Análise de rosto

A análise de rosto é um processo alimentado por IA que encontra, mapeia e analisa características do rosto em fotos ou vídeos ao vivo para saber mais sobre como alguém se parece e como está se sentindo. Características faciais (como olhos, nariz e geometria da boca), traços 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 de pele como modelos de hidratação ou índices de cores. É importante notar que a análise de rosto não é o mesmo que avaliação médica. Dá-lhe apenas pistas e tendências, não opiniões profissionais. Na maioria das vezes, os fornecedores mostram resultados através de ecrãs, PDFs ou campos API que pode armazenar num EHR ou CRM com permissão.

Capturar, identificar, analisar e relatar são as quatro etapas que a maioria dos processos toma. Para começar, uma câmara grava imagens RGB e, por vezes, imagens IR/UV ou polarizadas também. Um modelo de visão computacional encontra o rosto e os seus marcadores, como os olhos, pupilas, ponte nasal e contornos labiais. Em seguida, torna a imagem normal em termos de tamanho e iluminação. Os modelos de aprendizagem profunda (CNNs/Transformers) eliminam traços para classificar as emoções em grupos, adivinhar a idade ou o tipo de pele de uma pessoa, ou dividir áreas (como o rosto ou 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 varredura.

A precisão depende da câmara, da iluminação, do número de tons de pele diferentes nos dados de treino, da pose da cabeça e se a pessoa está a usar maquilhagem, óculos ou máscara. Alguns exemplos de bons sistemas que relatam erros são erro absoluto médio para estimar a idade, F1 para classes de humor e IoU em nível de pixel para segmentação da pele. Pode ter mais certeza do rosto se estiver virado para a frente, bem iluminado (difuso, mesmo claro), e fotografado a 720p ou superior. Quando há fuzz de movimento, sombras nítidas, ângulos extremos ou muita exposição, a precisão vai para baixo. Para evitar tomar a decisão errada, deve sempre examinar os seus números de confiança e configurar fluxos de trabalho como “verificar novamente se a confiança < 0,7”.

A maioria das ferramentas baseadas em IA pode ser usada com um smartphone, tablet ou webcam. Para uso profissional, quiosques com luzes de anel e fundos uniformes precisam estar disponíveis. Para a investigação da pele, os resultados são melhores quando há uma distância constante (30—50 cm) e iluminação difusa (uma softbox ou luz de anel). Alguns fornecedores oferecem dispositivos multiespectrais ou UV que facilitam a visão dos danos causados pelo sol ou pigmentação. Uma moldura estável (tripé ou suporte), um fundo neutro e itens que refletem a luz devem ser todos retirados. Se analisa constantemente as 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 do rosto. Dê sempre uma permissão clara que diga o que está a ser registado, porquê, durante quanto tempo e quem pode vê-lo. Tem de respeitar os direitos das pessoas de aceder e eliminar os seus dados (GDPR/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, verifique se eles estão protegidos por HIPAA (BAA, criptografia em repouso e em trânsito, trilhas de auditoria). Se o processamento precisar acontecer na nuvem, use centros de dados regionais, regras de retenção rígidas e pseudonimização. O processamento no dispositivo ou os ficheiros temporários são melhores. Para operações de alto risco, coloque um DPIA ou PIA.

Alguns modelos podem não ser precisos para todos os tons de pele, idades ou sexos se forem treinados em conjuntos de dados que não sejam representativos da população como um todo. Peça ao fornecedor ou fornecedor para lhe fornecer resultados de desempenho que são discriminados por grupo demográfico e testes de equidade entre esses grupos. Dados equilibrados, reavaliação contínua e ajuste de limites por grupo podem ajudar. Se não tiver a certeza de uma escolha ou se for sensível, mande uma pessoa examiná-la. Além disso, nunca use inferência de emoções para resultados de alto risco (como contratação) sem uma forte validação e aconselhamento jurídico. Diga aos utilizadores finais a dúvida.