


Principes éthiques de la technologie de reconnaissance faciale
L'énorme potentiel de la technologie de reconnaissance faciale dans divers domaines est presque inimaginable. Cependant, certains pièges courants liés à sa fonctionnalité et certaines considérations éthiques doivent être résolus avant que ses applications les plus complexes puissent être mises en œuvre.
Un système de reconnaissance faciale précis utilise la technologie biométrique pour dessiner les traits du visage à partir de photos ou de vidéos. Il compare ces informations à une base de données de visages connus pour trouver une correspondance. La reconnaissance faciale peut aider à vérifier l'identité d'une personne, mais elle soulève également des problèmes de confidentialité.
Il y a quelques décennies, nous n'aurions pas pu prédire que la reconnaissance faciale deviendrait un élément presque indispensable de nos vies à l'avenir. Du déverrouillage des smartphones à la réalisation de transactions en ligne (ou hors ligne), cette technologie est profondément ancrée dans notre quotidien. Il s’agit d’une application incroyable des composants de vision par ordinateur et d’apprentissage automatique de l’intelligence artificielle.
Les systèmes de reconnaissance faciale fonctionnent comme ceci :
des algorithmes entraînés déterminent divers détails uniques du visage d'une personne, tels que le nombre de pixels entre les yeux ou la courbure des lèvres, les interprétant logiquement, entre autres détails, pour les reconstruire. le visage au sein du système. Ces visages reconstruits sont ensuite comparés à un large ensemble de visages stockés dans la base de données du système. Si l'algorithme détecte que le visage reproduit correspond mathématiquement à un visage présent dans la base de données, le système le « reconnaît » et exécute la tâche de l'utilisateur.
En plus de terminer l'ensemble du processus en quelques nanosecondes, les systèmes de reconnaissance faciale actuels sont capables de fonctionner même dans des conditions de faible luminosité, avec une résolution d'image et des angles de vision médiocres.
Comme d'autres technologies d'intelligence artificielle, les systèmes de reconnaissance faciale doivent suivre certains principes éthiques lorsqu'ils sont utilisés à diverses fins. Ces réglementations comprennent :
1. L'équité dans la reconnaissance faciale
Tout d'abord, les dispositifs de reconnaissance faciale doivent être développés de telle manière que le système empêche complètement, ou du moins minimise, la discrimination fondée sur la race, le sexe, les caractéristiques du visage ou la difformité. ou tout autre préjugé contre toute personne ou groupe. Il existe désormais de nombreuses preuves qu’il est peu probable que les systèmes de reconnaissance faciale fonctionnent de manière équitable à 100 %. En conséquence, les entreprises qui construisent des systèmes prenant en charge cette technologie passent souvent des centaines d’heures à éliminer toute trace de biais trouvée dans leurs systèmes.
Des organisations réputées comme Microsoft embauchent souvent des experts qualifiés issus du plus grand nombre de communautés ethniques possible. Au cours des phases de recherche, de développement, de test et de conception de leur système de reconnaissance faciale, la diversité leur a permis de créer des ensembles de données massifs pour entraîner des modèles de données d'IA. Si les grands ensembles de données réduisent le quotient de biais, la diversité est également symbolique. La sélection d’individus du monde entier contribue à refléter la diversité du monde réel.
Pour éliminer les biais des systèmes de reconnaissance faciale, les organisations doivent déployer des efforts supplémentaires. Pour y parvenir, les ensembles de données utilisés pour l’apprentissage automatique et l’étiquetage doivent être diversifiés. Plus important encore, la qualité de sortie d’un système de reconnaissance faciale équitable sera incroyablement élevée, car il fonctionnera de manière transparente partout dans le monde, sans aucun élément de parti pris.
Pour garantir l'équité du système de reconnaissance faciale, les développeurs peuvent également impliquer les clients finaux lors de la phase de test bêta. La possibilité de tester un tel système dans des scénarios réels ne fera qu’améliorer la qualité de ses fonctionnalités.
2. Ouverture dans le fonctionnement interne de l'intelligence artificielle
Les organisations utilisant des systèmes de reconnaissance faciale sur le lieu de travail et des systèmes de cybersécurité doivent connaître tous les détails de l'endroit où les informations d'apprentissage automatique sont stockées. Ces organisations doivent comprendre les limites et les capacités de la technologie avant de la mettre en œuvre dans leurs opérations quotidiennes. Les entreprises fournissant des technologies d’IA doivent être totalement transparentes avec leurs clients sur ces détails. De plus, les prestataires de services doivent s’assurer que leurs systèmes de reconnaissance faciale peuvent être utilisés par les clients depuis n’importe quel endroit, en fonction de leur convenance. Toute mise à jour du système doit être valablement approuvée par le client avant de continuer.
3. Responsabilité envers les parties prenantes
Comme mentionné précédemment, les systèmes de reconnaissance faciale sont déployés dans plusieurs départements. Les organisations qui fabriquent de tels systèmes doivent en être tenues responsables, en particulier lorsque la technologie peut avoir un impact direct sur une personne ou un groupe (application de la loi, surveillance). La responsabilité dans un tel système signifie inclure des cas d'utilisation pour prévenir les dommages physiques ou liés à la santé, le détournement financier ou d'autres problèmes pouvant découler du système. Pour introduire un élément de contrôle dans le processus, une personne qualifiée prend en charge les systèmes de l'organisation pour prendre des décisions mesurées et logiques. Au-delà de cela, les organisations qui intègrent des systèmes de reconnaissance faciale dans leurs opérations quotidiennes doivent immédiatement répondre au mécontentement des clients à l’égard de cette technologie.
4. Consentement et notification avant la surveillance
Dans des circonstances normales, le système de reconnaissance faciale ne doit pas être utilisé pour espionner des individus, des groupes ou d'autres comportements sans le consentement de l'individu ou du groupe. Certaines institutions, comme l'Union européenne (UE), disposent d'un ensemble de lois standardisées (RGPD) pour empêcher les organisations non autorisées d'espionner les individus relevant de la juridiction de l'organe directeur. Les organisations disposant de tels systèmes doivent se conformer à toutes les lois américaines sur la protection des données et la confidentialité.
5. Surveillance légale pour éviter les violations des droits de l'homme
Une organisation ne peut pas utiliser un système de reconnaissance faciale à moins d'être autorisée par le gouvernement national ou un organisme de réglementation décisif à des fins liées à la sécurité nationale ou à d'autres situations très médiatisées pour surveiller toute personne ou groupe. Fondamentalement, il est strictement interdit d’utiliser cette technologie pour violer les droits humains et les libertés des victimes.
Bien que les systèmes de reconnaissance faciale soient programmés pour se conformer à ces réglementations sans exception, ils peuvent causer des problèmes en raison d'erreurs de fonctionnement. Certains des problèmes majeurs associés à cette technologie sont :
6. Erreurs de vérification au moment de l'achat
Comme mentionné précédemment, les systèmes de reconnaissance faciale sont inclus dans les applications de paiement numérique grâce auxquelles les utilisateurs peuvent vérifier les transactions. En raison de l’existence de cette technologie, des activités criminelles à des fins de paiement telles que le vol d’identité faciale et la fraude par carte de débit sont très possibles. Les clients choisissent les systèmes de reconnaissance faciale car ils offrent aux utilisateurs une grande commodité. Cependant, une erreur peut survenir dans un tel système lorsque de vrais jumeaux les utilisent pour effectuer des paiements non autorisés à partir des comptes bancaires de chacun. Le problème est que malgré les protocoles de sécurité en place dans les systèmes de reconnaissance faciale, la copie faciale peut conduire à un détournement de fonds.
7. Inexactitudes dans les applications des forces de l'ordre
Les systèmes de reconnaissance faciale sont utilisés pour identifier les criminels publics avant qu'ils ne soient capturés. Même si la technologie en tant que concept est sans aucun doute utile aux forces de l’ordre, son fonctionnement pose des problèmes évidents. Les criminels peuvent abuser de cette technologie de plusieurs manières. Par exemple, le concept d’IA biaisée fournit des résultats inexacts aux agents chargés de l’application des lois, car les systèmes ne parviennent parfois pas à faire la distinction entre les personnes de couleur. Généralement, ces systèmes sont formés sur des ensembles de données contenant des images d’hommes blancs. La façon dont le système fonctionne est donc erronée lorsqu’il s’agit d’identifier des personnes appartenant à d’autres races.
Il y a eu plusieurs cas d'organisations ou d'institutions publiques accusées d'utiliser des systèmes avancés de reconnaissance faciale pour espionner illégalement des civils. Les données vidéo collectées par des individus sous surveillance constante peuvent être utilisées à diverses fins néfastes. L’un des plus gros inconvénients des systèmes de reconnaissance faciale est que les résultats qu’ils fournissent sont trop généraux. Par exemple, si une personne est soupçonnée d'avoir commis un crime, sa photo sera prise et accompagnée de photos de plusieurs criminels pour vérifier si la personne a un casier judiciaire. Cependant, l’empilement de ces données signifie que la base de données de reconnaissance faciale conservera des photos de l’homme et des criminels expérimentés. Ainsi, même si l’individu est relativement innocent, sa vie privée est violée. Deuxièmement, la personne peut être considérée sous un mauvais jour même si elle est innocente à tous égards.
Comme mentionné, les principaux problèmes et erreurs associés à la technologie de reconnaissance faciale proviennent d'un manque d'avancée technologique, d'un manque de diversité dans les ensembles de données et d'une gestion inefficace du système par les organisations. Cependant, le champ d’application de l’intelligence artificielle et ses applications aux besoins réels devraient être illimités. Les risques liés à la technologie de reconnaissance faciale surviennent souvent lorsque la technologie ne fonctionne pas de la même manière que celle réellement requise.
Mais il est prévisible qu'avec les progrès continus de la technologie à l'avenir, les problèmes liés à la technologie seront résolus. Les problèmes liés aux biais dans les algorithmes d’IA seront finalement éliminés. Cependant, pour que cette technologie fonctionne parfaitement sans violer aucune norme éthique, les organisations doivent maintenir un niveau strict de gouvernance pour ces systèmes. Avec une meilleure gouvernance, les bugs du système de reconnaissance faciale pourraient être résolus à l’avenir. Par conséquent, la recherche, le développement et la conception de tels systèmes doivent être améliorés pour parvenir à des solutions positives.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
