Analisi del viso

L'analisi del viso è un processo basato sull'intelligenza artificiale che trova, mappa e analizza le caratteristiche del viso nelle foto o nei video in diretta per saperne di più sull'aspetto e su come si sente una persona. Le caratteristiche del viso (come la geometria degli occhi, del naso e della bocca), i tratti della pelle (come consistenza, pori, linee sottili e pigmentazione) e i segni emotivi (come felicità o sorpresa) sono alcuni dei risultati usuali. Alcuni sistemi cercano di indovinare l'età, il livello di attenzione e la posizione della testa della persona. Altri utilizzano le immagini per misurare la pelle, ad esempio modelli di idratazione o indici di colore. È importante notare che l'analisi del viso non è la stessa cosa della valutazione medica. Fornisce solo indizi e tendenze, non opinioni professionali. La maggior parte delle volte, i fornitori mostrano i risultati tramite schermate, PDF o campi API che è possibile archiviare in un EHR o CRM con autorizzazione.

Acquisizione, identificazione, analisi e creazione di report sono i quattro passaggi che la maggior parte dei processi esegue. Per iniziare, una telecamera registra immagini RGB e talvolta anche immagini IR/UV o polarizzate. Un modello di visione artificiale rileva il viso e i suoi marcatori, come gli occhi, le pupille, il ponte nasale e il contorno delle labbra. Quindi rende l'immagine normale in termini di dimensioni e illuminazione. I modelli di deep learning (CNNS/Transformers) analizzano i tratti per ordinare 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 letture più accurate. I risultati vengono sommati, i risultati video vengono migliorati nel tempo e vengono forniti numeri di confidenza in modo che gli operatori possano scegliere di cosa fidarsi e quando eseguire un'altra scansione.

La precisione dipende dalla fotocamera, dall'illuminazione, dal numero di diverse tonalità della pelle nei dati di allenamento, dalla posa della testa e dal fatto che la persona sia truccata, occhiali o mascherina. Alcuni esempi di buoni sistemi che segnalano errori sono l'errore medio assoluto per la stima dell'età, F1 per le classi sull'umore e l'IoU a livello di pixel per la segmentazione della pelle. Puoi essere più sicuro del viso se è rivolto in avanti, ben illuminato (luce diffusa, uniforme) e ripreso a 720p o superiore. In presenza di movimenti sfocati, ombre nitide, angoli estremi o eccessiva esposizione, la precisione diminuisce. Per evitare di prendere una decisione sbagliata, dovreste sempre controllare i vostri numeri di confidenza e impostare flussi di lavoro come «ripetere la scansione se il livello di confidenza è inferiore a 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, devono essere disponibili chioschi con luci ad anello e sfondi uniformi. Per le ricerche sulla pelle, i risultati sono migliori in presenza di una distanza costante (30-50 cm) e di un'illuminazione diffusa (un softbox o una lampada ad anello). Alcuni fornitori offrono dispositivi multispettrali o UV che rendono più facile vedere i danni o la pigmentazione del sole. È necessario rimuovere una cornice stabile (treppiede o supporto), uno sfondo neutro e gli oggetti che riflettono la luce. Se analizzi costantemente gli oggetti, ad esempio in un negozio, metti le telecamere in un punto in cui le persone possano vederle e decidi quanta luce entra dall'esterno.

Fai attenzione alle informazioni sul viso. Dai sempre un'autorizzazione chiara che indichi cosa viene registrato, perché, per quanto tempo e chi può vederlo. Devi rispettare il diritto delle persone di accedere ed eliminare i propri dati (GDPR/CCPA) e raccogliere il minor numero possibile di dati (quando possibile, memorizza misure derivate anziché immagini grezze). Se il caso d'uso include dati sanitari statunitensi, assicurati che siano protetti dall'HIPAA (BAA, crittografia a riposo e in transito, tracce di controllo). Se l'elaborazione deve avvenire nel cloud, utilizza data center regionali, rigide regole di conservazione e pseudonimizzazione. L'elaborazione sul dispositivo o i file temporanei sono migliori. Per le operazioni ad alto rischio, emetti una DPIA o PIA.

Alcuni modelli potrebbero non essere accurati per tutte le tonalità di pelle, età o genere se sono stati addestrati su set di dati che non sono rappresentativi della popolazione nel suo insieme. Chiedi al fornitore o al fornitore di fornirti i risultati delle prestazioni suddivisi per gruppo demografico e i test di equità tra tali gruppi. Dati bilanciati, una rivalutazione continua e l'ottimizzazione dei confini per gruppo possono essere tutti utili. Se non sei sicuro di una scelta o è delicata, chiedi a una persona di esaminarla. Inoltre, non utilizzare mai l'inferenza emotiva per risultati ad alto rischio (come le assunzioni) senza una valida convalida e una consulenza legale. Informa gli utenti finali del dubbio.