Las tecnologías de reconocimiento facial han dado un salto cualitativo en la última década, lo que las ha hecho ampliamente disponibles. En efecto,
según el estudio Next Content publicado en febrero de 2019, el 61% de los franceses utiliza o podría utilizar servicios asegurados por biometría (huella dactilar o reconocimiento facial).
Este progreso está siendo impulsado en particular por aprendizaje profundo y es posible gracias a la disponibilidad de conjuntos de datos públicos. Estos conjuntos de datos, que comprenden varios centenares de fotos por persona de decenas de miles de personalidades distintas, son fundamentales para la investigación, tanto para entrenar y desarrollar redes neuronales como para proporcionar un marco de referencia común a partir del cual comparar distintos enfoques.
La evaluación del rendimiento de un sistema de reconocimiento facial gira principalmente en torno a 2 grandes cuestiones:
– controles de identidad: ¿es la persona quien dice ser?
– identificación: ¿se trata de una persona conocida? ¿Y quién es ella?
Verificación de identidad
El primer problema es comprobar si una foto corresponde a una identidad determinada. Hablamos de un problema «1:1»: comparar una foto con una identidad. La mayoría de los casos de uso concretos están relacionados con la biometría y la verificación de la identidad.
Para este tipo de problema, el rendimiento se mide en términos de tasa de reconocimiento para una tasa fija de falsa aceptación (o «tasa de suplantación»). El equilibrio dependerá de las limitaciones de la aplicación.
Para esta clase de problemas, las últimas investigaciones obtuvieron tasas de reconocimiento del 92,7% para una tasa de falsas aceptaciones del 0,1%. Es importante señalar que este punto de referencia se basa en una gran variedad de tomas: extractos de vídeo, imágenes fijas, grandes variaciones de edad (para un mismo individuo) y de aspecto (peinado, expresión, etc.).
Como parte del proceso de suscripción, este tipo de reconocimiento se utiliza para autenticar al usuario, pidiéndole una foto en tiempo real para compararla con su documento de identidad. Esto significa que, manteniendo la fluidez de un viaje en línea, podemos aumentar drásticamente la confianza en la autenticación de la persona.
Identificación
La segunda clase principal de problemas consiste en identificar a una persona en una foto a partir de una población conocida, o decir si la persona no está en esa población. Esto se conoce como un problema «1 : N».
En el caso de las suscripciones digitales, este caso se aplica más a la lucha contra el fraude, para comprobar que el rostro de un usuario no pertenece a un grupo ya identificado.
El principal reto reside en el tamaño de la población a explorar. Cuantos más individuos diferentes haya, mayor será la posibilidad de encontrar dos individuos que se parezcan mucho y, por tanto, de engañar al sistema.
Otro reto es el tiempo de cálculo: ya no comparamos un único modelo de identidad, sino N. Rendimiento estado de la técnica es una tasa de identificación del 86% (la persona pertenece efectivamente a la población), con un 10% de falsos positivos.
Si estos resultados parecen un poco decepcionantes, hay que contraponerlos al hecho de que se trata de un problema que está fuera del alcance de un operador humano. Es imposible recordar a miles de personas diferentes e identificarlas.
En una época de vigilancia masiva, este tipo de actuación permitiría, de forma un tanto aterradora, encontrar a una persona entre millones.
La integración de estos nuevos avances dentro de la Confianza y Firma supone un verdadero cambio en la prevención del fraude y la experiencia del cliente. A la luz de la evolución de la normativa, también permiten garantizar la solidez jurídica de estos procedimientos de suscripción mediante la vinculación de los documentos de identidad y los usuarios («liveness detection»).
