Kamera miejskiego monitoringu. Obraz ziarnisty, lekko rozmazany, nagrany w złym oświetleniu. Twarz człowieka zajmuje może trzydzieści pikseli szerokości. A jednak – kilka sekund później – na ekranie w centrum dowodzenia pojawia się imię, nazwisko, wiek i zdjęcie z dokumentu.
To nie magia. To geometria. I jeden z najbardziej fascynujących zastosowań sztucznej inteligencji, jakie kiedykolwiek wymyślono.
Twarz jest matematyką
Zanim wejdziemy w szczegóły, jedno fundamentalne spostrzeżenie, które wszystko porządkuje.
Każda ludzka twarz jest unikalna. Wiemy to intuicyjnie – rozpoznajemy przyjaciół w tłumie, na słabym zdjęciu, po kilku latach niewidzenia. Ale czym dokładnie jest ta wyjątkowość? Co sprawia, że twarz Marii różni się od twarzy Anny, skoro obie mają dwie gałki oczne, nos pośrodku i usta poniżej?
Odpowiedź leży w proporcjach. W odległościach. W kątach.
Rozstaw oczu. Szerokość nosa w stosunku do szerokości twarzy. Odległość między kącikami ust a dolną krawędzią nosa. Kąt szczęki. Głębokość oczodołów. Kształt łuku brwiowego. Wypukłość kości policzkowych.
Każda z tych cech jest mierzalna. A ich kombinacja – dziesiątki, setki wzajemnych relacji geometrycznych – tworzy coś, co można by nazwać cyfrowym DNA twarzy. Unikalny zestaw liczb, który z niezwykłą dokładnością odróżnia jedną osobę od wszystkich innych.
System rozpoznawania twarzy robi dokładnie to: zamienia twarz w ciąg liczb. A potem szuka tej samej twarzy – tych samych liczb – w bazie danych.
Pięć kroków od kamery do tożsamości
Droga od obrazu z kamery do imienia i nazwiska na ekranie składa się z kilku wyraźnych etapów.
Krok pierwszy: detekcja twarzy. Zanim AI może rozpoznać, kto jest na obrazie, musi najpierw ustalić, że w ogóle jakaś twarz tam jest. To osobny problem – odróżnienie twarzy od tła, od innych obiektów, od innych fragmentów ciała. Współczesne systemy robią to niemal natychmiastowo i z zadziwiającą precyzją, nawet gdy twarz jest częściowo zasłonięta, obrócona pod kątem czy sfotografowana z dołu.
Krok drugi: normalizacja. Surowy obraz rzadko jest idealny. Twarz może być obrócona, oświetlona z boku, rozmyta ruchem kamery. Algorytmy normalizacji „prostują” twarz – matematycznie korygują jej orientację, wyrównują oświetlenie, wyostrzają kontury. To jak cyfrowa korekta w Photoshopie, tylko wykonana w ułamku sekundy i bez ludzkiej ręki.
Krok trzeci: wyodrębnienie cech. Tu wkracza serce systemu. Sieć neuronowa – model AI wytrenowany na milionach twarzy – analizuje znormalizowany obraz i wyodrębnia jego charakterystyczne cechy. Nie robi tego tak jak człowiek, który patrzy na oczy czy na nos. Patrzy na wzorce, które ludzie najczęściej w ogóle nie dostrzegają: mikrostruktury skóry, asymetrie tak subtelne, że niewidoczne gołym okiem, specyficzne cienie tworzące się przy konkretnych proporcjach kości.
Krok czwarty: wektoryzacja. Wyodrębnione cechy zostają zamienione w ciąg liczb – wektor, który można traktować jak adres tej twarzy w matematycznej przestrzeni. Tysiące twarzy różnych ludzi to tysiące punktów w tej przestrzeni. Twarze podobne do siebie leżą blisko siebie. Twarze zupełnie różne – daleko.
Krok piąty: porównanie. Wektor nieznanej twarzy z kamery jest porównywany z wektorami twarzy zapisanych w bazie. Jeśli odległość między dwoma wektorami jest wystarczająco mała – system stwierdza: to ta sama osoba. I podaje wynik.
Dlaczego AI radzi sobie z kiepskim zdjęciem?
To pytanie, które intryguje najbardziej. Człowiek często nie jest w stanie rozpoznać kogoś na złym zdjęciu. AI – owszem.
Sekret leży w sposobie trenowania modeli. Systemy rozpoznawania twarzy uczą się na ogromnych zbiorach danych zawierających miliony fotografii tych samych ludzi w różnych warunkach: w pełnym słońcu i nocą, z przodu i z profilu, uśmiechniętych i poważnych, w różnym wieku, w okularach i bez.
Podczas treningu model uczy się czegoś niezwykłego: odnajdować niezmienniki – cechy, które pozostają stałe niezależnie od warunków fotografowania. Rozstaw oczu nie zmienia się gdy ktoś się uśmiecha. Kąt szczęki jest taki sam przy oświetleniu z lewej i z prawej strony. Proporcje kości policzkowych nie zależą od rozdzielczości kamery.
Model uczy się ignorować to, co zmienne – oświetlenie, wyraz twarzy, kąt, rozdzielczość – i skupiać się na tym, co stałe. To jest właśnie ta „głębia” rozpoznawania, która sprawia, że AI działa tam, gdzie człowiek by się poddał.
Dodatkowy czynnik: modele potrafią odtwarzać brakujące informacje. Jeśli twarz ma zaledwie trzydzieści pikseli szerokości, brakuje wielu szczegółów. Ale model, który widział miliony twarzy, potrafi statystycznie „domyślić się” cech, które powinny być w miejscu, gdzie obraz jest za mały, by je pokazać. To trochę jak czytanie tekstu ze szczelnie zapisanymi literami – doświadczony czytelnik uzupełnia luki z kontekstu.
Skąd pochodzi baza do porównań?
Tu zaczynamy zbliżać się do terytorium równie technicznego co etycznego.
System rozpoznawania twarzy jest tak dobry, jak baza danych, z którą porównuje. Bez bazy – jest tylko maszyną produkującą wektory, które z niczym nie może zestawić.
Skąd pochodzą twarze w bazach danych? To zależy od tego, kto bazę buduje i w jakim celu.
Bazy danych służb mundurowych są zasilane zdjęciami z dokumentów: paszportów, dowodów osobistych, zdjęć archiwalnych z posterunków policji. W wielu krajach każde zdjęcie złożone przy wyrabianiu dokumentu trafia automatycznie do takiego zbioru.
Komercyjne firmy budowały swoje bazy inaczej – i tu zaczyna się historia znacznie bardziej niepokojąca, do której wrócimy w drugim artykule. Wystarczy powiedzieć, że miliardy zdjęć z mediów społecznościowych, ze stron internetowych, z publicznych profili – zostały przez różne firmy zebrane, przetworzone i zamienione w bazy wzorców twarzy, bez wiedzy i zgody osób na nich widniejących.
Starzenie się, zmiany wyglądu i granice systemu
Żaden system rozpoznawania twarzy nie jest doskonały. I warto wiedzieć, gdzie leżą jego granice.
Starzenie się. Twarz człowieka zmienia się z wiekiem: pojawia się tłuszcz, zanikają inne struktury, zmienia się napięcie skóry. Systemy trenowane na współczesnych zdjęciach mogą mieć trudności z dopasowaniem twarzy z kamera do zdjęcia sprzed dwudziestu lat. Choć algorytmy korygujące wpływ wieku coraz lepiej sobie z tym radzą.
Bliźniacy. To oczywiste wyzwanie. Jednojajowe bliźnięta mają twarze tak podobne, że nawet zaawansowane systemy mylą je ze sobą w znacznym odsetku przypadków.
Uprzedzenia algorytmiczne. To najpoważniejsza słabość, udokumentowana w wielu badaniach niezależnych. Systemy trenowane głównie na zdjęciach osób o jasnej karnacji wykazują wyższy wskaźnik błędów dla osób o ciemniejszej skórze, dla kobiet i dla osób starszych. Nie dlatego, że twórcy chcieli dyskryminować – lecz dlatego, że dane treningowe nie były wystarczająco zróżnicowane. Algorytm jest tak dobry, jak dane, na których się uczył.
Konsekwencje błędów algorytmicznych nie są abstrakcją. W 2023 roku w Detroit babcia spędziła 108 dni w areszcie po tym, jak system rozpoznawania twarzy błędnie zidentyfikował ją jako podejrzaną. Sprawa stała się symbolem ryzyka, jakie niesie ślepe zaufanie do tych systemów.
Trzydzieści pikseli wystarczy
Powróćmy do punktu wyjścia: ziarnisty obraz z kamery, twarz trzydziestu pikseli szerokości.
Czy to wystarczy? Dla dobrze wytrenowanego systemu – często tak. Zwłaszcza jeśli ma dostęp do wysokiej jakości zdjęcia referencyjnego w bazie i jeśli kamera zarejestrowała kilkadziesiąt klatek, z których algorytm może wybrać najlepszą.
Ale „często tak” to nie to samo co „zawsze”. I właśnie dlatego systemy rozpoznawania twarzy – nawet te najlepsze na świecie – produkują zarówno trafne wyniki, jak i błędy. Błędy, które dla systemu są statystyką. A dla człowieka błędnie zidentyfikowanego – mogą być początkiem koszmarnej historii.
O tym, kto i jak tymi systemami zarządza – i co na ten temat mówi prawo – opowiada drugi artykuł.
Twarz jest matematyką. Ale matematyka nie zna pojęcia niewinności.
