Análise facial

A análise facial é um processo alimentado por IA que encontra, mapeia e analisa características faciais em fotos ou vídeos ao vivo para aprender mais sobre a aparência e o estado emocional de uma pessoa. Características faciais (como geometria dos olhos, nariz e boca), características da pele (como textura, poros, linhas finas e pigmentação) e sinais emocionais (como felicidade ou surpresa) são alguns dos resultados habituais. Alguns sistemas tentam adivinhar a idade, o nível de atenção e a posição da cabeça da pessoa. Outros usam imagens para obter medidas da pele, como modelos de hidratação ou índices de cor. É importante observar que a análise facial não é o mesmo que uma avaliação médica. Ela apenas fornece pistas e tendências, não opiniões profissionais. Na maioria das vezes, os fornecedores mostram os resultados por meio de telas, PDFs ou campos de API que você pode armazenar em um EHR ou CRM com permissão.

Capturar, identificar, analisar e relatar são as quatro etapas que a maioria dos processos segue. Para começar, uma câmara grava imagens RGB e, às vezes, também imagens IR/UV ou polarizadas. Um modelo de visão computacional encontra o rosto e seus marcadores, como olhos, pupilas, ponte do nariz e contornos dos lábios. Em seguida, normaliza a imagem em termos de tamanho e iluminação. Modelos de aprendizagem profunda (CNNs/transformadores) extraem características para classificar emoções em grupos, adivinhar a idade ou o tipo de pele de uma pessoa ou dividir áreas (como o rosto ou as bochechas) para leituras mais precisas. Os resultados são somados, os resultados do vídeo são suavizados ao longo do tempo e são fornecidos números de confiança para que os operadores possam escolher em que confiar e quando fazer outra digitalização.

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."

A maioria das ferramentas baseadas em IA pode ser usada com um smartphone, tablet ou webcam. Para uso profissional, é necessário ter quiosques com luzes anulares e fundos uniformes. Para pesquisas sobre a pele, os resultados são melhores quando há uma distância constante (30–50 cm) e iluminação difusa (uma softbox ou luz anular). Alguns fornecedores oferecem dispositivos multiespectrais ou UV que facilitam a visualização dos danos causados pelo sol ou da pigmentação. Uma estrutura estável (tripé ou suporte), um fundo neutro e itens que refletem a luz devem ser removidos. Se estiver constantemente a analisar coisas, como numa loja, coloque as câmaras onde as pessoas possam vê-las e decida quanta luz entra do exterior.

Tenha cuidado com as informações faciais. Dê sempre uma autorização clara que indique o que está a ser gravado, porquê, por quanto tempo e quem pode ver. Tem de respeitar os direitos das pessoas de aceder e eliminar os seus dados (RGPD/CCPA) e recolher o mínimo de dados possível (sempre que possível, armazene medidas derivadas em vez de imagens brutas). Se o caso de uso incluir dados de saúde dos EUA, certifique-se de que eles estejam protegidos pela HIPAA (BAA, criptografia em repouso e em trânsito, trilhas de auditoria). Se o processamento precisar ser feito na nuvem, use centros de dados regionais, regras rígidas de retenção e pseudonimização. O processamento no dispositivo ou arquivos temporários são melhores. Para operações de alto risco, publique uma DPIA ou PIA.

Alguns modelos podem não ser precisos para todos os tons de pele, idades ou géneros se tiverem sido treinados com conjuntos de dados que não são representativos da população como um todo. Peça ao fornecedor ou vendedor para lhe fornecer resultados de desempenho divididos por grupo demográfico e testes de imparcialidade entre esses grupos. Dados equilibrados, reavaliação contínua e ajuste de limites por grupo podem ajudar. Se não tiver a certeza sobre uma escolha ou se ela for sensível, peça a alguém para analisá-la. Além disso, nunca use inferência emocional para resultados de alto risco (como contratação) sem validação sólida e aconselhamento jurídico. Informe os utilizadores finais sobre a dúvida.