritmo acelerado. Na verdade, algoritmos com apenas um ano podem ter um desempenho significativamente inferior em relação aos mais recentes. Além disso, os algoritmos mais precisos são cada vez mais tolerantes a problemas de qualidade de imagem, como iluminação deficiente. Da mesma forma, os algoritmos com melhor desempenho exibem agora pouca ou nenhuma tendência entre os grupos demográficos.

Os sistemas de reconhecimento facial provavelmente continuarão a melhorar. No entanto, alguns defensores opuseram-se à tecnologia por preocupações com resultados enviesados e vigilância em massa, levando uma série de cidades a restringir o uso da tecnologia. À medida que a tecnologia se torna mais prevalente com mais aplicações – e os governos implementam uma regulação direccionada – os temores sobre a vigilância em massa e os resultados enviesados provavelmente irão desaparecer.

Aplicações e impacto
Os sistemas de reconhecimento facial têm múltiplas aplicações:
– Segurança pública: o reconhecimento facial ajuda a polícia a identificar vítimas, suspeitos e testemunhas de crimes. Por exemplo, ajudou as autoridades a encontrar e resgatar vítimas de tráfico humano e identificou indivíduos que cometeram crimes que vão desde o furto em lojas e falsificação de cheques a assaltos à mão armada e assassínios.

– Segurança: as empresas estão a usar a tecnologia para melhorar a segurança de várias maneiras. Por exemplo, empresas de cartões de crédito como a Visa e a Mastercard lançaram serviços que permitem que os clientes usem “selfies” para verificar a autenticidade das compras online.

– Conveniência: as empresas estão a usar o reconhecimento facial para aumentar a conveniência para os consumidores, inclusive ajudando os viajantes a chegarem mais rapidamente aos aeroportos. Por exemplo, num teste no Aeroporto Internacional de Los Angeles, o reconhecimento facial reduziu para metade o tempo que normalmente se levava para embarcar num avião. O reconhecimento facial também pode ser usado para permitir a entrada de indivíduos em ginásios, escolas, apartamentos e prédios de escritórios.

– Acessibilidade: o reconhecimento facial melhora a acessibilidade dos serviços online e pode ajudar os deficientes visuais a compreender melhor o que os rodeia. Por exemplo, o Facebook usa a tecnologia para tornar a sua plataforma mais acessível, adicionando automaticamente um texto descritivo às fotos, que os leitores no ecrã podem ler em voz alta.

Implicações políticas
Existem quatro implicações políticas essenciais para a implementação do reconhecimento facial. Em primeiro lugar, os governos devem minimizar o abuso potencial da tecnologia, incluindo pelas autoridades. A norma de causa provável para a aplicação da lei efectuar detenções já protege os indivíduos de resultados adversos resultantes de correspondências de falsos positivos. Mas outras políticas podem fornecer protecções adicionais. Por exemplo, os legisladores devem exigir que as autoridades obtenham um mandado de busca para usar qualquer tecnologia na vigilância de um indivíduo por um período prolongado. E os legisladores devem definir padrões para quando pode o governo usar o reconhecimento facial em ambientes sensíveis, como protestos de rua, e exigir que as autoridades legais desenvolvam políticas de retenção de dados para as imagens usadas em sistemas de reconhecimento facial. Finalmente, os decisores políticos devem encorajar as autoridades policiais a testar a tecnologia, o que pode ajudá-las a avaliar o desempenho da tecnologia nas suas comunidades, e financiar a formação para ensinar as autoridades policiais a usar a tecnologia de maneira adequada.

Em segundo, os governos devem usar apenas sistemas de reconhecimento facial muito precisos e definir os padrões de desempenho para os sistemas de reconhecimento facial que as suas agências comprem. Diversas organizações fornecem sistemas de reconhecimento facial que são precisos em grupos demográficos.

Terceiro, os governos não devem proibir o reconhecimento facial porque isso inibiria o uso positivo da tecnologia. Por exemplo, bani-la proibiria o uso de reconhecimento facial para criar um sistema biométrico de entradas/saídas, que a Comissão do 11 de Setembro concluiu ser crucial para a segurança nacional dos Estados Unidos.

Quarto, os governos devem apoiar o desenvolvimento e uso do reconhecimento facial no sector privado. Por exemplo, ao aprovar legislação para criar uma estrutura nacional de privacidade que simplifique a regulamentação, evite as leis estaduais e estabeleça direitos básicos dos dados do consumidor, os legisladores podem proteger a privacidade do consumidor, minimizando o impacto sobre a inovação. Os governos também devem continuar a financiar testes independentes de sistemas comerciais de reconhecimento facial e financiar o desenvolvimento de diversos conjuntos de dados de faces para promover mais melhorias algorítmicas.

Leituras recomendadas
Michael McLaughlin e Daniel Castro, “The Critics Were Wrong: NIST Data Shows the Best Facial Recognition Algorithms Are Neither Racist Nor Sexist” (Information Technology and Innovation Foundation, January 27, 2020).
Daniel Castro, “Note to Press: Facial Analysis Is Not Facial Recognition” (Information Technology and Innovation Foundation, January 27, 2019).
“NIST Report on Facial Recognition: A Game Changer” (International Biometrics + Identity Association, February 14, 2020).
Yevgeniy Sirotin, “‘Bias’ in Face Recognition: Some Facts”. LinkedIn, October 16, 2019.
Michael McLaughlin, Hearing before the California State Assembly Privacy and Consumer Protection Committee and the Assembly Select Committee on Emerging Technologies and Innovation on “Shaping the Future of Facial Recognition Technology in California: Identifying Its Promises and Challenges” (Information Technology and Innovation Foundation, March 10, 2020).
“Face Facts: Dispelling Common Myths Associated with Facial Recognition Technology” (Security Industry Association), accessed March 5, 2020.

* Texto publicado pela ITIF (CC). Fotos: Andrew Grill e Eden Pictures (CC BY 2.0)