Tapi mesin mungkin akan-setidaknya untuk saat ini. Kecuali komputer telah ditugaskan untuk mencari Anda, yang telah dilatih pada puluhan foto wajah anda, dan memiliki gambar berkualitas tinggi untuk memeriksa, anonimitas anda aman. Juga belum mungkin bagi komputer untuk menjelajahi internet dan menemukan anda secara acak, fotopun tidak tertebak. Tetapi berbeda dalam taman berdinding Facebook, yang berisi koleksi terbesar foto-foto pribadi di dunia, teknologi untuk melakukan semua yang mulai berkembang.
Perusahaan berbasis di California melampaui pemain perusahaan manapun di lapangan, sistem DeepFace Facebook sekarang seakurat "sosok manusia" di beberapa pekerjaan menyesuaikan wajah dalam tugas tracking pengenalan wajah. Tujuannya bukan untuk menyerang privasi lebih dari 1,3 miliar pengguna aktif Facebook, Dikatakan oileh Yann LeCun, seorang ilmuwan komputer di New York University di New York City yang mengarahkan penelitian kecerdasan buatan Facebook, melainkan untuk melindunginya. Setelah DeepFace mengidentifikasi wajah Anda di salah satu dari 400 juta foto baru yang pengguna meng-upload setiap hari, "Anda akan mendapatkan peringatan dari Facebook mengatakan bahwa anda muncul dalam sebuah gambar," ia menjelaskan. "Anda kemudian dapat memilih untuk mengaburkan warna wajah Anda dari gambar untuk melindungi privasi anda." Banyak orang, bagaimanapun, terganggu oleh prospek yang diidentifikasi sama sekali-terutama dalam foto-foto orang asing '. Facebook sudah menggunakan sistem, meskipun sistem face-tagging yang hanya mengungkapkan kepada anda identitas "teman" anda.
Program DeepFace bukan satu-satunya kuda dalam lomba. Pemerintah AS telah menggelontorkan dana dalam penelitian pengenalan wajah berbasis universitas. Dan di sektor swasta, Google dan perusahaan lain yang mengejar proyek-proyek mereka sendiri untuk secara otomatis mengidentifikasi orang-orang yang muncul dalam foto dan video.
Secara persis bagaimana pengenalan wajah dengan otomatis akan digunakan, dan bagaimana hukum dapat membatasi, masihbelum bisa dijelaskan. Tapi begitu teknologi semakin maju, itu pasti akan membuat banyak masalah privasi karena memecahkan. "Jin, atau akan segera, keluar dari botol," kata Brian Mennecke, seorang peneliti sistem informasi di Iowa State University di Ames yang mempelajari privasi. "Tidak akan dapat kembali seperti semula."
HANYA MENDETEKSI WAJAH mudah untuk komputer, setidaknya dibandingkan dengan mendeteksi benda-benda umum seperti bunga, selimut, dan lampu. Hampir semua wajah memiliki fitur yang sama seperti mata, telinga, hidung, dan mulut semuanya dalam posisi relatif sama. Konsistensi ini memberikan semacam jalan pintas komputasi yang efisien bahwa "kita telah mampu mendeteksi wajah dalam gambar selama sekitar 2 dekade," kata LeCun. Bahkan komputer lemah dalam kamera berharga murah telah lama mampu mendeteksi dan fokus pada wajah.
Tapi "mengidentifikasi wajah adalah masalah yang jauh lebih sulit daripada mendeteksi hal lain," kembali kata LeCun. Wajah unik mu itu mengidentifikasi siapa dirimu. Tapi tidak seperti sidik jari mu, wajah terus berubah. Hanya tersenyum maka wajah mu pun berubah. Sudut-sudut mata keriput anda, hidung anda menyala, dan gigi anda terlihat. Memperhatikan mu kembali dengan tawa dan bentuk nyata dari kontur liukan wajah Anda. Bahkan ketika Anda memakai ekspresi yang sama, rambut Anda bervariasi dari foto ke foto, lebih-lebih setelah kunjungan ke salon. Namun kebanyakan orang bisa melihat anda mudah dalam serangkaian foto, bahkan jika mereka telah melihat anda hanya dalam sekali.
Dalam hal memahami dunia di sekitar kita, pengenalan wajah mungkin "Suatu hal yang paling mengesankan bahwa otak manusia dapat lakukan," kata Erik Learned-Miller, seorang ilmuwan komputer di University of Massachusetts, Amherst. Sebaliknya, komputer berjuang dengan apa yang peneliti sebut masalah A-PIE: penuaan, berpose, pencahayaan, dan ekspresi. Sumber-sumber kebisingan meredam perbedaan halus yang membedakan wajah satu orang dari yang lain.
Berkat pendekatan yang disebut pembelajaran yang mendalam "deep learning", komputer yang mendapatkan dasar secara cepat cepat. Seperti semua teknik pembelajaran mesin, pembelajaran yang mendalam dimulai dengan satu set data training-dalam hal ini, data set besar wajah berlabel, idealnya termasuk beberapa foto dari setiap orang. Learned-Miller membantu menciptakan satu perpustakaan tersebut, yang disebut Labeled Faces in the Wild (LFW), yang seperti majalah tabloid utama: 13.000 foto tergores dari Web yang berisi wajah-wajah selebriti 5749, beberapa muncul hanya dalam beberapa foto dan lain-lain di puluhan. Karena itu secara online dan gratis untuk digunakan, LFW telah menjadi patokan yang paling populer bagi para peneliti visi mesin mengasah algoritma pengenalan wajah.
Untuk sebuah komputer, wajah tidak lebih dari koleksi piksel lebih terang dan lebih gelap. Pelatihan sistem pembelajaran mendalam dimulai dengan membiarkan sistem membandingkan wajah dan menemukan fitur sendiri: mata dan hidung, misalnya, serta fitur statistik yang tidak masuk akal intuitif untuk manusia. "Biarkan mesin dan data anda berbicara," kata Yani Taigman, eorang Engineer yang memimpin DeepFace, yang didasarkan pada Menlo Park markas Facebook. Sistem ini pertama cluster piksel dari muka ke elemen seperti tepi yang mendefinisikan kontur. Lapisan berikutnya pengolahan menggabungkan unsur ke yang tidak berdasarkan intuisi, fitur statistik yang dihadapi memiliki kesamaan tetapi cukup berbeda untuk membedakan mereka.
Ini adalah "deep" dalam pembelajaran yang mendalam: Input untuk setiap lapisan pengolahan output dari lapisan di bawahnya. Hasil akhir dari pelatihan ini adalah model representasi dari wajah manusia: mesin statistik yang membandingkan gambar wajah dan menebak apakah mereka milik orang yang sama. Semakin dalam menghadapi sistem pelatihan, semakin akurat tebakan.
Tapi DeepFace menciptakan buzz di komunitas visi mesin ketika mereka menjelaskan mengenai kreasi mereka dalam sebuah makalah yang diterbitkan Maret lalu di situs Facebook. Satu patokan untuk pengenalan wajah adalah mengidentifikasi apakah wajah dalam dua foto dari kumpulan data LFW milik selebriti yang sama. Manusia bisa melakukannya dengan benar sekitar 98% dari waktu. Tim DeepFace melaporkan akurasi 97,35% -a penuh 27% lebih baik dari sisa lapangan.
Beberapa keuntungan DeepFace adalah dari program yang cerdas. Sebagai contoh, mengatasi bagian dari masalah A-PIE dengan akuntansi untuk 3D bentuk wajah ini. Jika foto menunjukkan orang-orang dari samping, program ini menggunakan apa yang bisa melihat dari wajah untuk merekonstruksi kemungkinan wajah-wajah berubah kedepannya. Ini "keselarasan" Langkah membuat DeepFace jauh lebih efisien, kata Taigman . "Kami bisa fokus sebagian besar kapasitas [sistem] pada perbedaan yang halus."
"Metode ini berjalan dalam sepersekian detik pada satu [komputer] inti," kata Taigman. Itu cukup efisien untuk DeepFace untuk bekerja pada ponsel pintar. Dan itu ramping, yang mewakili masing-masing wajah sebagai string kode yang disebut hash 256-bit. Bahwa representasi yang unik adalah sebagai kompak sebagai kalimat ini sangat. Pada prinsipnya, database identitas wajah dari 1 miliar orang bisa muat pada thumb drive.
Tapi Aspek Keuntungan terbesar DeepFace itu dari proyek yang telah memicu yang paling tidak disukai adalah data pelatihannya. Kertas DeepFace secara menggembirakan menyebutkan adanya satu set data yang disebut SFC, Sosial Wajah Klasifikasi, perpustakaan 4,4 juta wajah berlabel dipanen dari halaman Facebook pengguna 4030. Meskipun pengguna memberikan izin untuk menggunakan Facebook data pribadi mereka ketika mereka mendaftar untuk website, makalah penelitian DeepFace tidak menyebutkan persetujuan dari foto-foto 'pemilik.
"Begitu menakutkan sesuai kedengarannya," demikian judul dari sebuah artikel di The Huffington Post menggambarkan DeepFace seminggu setelah keluar. Mengomentari sepotong The Huffington Post, salah satu pembaca menulis: "Jelas bahwa polisi dan aparat penegak hukum lainnya akan menggunakan teknologi ini dan mencari melalui foto-foto kami tanpa kita sadari." Facebook telah mengkonfirmasi bahwa ia menyediakan penegakan hukum dengan akses ke data pengguna ketika dipaksa oleh perintah hakim.
