AI rozpoznaje twarze coraz skuteczniej. Ceną jest nasza anonimowość

Rozpoznawanie twarzy staje się jednym z najważniejszych zastosowań sztucznej inteligencji w przestrzeni publicznej. Systemy trenowane na setkach milionów obrazów osiągają w kontrolowanych warunkach skuteczność przekraczającą 99 proc., lecz ich rosnąca dokładność ułatwia masowe wdrażanie biometrii. Technologiczny postęp przynosi więc nie tylko wygodniejszą identyfikację, ale także trudne pytania o prywatność, błędne wskazania i granice cyfrowego nadzoru.

Technologia, która jeszcze niedawno kojarzyła się głównie z odblokowaniem telefonu, coraz częściej trafia do przestrzeni publicznej. Z rozpoznawania twarzy korzystają duże obiekty sportowe i koncertowe, lotniska, instytucje publiczne oraz służby. Citizens Bank Park w Filadelfii oferuje kibicom opcjonalne wejście bez biletu dzięki biometrii.

Transport Security Administration w USA wdraża rozpoznawanie twarzy na kolejnych lotniskach. Program TSA PreCheck Touchless ID został rozszerzony na 65 portów lotniczych, w tym miasta związane z mistrzostwami świata w piłce nożnej w 2026 r.

Jak działa rozpoznawanie twarzy

System rozpoznawania twarzy wykonuje trzy podstawowe operacje. Najpierw lokalizuje twarz na obrazie lub w klatce filmu. Następnie tworzy tzw. faceprint, czyli matematyczny zapis najważniejszych cech: kształtu twarzy, położenia oczu, nosa i ust, a także tekstury skóry. Na końcu porównuje zapis z bazą danych.

Baza może być niewielka, jak w smartfonie, który sprawdza, czy użytkownik jest właścicielem urządzenia. Może też być znacznie większa na przykład w banku, szpitalu, systemie kontroli granicznej, aplikacji służb lub sieci kamer.

Dla operatorów technologia jest atrakcyjna, bo jest szybka. W świecie fizycznym może zastąpić okazanie dokumentu. W świecie cyfrowym może zastąpić hasło. W obu przypadkach zmniejsza ryzyko fałszerstwa, ale jednocześnie przesuwa granicę między identyfikacją a stałym śledzeniem obecności człowieka. To właśnie dlatego Urząd Ochrony Danych Osobowych ostrzegał, że stosowanie AI w przestrzeni publicznej stwarza ryzyko inwigilacji.

Głębokie uczenie poprawiło dokładność

.Największy skok jakościowy przyniosły modele głębokiego uczenia. FaceNet, system opracowany przez Google, poprawił rozpoznawanie twarzy częściowo zakrytych lub niewyraźnych. DeepFace, opracowany przez Facebook AI Research, był jednym z przełomowych przykładów użycia AI do weryfikacji twarzy na poziomie zbliżonym do ludzkiego.

Nowsze systemy radzą sobie lepiej z częściowym zasłonięciem twarzy, gorszą jakością obrazu i zmianami wyglądu. To ważne, bo w realnym świecie kamera rzadko widzi twarz tak, jak w paszporcie: na wprost, przy dobrym świetle i neutralnym wyrazie. Ludzie noszą okulary, maseczki, czapki, mają makijaż, zmieniają fryzurę, starzeją się albo są filmowani pod kątem.

Badacze pracują także nad metodami, które analizują nie tylko statyczny obraz, ale również dynamikę twarzy. Chodzi o subtelne ruchy mięśni, mruganie powiekami i zmianę mimiki w kolejnych klatkach filmu. Tego typu rozwiązania mają pomóc systemom rozpoznawać osobę nawet wtedy, gdy dostępna jest tylko część twarzy. To kolejny przykład tego, jak strategia rozwoju AI przestaje być abstrakcyjnym dokumentem technologicznym, a zaczyna dotyczyć konkretnych systemów identyfikacji, bezpieczeństwa i administracji.

Mniej błędów nie oznacza braku ryzyka

Rozwój AI zmniejsza liczbę pomyłek, ale ich nie eliminuje. Dwa podstawowe błędy to false positive i false negative. False positive oznacza, że system błędnie dopasowuje człowieka do osoby z bazy. False negative oznacza, że nie rozpoznaje osoby, która faktycznie w bazie się znajduje.

W zastosowaniach bezpieczeństwa groźniejszy jest false positive. Może doprowadzić do zatrzymania, odmowy wejścia, błędnego oskarżenia lub dyskryminacji. W 2025 r. 50-letnia kobieta z Tennessee spędziła niemal pięć miesięcy w areszcie po tym, jak system rozpoznawania twarzy błędnie powiązał ją ze śledztwem dotyczącym oszustwa bankowego w Dakocie Północnej.

Problem polega na tym, że nawet bardzo wysoka skuteczność w warunkach laboratoryjnych nie musi oznaczać równie dobrej skuteczności w praktyce. Gorsze światło, kamera niskiej jakości, twarz widziana pod kątem, ruch, zasłonięcie części twarzy lub źle dobrana baza treningowa mogą istotnie pogorszyć wynik. W tym sensie rozpoznawanie twarzy należy do tej samej kategorii problemów, co bezpieczeństwo systemów sztucznej inteligencji: sama skuteczność techniczna nie wystarcza, jeśli konsekwencje błędu ponosi człowiek.

Bias pozostaje problemem

Jednym z najtrudniejszych problemów pozostaje bias, czyli nierówna skuteczność rozpoznawania różnych grup ludzi. Jeśli model był trenowany na danych, które słabo reprezentują osoby o ciemniejszej karnacji, kobiety, dzieci lub osoby starsze, może gorzej działać właśnie wobec tych grup.

NIST, amerykański National Institute of Standards and Technology, wskazywał w swoich badaniach, że wiele algorytmów rozpoznawania twarzy wykazuje różnice demograficzne. W przypadku niektórych systemów fałszywe dopasowania dla twarzy Azjatów i Afroamerykanów pojawiały się 10 do 100 razy częściej niż dla twarzy osób o białym kolorze skóry.

To nie oznacza, że każdy system działa tak samo źle. NIST podkreślał, że wyniki zależą od konkretnego algorytmu, zastosowania i danych. Najdokładniejsze systemy są często bardziej sprawiedliwe, ale technologia wymaga stałych testów, aktualizacji i kontroli. Nie wystarczy powiedzieć, że AI jest „dokładna”. Trzeba wiedzieć: dla kogo, w jakich warunkach i z jakimi konsekwencjami błędu. Podobny problem pojawia się w debacie o tym, czy sztuczna inteligencja powinna mieć dostęp do danych wrażliwych.

Technologia rozpoznaje coraz więcej z coraz mniejszej ilości danych

Kolejnym etapem rozwoju są systemy trójwymiarowe oraz metody antyspoofingowe. Modele 3D mogą analizować geometrię twarzy: oczodoły, nos, brodę, kontur kości i proporcje przestrzenne. To może utrudnić oszukiwanie systemów za pomocą zdjęcia, maski lub obrazu wygenerowanego komputerowo.

Badacze rozwijają też metody pozwalające odtworzyć wiarygodny obraz identyfikacyjny z częściowych danych. Człowiek potrafi rozpoznać znajomego nawet wtedy, gdy część twarzy zasłaniają okulary lub maseczka. Nowe modele AI próbują naśladować ten mechanizm, nadając większą wagę temu, co widać, zamiast automatycznie odrzucać obraz jako niepełny.

To obiecujące z punktu widzenia zmniejszania liczby błędów. Ale społecznie oznacza coś więcej: coraz trudniej będzie pozostać nierozpoznanym tylko dlatego, że kamera widzi fragment twarzy. Właśnie dlatego rozwój takich narzędzi trzeba czytać nie tylko jako postęp w informatyce, lecz także jako część szerszej dyskusji o prywatności w erze AI.

Dokładniejsza technologia, trudniejsze pytania

Rozpoznawanie twarzy poprawia się technicznie. To może oznaczać mniej pomyłek, mniej fałszywych zatrzymań i wygodniejszą identyfikację w sytuacjach, w których użytkownik świadomie wybiera biometrię. Jednak sama poprawa dokładności ułatwia masowe wdrożenia w miejscach, gdzie zgoda obywatela jest niejasna albo nie istnieje.

Dlatego najważniejszy spór nie dotyczy już tylko pytania, czy rozpoznawanie twarzy działa. Coraz częściej brzmi on inaczej: kto ma prawo używać tej technologii, w jakich miejscach, na jakiej podstawie, z jaką kontrolą i jak długo może przechowywać dane. To ten sam spór, który wraca przy regulowaniu dostępu dzieci do narzędzi sztucznej inteligencji i przy ocenie tego, jak daleko państwo oraz prywatne firmy mogą ingerować w cyfrowe życie obywateli.

AI czyni rozpoznawanie twarzy lepszym narzędziem identyfikacji. To techniczny sukces. Jednocześnie czyni je potężniejszym narzędziem nadzoru. To polityczny problem, którego nie rozwiąże sama dokładność algorytmu.

Szymon Ślubowski