Gesichtserkennung
Detektion, Verifikation, Identifikation: drei Aufgaben mit sehr unterschiedlichen Rechtsfolgen, und warum die Verwechslung so teuer ist.
Die drei Aufgaben
| Aufgabe | Frage | Beispiel |
|---|---|---|
| Detektion | Ist hier ein Gesicht? | Kamera fokussiert, Gesicht unkenntlich machen |
| Verifikation | Ist das die Person, die sie zu sein behauptet? | Handy entsperren, Videoident |
| Identifikation | Wer ist das? | Suche in einer Datenbank |
Nur die erste Aufgabe kommt ohne biometrische Merkmale aus, wenn das Ergebnis nicht gespeichert wird. Die beiden anderen verarbeiten biometrische Daten im Sinne von Art. 9 DSGVO.
Wie ein Vergleich technisch abläuft
- 01
Detektion
Ein Detektor findet Gesichter im Bild und gibt Rechtecke aus.
- 02
Ausrichtung
Über fünf Schlüsselpunkte wird das Gesicht auf eine Standardlage gedreht und skaliert. Ohne diesen Schritt fällt die Güte deutlich.
- 03
Einbettung
Ein Netz erzeugt einen Vektor, meist mit 512 Werten, der die Person beschreibt.
- 04
Vergleich
Kosinusabstand zwischen zwei Vektoren, gegen eine Schwelle gehalten.
Der entstehende Vektor ist selbst ein biometrisches Datum. Er ist nicht anonymisiert, auch wenn das Bild gelöscht wurde: aus ihm lässt sich dieselbe Person wiedererkennen, und moderne Verfahren rekonstruieren daraus näherungsweise ein Gesichtsbild.
Was gemessen werden muss
- Falschakzeptanzrate und Falschrückweisungsrate getrennt, nicht als eine Zahl.
- Beide Raten getrennt nach Hauttyp, Alter und Geschlecht ausgewiesen.
- Die Schwelle einmal festgelegt und dokumentiert, nicht im Betrieb nachjustiert.
- Ein Rückfallweg ohne Biometrie, der ohne Nachteil nutzbar ist.
Warum Identifikation etwas anderes ist als Verifikation
Durchgerechnet bei einer sehr guten Falschakzeptanzrate von 1e-6:
| Datenbankgröße | P mindestens ein Fehltreffer |
|---|---|
| 1.000 | 0,10 % |
| 100.000 | 9,5 % |
| 1.000.000 | 63,2 % |
| 10.000.000 | 99,995 % |
Bei einer Million Einträgen liefert also fast jede zweite Abfrage einen Fehltreffer, obwohl das System je Einzelvergleich nur einen Fehler in einer Million macht. Genau deshalb bewertet der AI Act Identifikation und Verifikation grundverschieden.
Ungleiche Fehlerverteilung
Groß angelegte Vergleichstests, unter anderem der NIST FRVT-Reihe, zeigen durchgehend Unterschiede der Falschakzeptanzrate zwischen demografischen Gruppen, historisch um bis zu zwei Größenordnungen. Neuere Modelle haben den Abstand verringert, aber nicht beseitigt.
Für die Praxis folgt daraus: eine Gesamtfehlerrate ist als Nachweis nicht ausreichend. Die technische Dokumentation nach AI Act muss die Fehlerraten je Gruppe ausweisen, und ein Betrieb ohne diese Aufschlüsselung ist nicht belegbar diskriminierungsfrei. Siehe Verzerrung in Daten.
Der Prüfpfad
Jede Identifikationsabfrage gehört protokolliert: Zeitpunkt, Anlass, abfragende Stelle, Ergebnis, getroffene Entscheidung und ob ein Mensch sie überprüft hat. Ohne dieses Protokoll ist weder eine Betroffenenauskunft noch eine aufsichtsbehördliche Prüfung möglich. Siehe Protokollierung.
Passende Kurse und Quellen
Gender Shades
Die Untersuchung, die zeigte, wie stark Gesichtserkennung je nach Hautton und Geschlecht danebenliegt. Der Auslöser der heutigen Regeln.
Für jede Diskussion über Gesichtserkennung: die Untersuchung, die die heutigen Regeln ausgelöst hat.