Analisi del viso

L'analisi del volto è un processo basato sull'intelligenza artificiale che individua, mappa e analizza i tratti del viso nelle foto o nei video in diretta per ottenere maggiori informazioni sull'aspetto e sullo stato d'animo di una persona. Tra i risultati più comuni figurano i tratti del viso (come la geometria di occhi, naso e bocca), le caratteristiche della pelle (come la consistenza, i pori, le rughe sottili e la pigmentazione) e i segni emotivi (come la felicità o la sorpresa). Alcuni sistemi cercano di indovinare l'età della persona, il suo livello di attenzione e la posizione della testa. Altri utilizzano le immagini per ottenere misurazioni della pelle come modelli di idratazione o indici di colore. È importante notare che l'analisi del volto non è la stessa cosa di una valutazione medica. Fornisce solo indizi e tendenze, non pareri professionali. Il più delle volte, i fornitori mostrano i risultati tramite schermate, PDF o campi API che è possibile memorizzare in un EHR o CRM con autorizzazione.

Acquisizione, identificazione, analisi e reportistica sono le quattro fasi che caratterizzano la maggior parte dei processi. Per iniziare, una telecamera registra immagini RGB e talvolta anche immagini IR/UV o polarizzate. Un modello di visione artificiale individua il volto e i suoi punti di riferimento, come gli occhi, le pupille, il ponte nasale e il contorno delle labbra. Quindi normalizza l'immagine in termini di dimensioni e illuminazione. I modelli di deep learning (CNN/trasformatori) estraggono i tratti per classificare le emozioni in gruppi, indovinare l'età o il tipo di pelle di una persona o dividere le aree (come il viso o le guance) per ottenere letture più accurate. I risultati vengono sommati, i risultati video vengono livellati nel tempo e vengono forniti valori di affidabilità in modo che gli operatori possano scegliere di cosa fidarsi e quando eseguire un'altra scansione.

How accurate it is relies on the camera, the lighting, the number of different skin tones in the training data, the head pose, and whether the person is wearing makeup, glasses, or a mask. Some examples of good systems that report error are mean absolute error for estimating age, F1 for mood classes, and pixel-level IoU for skin segmentation. You can be more sure of the face if it is looking forward, well-lit (diffuse, even light), and shot at 720p or higher. When there is motion fuzz, sharp shadows, extreme angles, or too much exposure, the accuracy goes down. To avoid coming to the wrong decision, you should always look over your confidence numbers and set up workflows like "re-scan if confidence < 0.7."

La maggior parte degli strumenti basati sull'intelligenza artificiale può essere utilizzata con uno smartphone, un tablet o una webcam. Per un uso professionale, è necessario disporre di chioschi con luci ad anello e sfondi uniformi. Per la ricerca sulla pelle, i risultati sono migliori quando la distanza è costante (30-50 cm) e l'illuminazione è diffusa (softbox o luce ad anello). Alcuni fornitori offrono dispositivi multispettrali o UV che rendono più facile vedere i danni causati dal sole o la pigmentazione. È necessario rimuovere qualsiasi elemento che rifletta la luce, utilizzare un supporto stabile (treppiede o cavalletto) e uno sfondo neutro. Se si effettuano analisi costanti, come in un negozio, posizionare le telecamere in modo che siano visibili e decidere la quantità di luce che entra dall'esterno.

Presta attenzione alle informazioni relative al volto. Fornisci sempre un'autorizzazione chiara che specifichi cosa viene registrato, perché, per quanto tempo e chi può vederlo. Devi rispettare il diritto delle persone di accedere e cancellare i propri dati (GDPR/CCPA) e raccogliere il minor numero possibile di dati (quando possibile, archivia misure derivate invece di immagini grezze). Se il caso d'uso include dati sanitari statunitensi, assicurarsi che siano protetti dall'HIPAA (BAA, crittografia inattiva e in transito, tracciati di audit). Se l'elaborazione deve avvenire nel cloud, utilizzare centri dati regionali, regole di conservazione rigorose e pseudonimizzazione. È preferibile l'elaborazione sul dispositivo o i file temporanei. Per le operazioni ad alto rischio, pubblicare una DPIA o una PIA.

Alcuni modelli potrebbero non essere accurati per tutte le tonalità di pelle, età o generi se sono stati addestrati su set di dati non rappresentativi dell'intera popolazione. Chiedete al fornitore o al venditore di fornirvi i risultati delle prestazioni suddivisi per gruppo demografico e i test di equità tra questi gruppi. Dati equilibrati, rivalutazioni continue e regolazioni dei limiti per ciascun gruppo possono essere d'aiuto. Se non siete sicuri di una scelta o se si tratta di una questione delicata, chiedete a qualcuno di esaminarla. Inoltre, non utilizzate mai l'inferenza emotiva per risultati ad alto rischio (come le assunzioni) senza una forte convalida e una consulenza legale. Informate gli utenti finali del dubbio.