Close
Rechercher

La reconnaissance faciale, une arme de taille contre la fraude

reconnaissance faciale
Temps de lecture: 3 minutes

Table des matières

Démocratisation des technologies de reconnaissance faciale

Les technologies de reconnaissance faciale ont fait un bond prodigieux au cours de la dernière décennie, permettant de démocratiser leurs usages. En effet, selon l’étude Next Content publiée en février 2019, 61% des français utilisent ou pourraient utiliser des services sécurisés par la biométrie (empreinte digitale ou reconnaissance faciale).

Le deep-learning et les jeux de données publics

Ces progrès sont particulièrement portés par le deep-learning, et rendus possibles par la mise à disposition de jeux de données publics. Ces jeux de données comprenant plusieurs centaines de photos par personne sur des dizaines de milliers de personnalités différentes, sont fondamentaux pour la recherche, en permettant d’une part l’entraînement et la mise au point des réseaux de neurones, et d’autre part en offrant un référentiel commun pour comparer les différentes approches.

L’évaluation des performances d’un système de reconnaissance faciale se fait principalement autour de 2 grands problèmes : – la vérification d’identité : cette personne est-elle bien ce qu’elle prétend être ? – l’identification : est-ce une personne connue ? Et qui est-elle ?

La vérification d’identité

Le premier de ces problèmes consiste à vérifier si une photo correspond à une identité donnée. On parle de problème « 1 : 1 » : comparer une photo, à une identité. La plupart des cas d’usages concrets ont trait à la biométrie et à la vérification d’identité.

Pour ce type de problème, on mesure la performance en taux de reconnaissance pour un taux de fausses acceptations fixé (ou « taux d’usurpation »). Le compromis étant à apprécier en fonction des contraintes de l’application.

Pour cette classe de problème, les recherches les plus récentes obtiennent des taux de reconnaissance de 92,7% pour un taux de fausses acceptations de 0.1%. Il est important de noter que ce benchmark est basé sur une grande variété de prises de vues : extraits de vidéos, images fixes, grandes variations d’âges (pour un même individu) et d’apparence (coiffure, expression, etc.).

Dans le cadre d’un parcours de souscription, ce type de reconnaissance intervient lors de l’authentification de l’usager, en demandant à celui-ci une photo en temps réel, pour la comparer avec celle de sa pièce d’identité. Cela permet, tout en gardant la fluidité d’un parcours en ligne, d’augmenter drastiquement la confiance dans l’authentification de la personne.

L’identification

La seconde grande classe de problèmes consiste à identifier une personne sur une photo, parmi une population connue, ou de dire si la personne n’est pas dans cette population. On parle de problème « 1 : N ».

Pour la souscription digitale, ce cas s’applique plus dans un contexte de lutte contre la fraude, afin de vérifier si le visage d’un usager n’appartient pas à un groupe déjà identifié.

Le principal challenge ici, réside dans la taille de la population à explorer. En effet plus il y a d’individus différents, plus il y a de chance de trouver deux individus se ressemblant fortement l’un l’autre, et donc de tromper le système.

Un autre challenge est aussi le temps de calcul : il ne s’agit plus ici de comparer un seul modèle d’identité, mais N. La performance à l’état de l’art est d’un taux d’identification de 86% (la personne appartient bien à la population), pour 10% de faux positifs.

Si ces résultats apparaissent un peu décevants, ils sont à mettre en regard avec le fait qu’il s’agit d’un problème qui est hors de portée d’un opérateur humain. Il est en effet impossible de pouvoir se souvenir de milliers de personnes différentes pour les identifier.

A l’heure de la surveillance de masse, ce type de performance permettrait de façon un peu effrayante de retrouver une personne parmi des millions.

Perspectives pour la lutte contre la fraude

L’intégration de ces nouveaux progrès au sein de nos solutions est un vrai « game-changer » en termes de lutte contre la fraude mais aussi d’expérience client. Ils permettent également, au vu de l’évolution de la réglementation, de s’assurer de la solidité juridique de ces parcours de souscription en associant document d’identité et utilisateur (« liveness detection »).

Balises