Afro Big Data

In un giovedì pomeriggio dello scorso gennaio il signor Robert Julian-Borchak Williams si trovava nel suo ufficio di un’azienda di ricambi per auto quando riceve una chiamata dal dipartimento di polizia di Detroit per informarlo di raggiungere la più vicina stazione di polizia per l’arresto. Naturalmente il nostro personaggio pensa ad uno scherzo.

Un’ora più tardi mentre si dirigeva verso il proprio quartiere nello stato del Michigan un’auto della polizia lo affianca e lo blocca. Due ufficiali estraggono le manette davanti alla moglie e alle due figlie attonite. La polizia non spiega la ragione dell’arresto ma mostra un document riportante la foto di Mr. Williams con l’indicazione di un mandato di arresto per furto.

Trasferito al centro di detenzione viene trattenuto per la note. Il giorno successivo viene portato in aula interrogatori, sul tavolo ci sono alcuni documenti rivolti a faccia in giù. “Quando si è recato l’ultima volta al Shinola store?” viene chiesto. Il signor Williams risponde che ci è stato con la moglie quando il negozio di orologi e pelletteria di moda ha aperto per la prima volta nel 2014.

Il detective mostra i documenti che riportano immagini recuperate dal video di sorveglianza che mostra un uomo corpulento vestito di nero di fronte al negozio dove 5 orologi per un valore di 3800 dollari furono sottratti. Un altro documento riporta una foto molto ravvicinata ma anche molto sfocata e decisamente non si tratta di Mr. Williams. “No, questo non sono io” sostiene facilmente.

Mr. Williams sapeva di non avere commesso il fatto. Non sapeva di essere il primo account Americano ad essere arrestato a causa di un algoritmo di riconoscimento facciale che aveva imperdonabilmente compiuto un errore. Il sistema ha connesso una sua foto all’immagine di un sospetto ladro e questo ne ha fatto scattare l’arresto. Ma è bastata una semplice occhiata umana per rendersi conto del madornale errore.

Le tecniche di machine learning per il riconoscimento facciale sono un metodo sofisticato ma gli errori statistici possono esistere. Questi sistemi sbagliano con maggiori probabilità quando devono riconoscere il viso di un afro-americano e con minori probabilità se il viso è di un caucasico. E Williams è afro-americano.

Sembra che il colore nero sia il problema principale nei meccanismi di riconoscimento facciale. In base ad uno studio del National Institute of Standards and Technology (NIST) la presenza delle mascherine indossate in questo tempo di pendemia inducono un tasso di errore da parte degli algoritmi fra il 5 e il 50%. Ma se le mascherine sono nere la probabilità di errore cresce ulteriormente.

Gli algoritmi di riconoscimento facciale principale funzionano misurando le distanze fra le varie parti del volto. Con questa impostazione si distingue fra un riconoscimento facciale one-to-one e uno one-to-many. Il primo riconoscimento ha luogo quando, alle frontiere, si ha necessità di verificare se il volto corrisponde al documento di identità. Il secondo viene utilizzato nella sorveglianza di massa ove una scansione continua cerca di trovare corrispondenze rispetto alle immagini presenti in un database di grandi dimensioni. Il metodo one-to-many è esporsto ad un maggior tasso di errore nelle condizioni normali, tasso che peggiora sia in presenze di mascherine sia con soggetti di colore nero. Si stanno progettando e sperimentando tecniche più sofisticate in grado di riconoscere il volto con la sola analisi degli occhi.

 

 

Blogs network

Iscrizione alla newsletter

I agree with the Privacy e Termini di Utilizzo
Con l'iscrizione riceverai news sul mondo dell'IT e Big Data.
Back to Top