Datamaskiner ser ansiktet ditt som et barn: Vil de gjenkjenne deg som voksen?

Etter hvert som ansiktsgjenkjenningssystemene forbedres, vil de bli bedre til å identifisere mennesker i forskjellige aldre, selv svært små barn.

Denne historien begynte med et enkelt spørsmål: Hvis et ansiktsgjenkjenningssystem behandler mange bilder av et barn, vil det gjenkjenne den personen når han eller hun vokser opp?

Hvis jeg skulle laste opp alle mine barndomsbilder til Facebook (eller en fremtidig Facebook), kunne et biometrisk identifikasjonssystem koblet barnet med knappneset, rundkinnet med en skål kuttet til mitt voksne ansikt, som har mistet knappen, kinnene, og hår?

Det er ikke et tomt spørsmål: Foreldre legger ut millioner av bilder av barna sine på sosiale nettverkssider, det samme er barna selv når de er gamle nok til å bruke Facebook og lignende. Vil disse bildene permanent identifisere dem etter hvert som de blir eldre, og knytte barndommen eller tenåringene deres til deres voksne identiteter?

Eller gir den naturlige aldringsprosessen et visst nivå av beskyttelse mot de nysgjerrige beregningene til ansiktsgjenkjenningsalgoritmer? Hvis jeg knapt kan identifisere meg på bilder fra barndommen, hvilket håp har en datamaskin?

Det er ikke noe enkelt svar, selv om det er en god teoretisk nedre aldersgrense: det ville være svært vanskelig for et ansiktsgjenkjenningssystem å matche et fotografi av et barn under syv år med et bilde av den samme personen som voksen.

Og i praksis er de fleste ansiktsgjenkjenningssystemer ikke i nærheten av å kunne utføre denne typen identifikasjon i felten. Likevel kan det kanskje ikke dempe bekymringene til teknologitenkere som Amy Webb, som nylig advarte foreldre om å ikke legge ut bilder av barna sine på nettet fordi ' allestedsnærværende bio-identifikasjon er bare så vidt i gang .'

Det som står på spill er dette: Hvor sterkt ønsker vi at mediene som barn produserer, skal knytte til deres voksne identiteter? For de fleste nåværende voksne er bildene og videoene vi laget som barn ikke søkbare eller tilgjengelige, bortsett fra de håndkuraterte valgene av ' tilbakevending torsdag .'

Barn som nå vokser opp på Internett, blir fulgt av et stadig større og dypere digitalt fotavtrykk. Faren er at det kan begrense deres frihet til å utvikle seg som fremtidige mennesker. Algoritmer er avhengige av det de vet om noens barndom for å kanalisere mulighetene deres som voksen.

Hvis bilder (eller YouTube-videoer) fra ungdommen din kan kobles til din voksne identitet, vil det i det minste øke den etiske kompleksiteten ved å legge ut eller være vert for bilder av barn.

La oss gå inn i detaljene.

Denne typen ansiktsgjenkjenningsarbeid kommer fra svært forskjellige steder: rettsmedisinere, rene datavitere og ansiktsgjenkjenningsutøvere. Rettsmedisinere prøver å løse et veldig praktisk problem: Hvis et barn forsvinner i en lengre periode, hvordan kan rettshåndhevelse lage et mer oppdatert portrett av barnet? De vil ha et system som kunstig kan elde et savnet barns ansikt. Vi vet alle at barn forandrer seg, men det er ikke den typen strenge analyser man trenger for å Photoshop fem år på et barns ansikt. Kunstig aldring er nesten det motsatte av hva et ansiktsgjenkjenningssystem ville gjort.

De raskeste endringene er mellom spedbarnsalderen til 3, og deretter under ungdomsårene (etter 10 år) inn i voksenlivet, sa Alex Cybulski, en doktorgradskandidat ved University of Toronto Information School, hvor han studerer overvåking. 'Du kan forstå hvordan dette kompliserer ting ettersom endringene i den kraniofaciale formen og teksturen til et ansikt i løpet av den tidlige perioden av et individs liv er raske og dermed unnvikende å estimere ved hjelp av datamodellering for ansiktsgjenkjenningsformål.'

Unnvikende, kanskje, men ikke umulig. Cybulski pekte på arbeidet til rettsmedisinsk forsker Stuart Gibson ved University of Kent, som 'har foreslått at på grunn av måten ansiktet endrer seg på i [barndommen] fra og med syv år, regnes som det maksimale området gjennom hvilket endringer kan estimeres og derfor pålitelig sammenlignet.'

Det Gibson har gjort er å prøve å ta bilder av barn i ulike aldre og bygge datamodeller som forsøker å kunstig elde dem . Så, for eksempel, her er bildene helt til venstre (A) og høyre (F) faktiske bilder av motivene. Kolonne B til E viser forskjellige algoritmiske projeksjoner basert på modellene hans.

Man kan forestille seg at disse forsøkene på å kvantitativt modellere endringene i beinstruktur, hudtekstur og andre estetiske variabler kan føre til et bedre ansiktsgjenkjenningssystem.

Et annet sted dette quixotiske spørsmålet førte meg var til matematikere som Nigel Boston ved University of Wisconsin, Madison. Han henviste meg til arbeidet til UCLAs Stephen Soatto.

For Soatto er et ansikt form-rom med visse egenskaper. 'Din identitet er det som blir uforanderlig av en eller annen klasse av transformasjoner,' er hvordan han sa det til meg. For ham er problemet at hvis vi ønsker å matche bilder eller diskriminere mellom individer, er det to typer variasjon. Den ene er iboende – ansiktet mitt nå versus ansiktet mitt for 25 år siden – men det andre er 'plagsom variasjon', eller trekk ved bilder som er irrelevante for min identitet.

Soatto skrev en artikkel om å bli kvitt denne typen variasjoner med hensyn til brennvidde i bilder, som sterkt forvrenger folks ansikter (spesielt det frontvendte på telefonen din: 'du kan ikke se ørene dine, nesen din ser større ut'). Og han så en parallell mellom matematikken som ligger til grunn for forskningen og kvantifisering av effektene av aldring. I vårt spesifikke spørsmål er den forstyrrende variasjonen vi prøver å eliminere tid, og 'måten tiden påvirker dataene dine er veldig kompleks, men matematisk er det en 1-parameter morfisme som deformerer ansiktet ditt,' sa Soatto.

Han mener at det å bruke samme metodikk som i brennviddestudien kan brukes på aldring og ansiktsgjenkjenning. De kunne mate mange bilder inn i modellen og 'lære bort variasjonen,' sa han. «Konseptuelt er det nøyaktig det samme. Den eneste vanskeligheten er å få data for dette. Du trenger samtykke, og det vil bli en lang, langsgående studie.'

Utfordringen er selvfølgelig at vi alle eldes forskjellig, men 'det er geometrisk konsistens fordi ansikter ikke er vilkårlige objekter.' Man kan forvente kråketær og en vaklende kjeve, for eksempel. Eller for barn kan man forvente at størrelsen på pannen jevner seg ut i forhold til resten av ansiktet.

Kanskje et sett av dusinvis av mulige landemerker på et ansikt holder konstant, eller forholdet mellom dem gjør det.

29 ansikts landemerker brukt av University of Nebraska forskere i en ansiktsgjenkjenningsoppgave .

Hvor godt kan et datasystem bli til denne typen beregninger?

«Anta at vi tar de to bildene dine atskilt av x år. For å gjøre ting enkelt, anta at de er portretter (frontal positur, nøytralt uttrykk og jevn belysning). Generelt, hvis x <10 years, high matching accuracy will be maintained by state of the art face recognition systems. But because different persons age differently, this value of x may vary from person to person,' a computer vision practitioner Anil Jain, a professor at Michigan State, told me in an email.

Barn, selvfølgelig, ville være vanskeligere. Og, bemerket Jain, at ansiktsmatching i 'ubegrensede innstillinger' som overvåkingsvideo eller tilfeldige øyeblikksbilder 'utgir utfordringer.'

Men det meste av arbeidet som er gjort av akademikere trekker på dusinvis til tusenvis av fotografier. Hva skjer når man oppnår Facebook-skala, milliarder av bilder, med tusenvis (eller til og med titusenvis av) bilder av et individ gjennom tiden?

'Vi vil sannsynligvis se mye mer arbeid med dette når sosiale nettverk har bygget opp biblioteker med digitale bilder av mennesker i forskjellige aldre,' sa Yana Welinder, en tilknyttet stipendiat ved Stanfords Center for Internett og samfunn, som har studert ansiktsgjenkjenning. Du kan satse på at Facebook kommer til å prøve å identifisere brukerne sine uansett hvor gamle de er, eller på hvis bilder de vises. Og de vil sannsynligvis bli gode også, som ' urimelig effektivitet av data ' gjør algoritmene deres bedre.

Vil datamaskiner noen gang bli bedre enn mennesker?

Soatto, for en, tviler på det. Ansiktsgjenkjenning er tross alt en bemerkelsesverdig vanskelig oppgave som (nesten) alle mennesker er eksepsjonelle på. 'Virkeligheten er at det er så komplekst og mennesker er så innstilt på svært subtile signaler på det menneskelige ansiktet at det ville være veldig vanskelig for et konstruert system å etterligne eller overgå de ekstrapolerte evnene til mennesker,' sa han.

Problemet er at det går til 'kjernen av hva kunnskap og læring er,' sa Soatto. «Det er tonnevis med data, og dataene er ikke informasjon. Informasjon er det som er igjen i dataene etter at du kaster det som ikke betyr noe for oppgaven din. Du har valgt én kilde til forstyrrende variasjon, som er alder, og det er en tøff en. Men den samme gåten gjennomsyrer alle andre grener av kunnskap og læring.'

Problemets grunnleggende natur kan tyde på at inntil maskinene kan lære så godt som vi gjør, vil det være vanskelig for dem å overta oss i ansiktsgjenkjenningsoppgaver.