İnsan için yüz, bakış, ifade veya gülümseme anlamına gelir. Yapay zeka tabanlı bir sistem için ise bu, birkaç saniye içinde binlerce veya milyonlarca başka kayıta karşılaştırılabilen bir sayı dizisidir.

Bu matematiksel formül sayesinde yüzümüzle telefonumuzu açabiliriz, kimliğimizi doğrulayabilir veya güvenlik kamerası kayıtlarında bulunabiliriz. Ancak aynı teknoloji, kamu alanında kullanıldığında ve polis veri tabanlarıyla bağlantılı olduğunda ciddi sorular gündeme getiriyor.

İtalya'da yüz tanıma sistemlerinin polisi tarafından kullanımı konusunda yeni kurallar tartışılıyor. Önerilen düzenlemeler ulusal yasaları Avrupa Yapay Zeka Yasası ile uyumlu hale getirmeyi amaçlıyor, ancak dijital haklar örgütleri kitlesel biyometrik gözetim olasılığına karşı uyarıda bulunuyor.

Peki, kamera yüzü nasıl tanıyor ve yapay zeka bir kişinin görünüşünden matematiksel bir kayıt nasıl oluşturuyor?

Yüz tanıma algoritması, bir kişiye ait olup olmadığını belirlemeden önce çalışır. Sistem önce fotoğraf veya kayıtta insan yüzü olup olmadığını tespit etmek için yüz tespiti teknolojisini kullanır.

Bu teknoloji günlük olarak mobil telefonlarımızda da kullanıyoruz. Kamera fotoğraf çekerken kişinin başının etrafına bir kare çizierek odak ve ekspozisyon ayarlayarak zaten yüzü bulmuş olur, ancak henüz kişinin kimliğini belirleyemez.

Ardından yazılım, gözlerin, burnun, dudakların ve yüz hatlarının gibi temel bölümleri izole eder. Kayıt hizalanır, döndürülür ve standart bir pozisyona getirilir. Aynı zamanda aydınlatma, kontrast ve yüz tanıma karşılaştırmalarını etkileyebilecek diğer parametreler de ayarlanır.

Hedef, hafif açılardan, düşük ışıklı ortamlarda veya farklı kameralarla çekilen fotoğrafların referans görüntüsüne göre yeterince benzer hale getirilmesidir.

Yüz bulunduğunda ve hazırlandığında, derin nöron ağı yüz desenini analiz eder. Bunu kelimelerle tanımlamaz veya "büyük gözler" veya "dar burun" gibi verilerle saklamaz, aksine özellikleri sayısal bir vektöre dönüştürür.

Bu tür bir kayıt, "face embedding" olarak bilinir ve onlarca veya yüzlerce sayısal değeri içerebilir. Bu değerler birlikte, kişinin özel bir matematiksel uzayda yerini belirler.

FaceNet gibi bilinen modeller, aynı kişinin fotoğraflarını bu uzayda birbirine yakın konuma yerleştirmeyi amaçlar, farklı kişilerin kayıtları ise daha uzakta olmalıdır. Bu şekilde iki yüz arasındaki benzerlik ölçülebilir, isimleri veya klasik bir görünüm açıklaması olmaksızın. FaceNet'i geliştiren araştırmacılar, bu süreci yüzün matematiksel bir uzaya "presleme" olarak tanımlar ve oradaki mesafeyi benzerlik derecesini temsil eder.

Bu nedenle, yapay zekanın yüzü matematiksel bir formüle dönüştürdüğü söylenir. Daha doğru bir ifade, yüzünün sayısal bir temsili oluşturmasıdır. Bu temsil mutlak olarak benzersiz ve hatalı olmayan bir kimlik numarası gibi değildir, ancak iki kayıt arasındaki karşılaştırma için yeterli karakteristiktir.

Fotoğraf silinmesine gerek yoktur. Sistemi yöneten kuruluş, amaç, teknik çözüm ve uygulanması gereken kurallar bağlı olarak hem orijinal kaydı hem de biyometrik temsilini saklayabilir.

Bu tür bir sistemin iki temel kullanımı vardır:

Birinci, "birle bir" doğrulama. Bu durumda, alınan yüz, önceden bilinen bir kayıt ile karşılaştırılarak kişinin gerçekten kendisini iddia ettiği kişi olup olmadığı kontrol edilir. Telefonu yüz tanıma ile açmak veya güvenli bir hesaba erişmek için bu prensip kullanılır.

İkinci, "birle çok". Sistem, bilinmeyen bir kişinin fotoğrafını büyük bir veri tabanıyla karşılaştırır ve en benzer kayıtları belirler. Bu çok daha hassas bir uygulama çünkü algoritma binlerce veya milyonlarca yüzü tarayabilir ve olası adayların listesini oluşturabilir.

Sonuç, belirli bir kişinin resmedildiği kesin bir ifade değildir. Algoritma, benzerlik derecesini temsil eden bir sayı üretir ve bunu önceden ayarlanmış bir eşiğe karşılaştırır. Sonuç eşiğin üzerindeyse sistem olası bir eşleşme işaretler.

Eşik ne kadar düşükse, sistem belirtilen kişiyi bulma olasılığı o kadar yüksek olur, ancak iki farklı yüzü yanlış olarak eşleştirme riski de artar. Eşik çok yüksekse, algoritma doğru bir eşleşmeyi bile reddedebilir.

Doğruluk, baş pozisyonu, görüntü çözünürlüğü, aydınlatma, yaşlanma, gözlükler, sakal, makyaj ve kişinin çekildiği açı gibi faktörlerden etkilenir. Benzer görünen insanlar, hatta çok kaliteli fotoğraflar bile kullanıldığında sorun yaratabilir.

Amerikan Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), yanlış eşleştirme sıklığının algoritmadan algoritmaya ve belirli demografik gruplar arasında farklılık gösterdiğini belirtiyor. Güncel NIST testleri, anatomik benzerlik nedeniyle iki yüzün yanlış olarak eşleştirilmesi ve gölge, gözlükler ve diğer görüntü özellikleri nedeniyle ortaya çıkabilecek yanıltıcı sonuçlar olduğunu gösteriyor.

Yanlış bir sonuçun etkileri o teknolojinin kullanıldığı yere bağlıdır. Telefonu tanıyamazsa kullanıcı tekrar deneyebilir veya şifre girer. Ancak polis sistemi yanlış bir kişiyi suçlu olarak işaretlerse, bunun sonucu sorgulanma, izleme veya tamamen masum olan birine yönelik şüphe olabilir.

Bu nedenle algoritmanın sonucunu otomatik olarak kanıt olarak kabul etmemek gerekir. Bir ipucu veya daha fazla araştırma için bir öneri olabilir, ancak insan değerlendirmesi ve diğer bilgilerin doğrulanması ile desteklenmelidir.

Avrupa Birliği Yapay Zeka Yasası, yüz tanıma sistemlerinin kullanımını tamamen yasaklamaz. Özellikle kamu alanında gerçek zamanlı polis biyometrik tanımlaması sınırlandırılmıştır.

Bu tür bir kullanım prensip olarak yasaktır, ancak ülkeler, kaçırılan çocukları bulmak, kayıp kişileri aramak, ani yaşam tehditlerini önlemek veya belirli ağır suçların soruşturulması gibi özel durumlarda istisnalar sağlayabilir. Avrupa Komisyonu, vatandaşların genel gözetimi ile olağanüstü durumlar arasındaki farkı net bir şekilde ortaya koyuyor.

Teknolojinin kendisinin telefon açma, kayıp çocuk bulma veya şüpheli olmayan kişileri izleme amacıyla kullanıldığını belirlemek için teknoloji değil, yasalar, kurumlar ve veri tabanlarını yöneten kişilerdir.