Por Gerardo Abraham
El reconocimiento facial o biométrico es un proceso de comparación de patrones digitales que permite reconocer e identificar personas mediante los rasgos faciales. Se compara pixel por pixel -la unidad mínima en una imagen- y, de acuerdo al grado de coincidencia, se establece si se trata o no de la misma persona: la que está en la base de datos con la que aparece en las cámaras de videovigilancia. La tecnología biométrica se sostiene por algoritmos de inteligencia artificial que buscan “reconocer, autenticar o identificar, a uno o múltiples individuos” de forma automatizada. “La exactitud de la identificación puede variar entre un 50 y un 90 por ciento”, explica Ariel Garbarz, ingeniero en Telecomunicaciones y profesor de la UTN, UBA y UNLA.
El algoritmo no es más que una fórmula matemática: se lo entrena para reconocer rostros e individualizar sus rasgos generando una plantilla con la representación matemática de un rostro en una imagen. Esa plantilla es el dato biométrico en el que se basa la tecnología de reconocimiento facial. Luego, apoyado sobre un algoritmo de búsqueda, se compara esa plantilla con una base de datos que previamente tiene guardado un conjunto de rostros. Esta búsqueda y comparación se puede llevar a cabo en tiempo real con todos los rostros almacenados en esa base de datos para determinar si una persona se encuentra registrada allí. Al ser un proceso de probabilidades, una vez que el software encuentra una potencial coincidencia, arroja un valor entre 0 y 1 que define qué tan probable es que corresponda a la persona buscada.
A través de la verificación se contrasta una plantilla, o dato biométrico, con otro almacenado en la base de datos correspondiente a la persona que está siendo verificada. Esto se conoce como relación uno a uno (1:1). La identificación, en cambio, se realiza cotejando al dato biométrico con la totalidad de las plantillas biométricas almacenadas en la base de datos, en una relación de uno a muchos (1:n). Cuando se identifica a una persona en una multitud a través de sistemas de reconocimiento facial, se realiza un proceso de identificación; siendo este el método de implementación de reconocimiento facial más invasivo.
“La identificación es lo que está fuertemente cuestionado por la tasa de errores que poseen estos sistemas y se puede detener a una persona inocente. La alta tasa de error de identificación es por lo que se dejó de usar en varios países Europeos y varios estados de los Estados Unidos”, cuenta Garbarz, y agrega: “La verificación es simplemente una verificación digital exclusivamente matemática que tiene que ver con el porcentaje de píxeles coincidentes, y lo que uno busca no es verificar patrones de bits, sino identificar a personas que están siendo buscadas”.
Los algoritmos de reconocimiento facial se entrenan con grandes bases de datos de imágenes. Estas bases pueden contener datos donde la proporción de gente es dispar y distinta a nuestro país. Los sistemas de reconocimiento facial van a funcionar mejor con el tipo de caras con los que han aprendido. Cómo y con qué datos se entrena al algoritmo de reconocimiento facial define la precisión con la cuál podrá reconocer rostros en múltiples escenarios. Por ejemplo, ante cambios en la intensidad y dirección de la luz, fotos con colores similares que no permiten despegar el fondo del sujeto, o ángulos variados, pueden incidir en la certeza del reconocimiento. Según qué tan preciso es el entrenamiento, los sistemas de reconocimiento de personas pueden ser más o menos discriminatorios. Cómo se entrena el algoritmo, y las tasas de error con las que contará el sistema biométrico es tanto una cuestión técnica como política.
“A algunos senadores del Congreso de los Estados Unidos, y hay cantidades de fotos de ellos, los identificaba como gorilas un software de reconocimiento facial”, cuenta Laura Alonso Alemany, profesora de Ciencias de la Computación en la Facultad de Matemática, Astronomía y Física de la Universidad Nacional de Córdoba y miembro del equipo de Ética en Inteligencia Artificial de la Fundación Vía Libre. “El error sistemático en los sistemas de aprendizaje automático viene dado por las tendencias que se encuentran en los datos, y ahí hay una posición política en si queremos continuarlo, amplificarlo o si queremos cambiarlo”, agrega.
“Hay que decidir qué tipo de errores estamos dispuestos a tolerar y eso es en función de qué tan grave es el error. Imaginemos que un medicamento funciona bien en un 99 por ciento de los casos pero en un 1 por ciento produce la muerte. Muy probablemente ese medicamento no se va a aprobar porque ese 1 por ciento en el que produce la muerte es demasiado grave para justificar el beneficio del otro 99. A no ser que en ese 99 por ciento de casos no usar el medicamento produjera la muerte”, ejemplifica Alonso Alemany.
Edición: Candela Contreras y Sofía Barragán
